Nexus Quant OS 是一個專為對抗「前瞻偏誤 (Look-Ahead Bias)」與「極端黑天鵝事件」所設計的新世代量化交易引擎。它結合了最前沿的 AI 架構(Mixture of Experts, MoE)、時間序列對齊引擎,以及基於雙重防護的智能風險防火牆。
這套系統的設計初衷不僅是追求高回報 (Alpha),更是在市場出現未知恐慌與結構性崩盤時,能夠自動閃避並保護本金。
傳統的量化模型與回測系統常面臨幾個致命痛點,而 Nexus Quant OS 提出了系統性的解決方案:
- 徹底消滅前瞻偏誤 (Zero Look-Ahead Bias)
許多模型在回測時表現極佳,實盤卻崩潰,原因在於不慎使用了「未來資訊」(例如:在月初就用到了月底才公布的 CPI 數據)。本系統內建
PiT Alignment(Point-in-Time) 引擎,會嚴格模擬真實世界的發布延遲(例如總經數據延遲 45 天),確保模型在任何時間點都只能看到「當下已知」的資訊。 - 動態市場適應 (Dynamic Market Adaptation) 死板的資產配置無法應付多變的市場。本系統採用 MoE (混合專家) 路由架構,同時佈署多個不同專長的 AI 模型。當市場處於技術面主導時,系統會動態分配更多權重給技術分析專家;當宏觀經濟發生巨變時,總經專家會接管主導權。
- 終極避險:智能風險防火牆 (Intelligent Risk Firewall)
AI 是盲目的,但防火牆不是。我們的防火牆獨立於 AI 預測之外,並具備「一票否決權」。它結合了:
- HMM (隱馬爾可夫模型):即時偵測市場政體(牛市/熊市/極端崩盤)。
- OOD (Autoencoder + Isolation Forest):偵測「歷史未見」的新型態黑天鵝。 當觸發紅燈時,防火牆會無視 AI 的買入建議,強制將曝險降至零(100% 現金)。
Nexus Quant OS 的管線 (Pipeline) 可拆解為三大核心層:
- 支援高頻價格數據與低頻總經數據。
- 透過
enforce_pit_alignment函數,對所有宏觀數據實施 Timestamp 隔離,確保特徵工程與模型推論的絕對純淨。
模型內部由一個 Router 與多個 Expert 組成:
- Expert-0 (技術面專精):處理短期的價量特徵(如
daily_return,realised_vol,volume_zscore)。 - Expert-1 (總經面專精 - TabNet):專門解讀低頻但影響深遠的宏觀指標(如 CPI、失業率、信用利差),並採用 TabNet 結構以對抗雜訊。
- Expert-2 (綜合全能):負責將技術面與基本面做深度交叉驗證。 Router 會根據當日的輸入特徵 (Feature Matrix),計算出每位專家的利用率 (Utilization),並輸出原始的資產配置權重。
這是在提交訂單前的最後一道防線,根據 HMM 與 OOD 的評估,輸出一個 scale_factor (0.0 ~ 1.0)。
- GREEN (綠燈):
scale_factor = 1.0,完全放行。 - CAUTION (黃燈) / WARNING (橘燈):依嚴重程度縮減部位 (例如 0.7 甚至 0.25)。
- EMERGENCY (紅燈):
scale_factor = 0.0,全面空手。
專案已完全容器化 (Dockerized),保證跨平台的執行一致性。
請確保您的機器已安裝 Docker 與 Docker Compose。
同時,您需要註冊一個免費的 FRED API Key(用於抓取總經數據)。
在專案根目錄下建立 .env 檔案,並填入以下內容:
# FRED (美國聯準會經濟數據) API 憑證
FRED_API_KEY=您的_API_KEY_這裡(請放心,.env 已被加入 .gitignore 中,不會上傳至 GitHub)
步驟一:訓練模型與防火牆 初次使用或需要重新校準模型時,請執行:
docker compose run --rm quant_engine python -m nexus_quant_os.training.train_moe這將會訓練 MoE 權重以及 HMM / Autoencoder 防火牆,並自動將 Checkpoint 儲存下來。
步驟二:單次執行 (Single-shot Execution) 若要直接跑出當天的最新預測與最終權重:
docker compose run --rm quant_engine python main.py執行完畢後,終端機會印出非常詳細的 7 步驟執行日誌與最終部位分配。
Nexus Quant OS 內建高度解耦的插件介面 (BasePlugin),讓您可以輕鬆地將新的非結構化資料或替代數據(如新聞情緒、供應鏈數據)引入系統中。
- 開發插件:在
nexus_quant_os/plugins/目錄下建立新的 Python 檔案(例如social_sentiment_plugin.py)。 - 繼承介面:該類別必須繼承自
BasePlugin,並實作fetch_data()與get_feature_names()方法。 - 註冊插件:在主程式或 DataLoader 中,將實作好的 Plugin 實體化,系統會自動在特徵工程 (Feature Engineering) 階段將其產生的 DataFrame 與主資料集進行
PiT Alignment與合併。 - 模型相容:只要新的特徵欄位被加入,
QuantMoERouter會在下一次訓練時自動將輸入維度 (Input Dim) 擴展,無需大幅改寫核心神經網路代碼。
本專案為量化交易架構的研究與展示用途。系統給出的任何資產配置權重與預測均不構成投資建議。金融市場具備高度不可預測性,請自行評估風險,開發者不對任何實際交易所產生的損失負責。