鹏城的夜晚，科技园区的灯火透过书房窗户，在林晨的电脑屏幕上投下斑驳光影。他盯着“phoenix trader”系统过去一周的详细交易日志，眉头紧锁。
836元的盈利，这个数字在家庭开销面前杯水车薪，但更让他警觉的是日志里那几笔亏损交易。
“问题不在盈亏本身”，林晨喃喃自语，手指在触摸板上滑动，“而在一致性”。
他调出系统的决策逻辑图。目前的核心模型是基于 LStm（长短期记忆网络）对股价时序数据进行预测，简单来说，就是让 AI“记忆”历史走势规律来推测未来。但一周的回测和实盘数据显示，这种单一模型在震荡市中表现尚可，一旦遇到突发消息引发的剧烈波动——比如上周三那笔亏损 -2.1% 的交易——就容易“失灵”。
“就像只靠一条腿走路”，林晨揉了揉发涩的眼睛，起身去冲第二杯咖啡，“稳定性太差”。
厨房里，苏婉给乐乐辅导完功课，正收拾书包。见林晨出来，她轻声问：“又遇到难题了”？
“嗯，策略需要优化”。林晨往马克杯里倒热水，速溶咖啡的香气弥散开，“现在这个模型，太容易受噪声干扰”。
苏婉走过来，靠在水池边：“我不懂技术，但听起来，你是想让它更‘聪明’一点”？
“更‘稳健’一点”。林晨纠正道，“投资不是追求单次暴利，而是长期稳定盈利。现在的系统，胜率大概 55%，最大回撤……”他调出手机上的计算器快速按了几下，“一周内就出现过 2.1%，年化下来可能很吓人。这不行”。
“那你打算怎么改”？
“加‘拐杖’。”林晨喝了口咖啡，思路逐渐清晰，“不能只依赖一个 AI 预测模型。得引入那些被市场验证了几十年的技术指标，让它们和 AI 互相印证。就像……中医把脉还要结合现代仪器检查，多重验证”。
回到书房，林晨打开新的浏览器标签页。他需要快速补课。
mAcd（指数平滑异同移动平均线）、RSI（相对强弱指标）、布林带（bollinger bands）……这些名词在炒股软件里常见，但他过去十年做跨境电商后台开发，对这些传统金融技术指标只是耳闻，从未深究。
“从头学”。他打开知乎、掘金、Github，搜索技术指标的 python 实现原理。
mAcd 的核心是快慢均线的分离与聚合，用来判断趋势强度和转折；RSI 衡量价格变动速度，评估超买超卖；布林带则通过标准差构造通道，反映价格波动区间和突破信号……
林晨一边查资料，一边在 Jupyter Notebook 里写测试代码。他先尝试用 ta-lib 库（一个金融技术分析函数库）直接计算这些指标。
import talib
import numpy as np
# 假设close_prices是收盘价序列
close_prices = np.array([...])
# 计算mAcd
macd, macd_signal, macd_hist = talib.mAcd(close_prices)
# 计算RSI
rsi = talib.RSI(close_prices, timeperiod=14)
# 计算布林带
upper_band, middle_band, lower_band = talib.bbANdS(close_prices)
代码很简单，但关键是如何解读这些指标，并将它们转化为交易信号。
“不能简单看金叉死叉”。林晨翻阅着经典技术分析书籍的电子版，“这些指标都有滞后性，单独使用效果有限。但如果是多个指标在同一时间窗口内发出共振信号呢”？
他脑海中浮现出一个多因子决策框架。
假设 AI 的 LStm 模型给出“看涨”概率为 65%，这本身只是一个中等强度的信号。但如果此时 mAcd 在零轴上方形成金叉，RSI 从超卖区（低于 30）回升至 50 以上，同时价格突破布林带中轨向上——多个技术指标同时转向积极，那么这笔交易的成功概率就可能大幅提升。
反之，如果 AI 看涨，但 mAcd 死叉、RSI 超买、价格触及布林带上轨，系统就应该忽略这个买入信号，甚至考虑反向操作。
“权重分配是个关键”。林晨新建了一个 Excel 表格，开始设计打分系统。
他将决策因子分为三类：
AI 核心预测（权重 40%）：LStm 模型输出的涨跌概率值。
趋势指标（权重 35%）：mAcd、均线系统等，判断大方向。
震荡指标（权重 25%）：RSI、布林带等，判断短期位置和超买超卖状态。
每个类别下，不同的信号状态（如金叉、死叉、超买、突破等）赋予不同分值。最后加权求和，总分超过某个阈值（比如 60 分）才执行交易。
“这还不够”。林晨盯着表格，“阈值不能固定。牛市和熊市，震荡市和趋势市，市场情绪不同，阈值应该动态调整”。
