MetaPS：让AI学会“择时”而非“算命”——仿真驱动的程序化策略选择框架
“MetaPS: Adaptive Programmatic Strategy Selection for Market Agents”
金融市场中，没有一种策略能永远获胜：动量策略在趋势中如鱼得水，却在反转时跌入深渊；均值回归策略在恐慌中精准抄底，却可能在持续冲击中持续亏损。真正的交易智慧，不是精通一种策略，而是知道何时使用哪种策略。
MetaPS（元程序化选择器）提出了一种全新的AI决策范式：与其让大语言模型直接“编造”交易指令，不如让它学会从一组可执行的程序化策略库中选出最合适的那一个。这个“指挥官”角色通过市场模拟器进行反事实推演——在历史数据的沙盘中反复测试每种策略的未来表现，从而学习“何种市场状态下该调用何种策略”的元知识。
在2025年股票交易测试中，仅90亿参数的MetaPS模型取得了50.3%的年度回报，远超GPT-5.4（32.0%）和同样架构的基模（32.7%），证明了仿真引导的策略选择比通用提示更有效、更可靠。
【 扫描文末二维码加入星球获取论文 】
摘要
金融市场中，没有单一策略能始终保持优势。动量、均值回归、风险控制和事件驱动等策略在市场条件变化时，成功率各不相同。
MetaPS 是一个仿真引导的自适应程序化策略选择框架。它通过在模拟或回测市场中“展开”（roll out）候选策略，识别出在特定状态下能带来更好未来结果的策略，并将这些“状态-策略”对转化为监督微调（SFT）数据。在推理阶段，MetaPS 仅观察当前市场状态和候选策略上下文，选择最合适的策略程序，并由该程序生成最终的执行动作。
在多种股票交易和一个受控的商品交换沙盒环境中进行了实验。结果显示，MetaPS 在 0.8B 到 9B 参数的模型规模上均有一致性的提升，其表现优于固定策略基线、直接决策智能体以及基于 API 提示的 LLM 智能体。
简介
金融市场中，没有单一策略总是有效的。例如，动量策略在趋势延续时表现良好，但在市场反转时会失败；均值回归策略能从过度反应中获益，但会在持续的新闻冲击下失效。因此，市场决策不仅是设计强大的策略，更是决定何时使用哪种策略。
现有基于学习的交易系统通常将问题建模为直接动作预测，而 LLM 则允许结合文本和数值上下文进行决策。然而，这种方式将“选择市场逻辑”和“执行具体动作”这两个可分离的决策纠缠在一起，导致决策难以审计、约束和复现。
MetaPS 提出了一种更可执行的范式：自适应地选择程序化策略。智能体拥有一个策略库，每个策略都是可执行的代码模块。LLM 的角色从一个直接创造交易的引擎，转变为一个元级选择器，只需决定哪个程序来控制下一个决策，具体的动作执行则由确定性运行时环境（含可行性、规模、风险检查）完成。
核心挑战在于监督信号。历史市场数据并未标注每个状态下的最优策略，答案可能取决于未来的结果。MetaPS 通过使用市场模拟和回测来产生有针对性的监督。它对每个“截止”状态，展开候选策略，估计未来收益，挖掘有效的“状态-策略”对，并将其转化为监督微调数据。未来结果仅用于构造训练目标，推理时模型是看不到的。
论文的主要贡献有三点：
将金融市场决策问题形式化为对可执行程序化策略的自适应选择，将策略选择与动作执行分离。
提出 MetaPS 框架，该框架通过市场模拟中的候选策略展开，导出监督微调数据。
在股票交易和商品交易环境中验证 MetaPS，结果显示其在不同规模的模型上均取得了一致的性能提升。
方法
问题定义
论文研究一个拥有可执行程序化策略库 S={s_1,......,s_N} 的市场决策问题。在时间步 t，环境提供一个“截止”观察 o_t。MetaPS 学习一个路由器（router），该路由器从一个排名后的候选策略子集 C_t ⊆ S 中进行选择。路由器预测：
