週二清晨，鵬城南山區的陽光透過百葉窗，在書房的地板上切割出明暗相間的條紋。林晨坐在電腦前，左手邊是半杯早已冷卻的美式咖啡，右手邊的螢幕上閃爍著複雜的程式碼。
距離T廠HR承諾的“最晚週二中午前出結果”，還有三個小時。
他沒有乾等。等待的焦慮反而轉化成了專注的能量——與其盯著時鐘一分一秒地煎熬，不如把這段時間變成技術打磨的寶貴視窗。
投資系統昨晚又完成了一輪交易。林晨開啟賬戶管理後臺，最新淨值曲線平穩向上，過去一週的累計收益率達到了3.2%。對於一個全自動執行、風險嚴格控制的多市場量化策略來說，這個數字已經相當可觀。
但林晨盯著倉位管理模組的日誌，眉頭微微皺起。
“問題出在倉位調整上。”他自言自語，手指在鍵盤上敲擊著調出詳細交易記錄，“系統識別到了黃金期貨的趨勢突破訊號，但加倉速度太保守了。”
日誌顯示，系統在確認趨勢後的六個交易小時內，分三次將倉位從初始的5%提升到15%。而根據林晨手動回測的經驗，在那種明確的多頭行情中，完全可以在確認訊號後的第一個小時就加到12%，第二個小時達到20%上限。
“還是太機械了。”林晨靠在椅背上，望著窗外騰訊大廈的玻璃幕牆，“固定的倉位調整規則，沒法適應不同市場、不同波動率環境下的最優策略。”
這個發現讓他既興奮又緊迫。興奮是因為找到了明確的最佳化方向，緊迫是因為他知道，如果現在不解決這個問題，等真正入職T廠開始高強度工作後，這個個人專案很可能會被擱置。
他點開手機，給張偉發了條微信：“老張，強化學習在量化倉位管理上有成熟案例嗎？”
幾分鐘後，張偉的電話直接打了過來。
“你小子還真是不閒著啊。”張偉的聲音帶著晨起的沙啞，“等offer的當口還在折騰系統？”
“總比干等強。”林晨笑了笑，“你瞭解這塊嗎？”
“略知一二。華爾街那邊幾年前就開始用DRL（深度強化學習）做動態倉位管理了，不過大部分是高頻策略。你想做的是中低頻吧？”
“對，日級別到小時級別的調倉。”
“那可以試試DQN（深度Q網路）或者PPO（近端策略最佳化）。”張偉顯然對這個話題很感興趣，“關鍵是要設計好狀態空間、動作空間和獎勵函式。狀態得包括市場資料、技術指標、賬戶資訊；動作就是加減倉的幅度；獎勵函式嘛……夏普比率？最大回撤控制？”
“我正在想這個。”林晨快速記錄著，“如果只用夏普比率，系統可能會過度追求低波動而錯失大行情。”
“那就複合指標。夏普比率佔60%，年化收益佔30%，最大回撤佔10%——權重你自己調。對了，訓練資料要足夠長，至少覆蓋兩輪牛熊週期。”
結束通話電話後，林晨的思路清晰了許多。他重新開啟PyTorch，新建了一個名為“rl_portfolio_nager”的資料夾。
上午九點半，A股開盤。林晨將系統切換到觀察模式，自己則開始搭建強化學習框架。
第一步是定義狀態空間。他整合了二十多個維度的資料：標的資產的當前價格、20日移動平均線、布林頻寬度、RSI強弱指標、成交量變化率……還包括賬戶層面的資訊，如當前倉位比例、浮動盈虧、可用資金等。
“狀態向量長度……87維。”林晨敲下確認鍵，“夠用了。”
動作空間相對簡單：從空倉到滿倉，按5%的步長劃分，共21個離散動作。獎勵函式則按照張偉的建議，採用複合指標，但林晨調整了權重——他更看重收益風險比，所以將夏普比率的權重提高到70%。
架構搭好，接下來是訓練資料。林晨調取了系統過去兩年的歷史回測資料，涵蓋A股、商品期貨、黃金ETF和外匯市場，總計超過五十萬條分鐘級別的K線記錄。
“開始訓練。”
他按下回車鍵，螢幕上的命令列視窗開始滾動數字。GPU佔用率瞬間飆升到98%，風扇發出輕微的嗡鳴聲。
等待訓練結果的時間變得異常緩慢。林晨起身續了杯咖啡，站在窗前俯瞰南山科技園的車流。早高峰已過，深南大道上的車輛依然川流不息，每一輛車裡都載著一個正在奔赴各自戰場的人。
