全市场4000多只股票，如何在10秒内筛选出今天最值得关注的20只？
这是司南投研系统最核心的设计挑战，也是我在架构阶段花时间最多的问题。
为什么需要三层扫描？
最直接的想法是：把4000多只股票全塞进扫描引擎，每60秒扫一次，出来什么信号就交易什么。这个思路在技术上是行不通的：
- API限流：数据源（akshare/baostock）有调用频率限制。4000只股票 × 每次获取分钟级K线 = 极易触发限流
- 扫描耗时：即使API不限流，4000只股票的完整技术指标计算（MA、MACD、RSI、布林带）至少需要几分钟
- 信号质量：大量边缘标的（换手率极低、价格横盘）参与扫描，产生的信号噪声远大于有效信号
结论很明确：必须先筛选，再扫描。筛选的精度决定了扫描的效率，扫描的效率决定了信号的质量。
三层架构的设计逻辑
第一层：基础池（每周一次，约3000-4000只）
这是最粗粒度的筛选，只做“排除法”：
- 剔除ST股（财务异常，波动规律与正常股票不同）
- 剔除上市不满60天的新股（技术指标数据不足，波动剧烈）
- 剔除市值低于50亿的微型股（流动性差，容易被操控）
这一层的作用是把“明显不合格”的标的排除掉。过滤条件相对固定，不需要频繁调整。
第二层：候选池（每日盘后，约20-50只）
这是整个系统最关键的一层。它要回答的问题是：在3000多只正常股票中，哪些最适合我的波段策略？
我设计了一个五因子评分模型，每只股票都按以下维度打分：
| 因子 | 权重 | 评分逻辑 |
|---|---|---|
| 日均振幅得分 | 30% | 振幅在5%-8%区间得满分，偏离越远得分越低。振幅太小没利润空间，太大说明股价不稳定 |
| 换手率得分 | 20% | 换手率在3%-10%区间得满分。换手率太低没人气，太高可能有主力出货 |
| 成交额得分 | 20% | 成交额越高得分越高（经对数标准化）。保证选出的股票流动性充足 |
| 趋势强度得分 | 20% | 股价在20日均线上方且偏离度在1%-5%区间得满分。既要有上升趋势，又不能过度拉伸 |
| 量价配合度得分 | 10% | 近5日价格上涨时放量、下跌时缩量的程度。量价配合好说明上涨更健康 |
按总分降序排列，默认取前20只。再加上用户自选股（去重），形成最终候选池。
为什么是20只，不是100只？
这是我反复测试后得出的平衡点。候选池越大，第三层扫描耗时越长；候选池太小，可能错过一些潜力标的。20只+自选股的组合，让扫描耗时稳定在10秒以内，同时保持足够的覆盖度。
第三层：交易信号（盘中每60秒）
这是直接产生交易决策的一层。扫描范围只有候选池+自选股，约20-50只，每只股票计算以下指标：
- 买入信号：股价回踩20日均线 + MACD金叉
- 卖出信号：股价触及布林带上轨 或 RSI(14) > 80
- 止损信号：持仓亏损触及-8%硬止损
第三层还内置了频率调节机制：如果连续3次扫描都没有产生任何信号，自动将扫描频率从60秒降到5分钟，节省计算资源。一旦信号恢复，自动切回60秒。
评分模型的可配置设计
实际使用中，不同市场环境下最优的因子权重可能不同。所以第二层的评分模型不是写死的，而是完全可配置的：
- 五个因子的权重可以在前端页面拖拽滑块调整（总和必须等于100%）
- 评分入选数量可以在系统配置页面动态修改
- 每次修改权重后自动保存为新版本，旧版本保留备查
- 浑仪（量化策略Subagent）每月对评分模型做一次回测，评估各因子对策略收益的贡献度，给出优化建议
这意味着你的评分模型可以随着市场变化持续进化，而不是一成不变。
实战效果
在开发阶段，我用历史数据做了一次完整的回测：
- 第一层基础池：约3500只
- 第二层候选池：20只（评分精选）+ 3只（自选股）- 1只（重复）= 22只
- 第三层扫描耗时：平均6.8秒，P95约9.2秒，符合<10秒的设计目标
- 全链路：从基础池更新到交易信号产生，端到端数据流完全闭环
更重要的是，候选池的股票质量明显优于随机抽取——回测显示，候选池等权组合的年化收益率显著高于基础池等权组合，说明第二层的评分筛选确实产生了正向超额收益。
设计启示
三层扫描体系的设计过程，让我深刻体会到AI辅助开发的一个核心原则：
把复杂问题拆解成AI可独立执行的模块。
我不是让AI“设计一个全市场扫描系统”——这个任务太模糊，AI会无从下手。而是把问题拆成：第一层怎么做、第二层怎么打分、第三层怎么扫描，每一层都有明确的输入、处理逻辑和输出。然后让AI逐个模块实现。
这个系统最终能被成功搭建起来，不是因为AI有多强大，而是因为我把正确的问题以正确的方式交给了AI。
下一篇预告：《AI帮我写风控代码：行级锁+事务+幂等处理》