选中的程序随后产生最终动作：a_t = s_{z_t}(o_t)。这种解耦使得决策过程比直接动作生成更可解释、可执行和可审计。
程序化策略库
策略库定义了可用的执行决策原语。每个程序遵循一个共享接口：输入市场状态，输出结构化动作字段（如方向、目标资产、置信度、风险说明和大致仓位）。一个确定的执行层负责应用可行性、规模、成本和领域特定的约束。
在多股票交易环境中，策略库包含趋势跟踪、反转、新闻驱动、对冲、风险控制和突破等策略。在商品交换沙盒中，策略库包括生产者、加工者、承包商、商人、囤积者和平衡策略。
仿真引导的监督
这是 MetaPS 的核心。关键挑战在于“状态-策略”标签无法直接获得。MetaPS 通过在一个市场模拟器或历史回测器 M 中进行反事实策略展开来构造标签。
对于每个截止状态 o_t，M 从同一个状态快照展开每个候选程序 s_i ∈ C_t。使用贴现因子 γ 和展开视界 H，其展开回报为：
其中 r_{t+τ}^i 是在该反事实展开中由 s_i$ 生成的行动所获得的奖励。一个训练视图 v 定义了基于这些展开结果的特定视图评分 q_i^v(o_t)，对应的目标策略为：
候选策略上下文：MetaPS 并非从无结构的完整库中选择。首先使用一个轻量级相关性评分 ρ(s_i, o_t) 和候选预算 B 来构建排名后的候选集：
训练视图 (V1, V2, V3)：论文构建了三个基于仿真的训练视图。
V1 (短视距赢家)：选择短视距的赢家策略。
V2 (中视距优势)：偏向于中视距有优势的策略，并考虑了交易成本、风险和换手率惩罚。
V3 (平衡能力)：平衡回报、风险和策略选择分布，旨在生成更健康的训练数据分布。它们并非单调的课程学习，而是让 MetaPS 接触不同的策略选择偏差。
MetaPS 的学习与推理
仿真导出的标签被转化为指令微调样本。对于状态 t 和训练视图 v，模型输入 x_t 和目标文本 y_{t,v} 被构建出来。MetaPS 使用一个加权的语言模型目标函数进行训练：
其中 w_{t,v} 是根据展开质量导出的可选置信度权重。
在推理时，模拟器和展开回报不再出现。MetaPS 仅接收可观察的输入 x_t = (o_t, h_t, C_t)，预测策略标识符 z^_t，然后调用选定的可执行程序 s_z^_t 来生成最终动作 a_t。
实验
实验设置
环境：
多股票交易：主要基准。训练于2022-2024年，测试于2025年。初始资金100万美元，考虑了交易成本、滑点和持仓约束。
商品交换沙盒：辅助环境，包含现金、库存、价格和六种经济体制，用于验证策略选择接口的可迁移性。
程序化策略库：股票库包含10种策略（如新闻冲动、动量跟随、均值回归、风险重置、宏观轮动等）；沙盒库包含6种经济策略（如生产者、加工者、承包商等）。
比较系统：包括策略基线、非LLM学习选择器（如分类器、序列模型、奖励排序等）、LLM提示基线以及MetaPS微调路由器。
股票交易主要结果
性能对比：在2025年股票基准上，MetaPS-9B 实现了最高的50.3%的回报率，远超其他基线。MetaPS-4B（45.7%）也超越了包括GPT-5.4（32.0%）、Qwen-9B Base（32.7%）、Best Fixed Strategy（30.2%）和所有非LLM选择器在内的基线。
优势来源：MetaPS 的优势并非来自最终日的偶然收益，而是在整个测试年度的大部分时间里都保持了更强的累计收益轨迹。这表明监督元策略学习确实改善了策略切换，而非仅仅改变了可执行的策略空间。
关键数据：MetaPS-9B在2025年获得50.29% 的回报，夏普比率0.668，最大回撤15.29%。相比之下，GPT-5.4虽然夏普比率最高（1.112）且回撤最低（3.05%），但其回报率（32.03%）远低于MetaPS。