他想起之前学机器学习时接触过的“自适应系统”。或许可以加入一个市场状态分类器？先用简单算法（比如波动率、均线排列）判断当前是趋势市还是震荡市，再根据不同的市场状态，微调决策模型的权重和阈值。
思路越来越多，林晨却感到一阵焦虑。复杂度在增加，而时间不等人。家庭存款还在缓慢消耗，每个月的房贷、生活费、乐乐的兴趣班费用……这些数字像背景音一样持续低鸣。
他深吸一口气，压下烦躁。
“代码可以骗人，但逻辑不会”。他对自己说，“一步步来。先实现多指标集成，回测看看效果”。
接下来的三天，林晨进入了近乎闭关的状态。
白天苏婉带乐乐去学校后，他就坐在电脑前，一行行代码编织着更复杂的决策网络。晚上家人睡了，他继续调试参数、跑回测。书房成了孤岛，只有键盘敲击声和主机风扇的嗡鸣相伴。
过程中遇到了不少坑。
ta-lib 库对数据长度有要求，短时间序列计算某些指标会返回 NaN（非数字）。他不得不修改数据预处理管道，确保足够长的历史数据窗口。
多个指标的信号有时互相矛盾。比如 mAcd 看涨，但 RSI 已严重超买。他需要设计更精细的冲突解决规则，不是简单投票，而是分析矛盾背后的市场情境——是强势逼空行情，还是顶部衰竭征兆？
回测系统也需要升级。原来只记录盈亏，现在要记录每一笔交易触发时，各个因子的具体得分、市场状态分类、最终决策总分。这样事后才能分析哪些因子有效，哪些是噪声。
第三天深夜，初步版本完成了。
林晨用过去两年的 A 股数据（2023 年初至 2024 年底）进行回测。这个时间段包含了下跌、震荡和反弹多种行情，是很好的测试场。
他启动了回测程序。
进度条缓慢爬行。屏幕上不断刷出模拟交易记录：
2023-04-15, 买入, 因子得分: 72.3 (AI:65, 趋势:15, 震荡:-7.7), 状态: 震荡市
2023-04-22, 卖出, 收益率: +3.2%
2023-05-06, 买入, 因子得分: 58.1 (AI:70, 趋势:-5, 震荡:-6.9), 状态: 下跌市 -＞ 忽略，未交易
2023-07-11, 买入, 因子得分: 81.5 (AI:68, 趋势:20, 震荡:-6.5), 状态: 反弹市
...
两个小时后，回测结束。
林晨屏住呼吸，看向最终报告。
回测周期：2023-01-04 至 2024-12-29（约两年）
初始资金：100,000 元
最终资金：136,847 元
总收益率：36.85%
年化收益率：约 17%
最大回撤：8.2%
胜率：61.3%
交易次数：147 次
他眼睛一亮。
相比之前单一模型回测的大起大落（年化可能更高但回撤常超过 15%），新策略的曲线平滑了许多。36.85% 的总收益不算惊艳，但关键在于最大回撤控制在 8.2%——这是一个职业投资者可以接受的波动范围。胜率从 55% 提升到 61.3%，意味着交易质量在提高。
“有戏”。林晨握了握拳，疲惫的脸上露出笑容。
但他没有立刻庆祝。职业习惯让他先找问题。
仔细查看亏损交易，发现大部分集中在 2023 年下半年市场单边下跌时。即便系统通过市场状态分类降低了仓位，但“做多”策略在熊市天然劣势，仍然难以避免小额亏损。
“如果加入做空机制呢”？林晨脑海里闪过这个念头，随即又摇头，“A 股做空门槛高，而且我的实盘账户现在也没权限。先聚焦多头优化”。
他注意到，在 2024 年的结构性行情中，系统表现更好。当 AI 模型与技术指标共振时，往往能抓住一些板块轮动的机会。
“明天用这个新策略跑实盘”。林晨看了眼时间，凌晨两点半。他保存好所有代码和回测数据，关机。
躺到床上时，大脑却依然活跃。
技术指标整合只是第一步。接下来还可以考虑更多维度：基本面数据（市盈率、营收增长率）？新闻情绪分析（爬取财经新闻做情感打分）？甚至……其他市场的联动（美股、港股对 A 股的影响）？
越想越远，越想越复杂。
“不能贪多”。他在黑暗中提醒自己，“先把当前框架跑稳。实盘验证才是试金石”。
窗外，科技园区的灯光依然明亮。那些灯火下，无数和他一样的程序员、产品经理、创业者，或许也在为某个算法、某个功能、某个商业模型绞尽脑汁。
这个时代，技术是杠杆，但找到正确的支点，需要耐心、迭代，还有那么一点在混沌中洞察规律的运气。
林晨闭上眼睛。
明天，新的实盘周期开始。优化后的“phoenix trader”将迎来第一次实战检验。
他不知道的是，就在他沉睡时，系统后台的一个定时任务悄然启动——它正在自动下载最新的美股盘前数据。而在林晨原本只针对 A 股设计的策略逻辑里，某个边界条件判断，因为数据格式的细微差异，正悄然发生着预料之外的变化……