商品交换沙盒中的表现
在沙盒环境中，MetaPS同样优于所有基线。例如，MetaPS-4B 的最终权益达到 31514，回报率为 264.14%，而 Qwen-4B Base 的最终权益为 23879，回报率为 175.92%。这表明 MetaPS 并不局限于特定的股票回测器或Ticker级的动作空间。
策略行为分析
图4显示了SFT数据标签（V1, V2, V3）和最佳测试路由器（2025年）的策略分布。MetaPS-9B V3 的测试行为集中在动量跟随策略（约占78%），同时保留新闻冲动、均值回归和风险重置作为次要策略。这表明仿真引导塑造了一个选择性的元控制器，而非产生一个无约束的动作生成器。
策略上下文的影响
实验隔离了策略上下文的作用：
排名策略上下文 (Ranked-Strategy Context) 是最强的，MetaPS-9B V3 获得 50.29% 的回报。
全策略上下文 (All-Strategies Context) 下，MetaPS-9B 的回报降至 30.12%。
直接动作上下文 (Direct-Action Context) 效果最差，同参数量的SFT模型回报仅为 3.14%，而基模为 29.30%。这有力支持了MetaPS的设计核心：仿真监督在策略级路由上更有效，而低级执行则交由确定的程序处理。
模型规模与目标函数分析
规模效应：在所有测试的Qwen规模（0.8B、2B、4B、9B）中，最佳MetaPS变体均优于相应的基模。例如，4B模型收益提升20.60个百分点，9B模型提升17.60个百分点。
目标函数选择：最佳训练目标并非一成不变。V3 对 0.8B 和 9B 模型最强，V2 对 2B 最强，而V1→V2→V3 的串行课程对 4B 最强。这说明V1、V2、V3编码了不同的路由行为，而非形成一个单调的进步阶梯。
沙盒中的验证：在沙盒中，V1在最终权益和回报上最佳，V3在胜率和夏普比率上最优，V2则提供了一个中间点，再次证明了不同目标编码了不同的路由偏差。
滚动时间验证
为了测试时间鲁棒性，增加了滚动窗口验证（使用4B模型）。
训练2022，测试2023-2025：V1 表现最好，回报197.46%，表明短视距赢家模仿能识别出少数高确信度机会。
训练2022-2023，测试2024-2025：V2 成为最强，回报117.49%。
训练2022-2024，测试2025：完整的串行课程 V1→V2→V3 最强，回报45.72%。这个结果细化了对单一2025年基准的结论，说明不同的V1、V2、V3视图在不同的市场体制和训练窗口下各有价值。
局限性
MetaPS 是用于策略选择的研究框架，非投资建议或可部署的交易系统。结果基于历史回测，可能无法完全捕捉流动性冲击、延迟、市场影响或分布偏移等真实市场风险。商品交换沙盒是合成的。MetaPS 也依赖于其策略库的覆盖范围和模拟器的保真度。未来的工作需要包括更强的压力测试、置信区间和实盘鲁棒性检验，任何实际应用都需要人工监督、保守的风险限制和审计日志。
总结
MetaPS 是一个学习在可解释的程序化策略间切换的框架。通过将学习从低级的市场动作提升到策略级的元控制，MetaPS 能够复用可执行策略并适应变化的市场条件。结果表明：策略路由有效且监督选择至关重要；排名的策略上下文优于非排名或无策略提示；监督路由在各模型规模上均优于基模；滚动时间验证表明V1、V2、V3编码了不同的行为偏差。这些发现支持了仿真引导的策略选择作为通向更可执行、可解释和自适应的基于LLM的市场智能体的实用路径。
我们致力于人工智能、量化交易领域前沿研究，分享前沿论文、模型代码、策略实现。如有相关需求，请私信与我们联系。
请加微信“LingDuTech163”，或公众号后台私信“联系方式”。
关注【灵度智能】公众号，获取更多AI资讯。
