周二清晨，鹏城南山区的阳光透过百叶窗，在书房的地板上切割出明暗相间的条纹。林晨坐在电脑前，左手边是半杯早已冷却的美式咖啡，右手边的屏幕上闪烁着复杂的代码。
距离t厂hR承诺的“最晚周二中午前出结果”，还有三个小时。
他没有干等。等待的焦虑反而转化成了专注的能量——与其盯着时钟一分一秒地煎熬，不如把这段时间变成技术打磨的宝贵窗口。
投资系统昨晚又完成了一轮交易。林晨打开账户管理后台，最新净值曲线平稳向上，过去一周的累计收益率达到了3.2%。对于一个全自动运行、风险严格控制的多市场量化策略来说，这个数字已经相当可观。
但林晨盯着仓位管理模块的日志，眉头微微皱起。
“问题出在仓位调整上。”他自言自语，手指在键盘上敲击着调出详细交易记录，“系统识别到了黄金期货的趋势突破信号，但加仓速度太保守了。”
日志显示，系统在确认趋势后的六个交易小时内，分三次将仓位从初始的5%提升到15%。而根据林晨手动回测的经验，在那种明确的多头行情中，完全可以在确认信号后的第一个小时就加到12%，第二个小时达到20%上限。
“还是太机械了。”林晨靠在椅背上，望着窗外腾讯大厦的玻璃幕墙，“固定的仓位调整规则，没法适应不同市场、不同波动率环境下的最优策略。”
这个发现让他既兴奋又紧迫。兴奋是因为找到了明确的优化方向，紧迫是因为他知道，如果现在不解决这个问题，等真正入职t厂开始高强度工作后，这个个人项目很可能会被搁置。
他点开手机，给张伟发了条微信：“老张，强化学习在量化仓位管理上有成熟案例吗？”
几分钟后，张伟的电话直接打了过来。
“你小子还真是不闲着啊。”张伟的声音带着晨起的沙哑，“等offer的当口还在折腾系统？”
“总比干等强。”林晨笑了笑，“你了解这块吗？”
“略知一二。华尔街那边几年前就开始用dRL（深度强化学习）做动态仓位管理了，不过大部分是高频策略。你想做的是中低频吧？”
“对，日级别到小时级别的调仓。”
“那可以试试dqN（深度q网络）或者ppo（近端策略优化）。”张伟显然对这个话题很感兴趣，“关键是要设计好状态空间、动作空间和奖励函数。状态得包括市场数据、技术指标、账户信息；动作就是加减仓的幅度；奖励函数嘛……夏普比率？最大回撤控制？”
“我正在想这个。”林晨快速记录着，“如果只用夏普比率，系统可能会过度追求低波动而错失大行情。”
“那就复合指标。夏普比率占60%，年化收益占30%，最大回撤占10%——权重你自己调。对了，训练数据要足够长，至少覆盖两轮牛熊周期。”
挂断电话后，林晨的思路清晰了许多。他重新打开pytorch，新建了一个名为“rl_portfolio_manager”的文件夹。
上午九点半，A股开盘。林晨将系统切换到观察模式，自己则开始搭建强化学习框架。
第一步是定义状态空间。他整合了二十多个维度的数据：标的资产的当前价格、20日移动平均线、布林带宽度、RSI强弱指标、成交量变化率……还包括账户层面的信息，如当前仓位比例、浮动盈亏、可用资金等。
“状态向量长度……87维。”林晨敲下确认键，“够用了。”
动作空间相对简单：从空仓到满仓，按5%的步长划分，共21个离散动作。奖励函数则按照张伟的建议，采用复合指标，但林晨调整了权重——他更看重收益风险比，所以将夏普比率的权重提高到70%。
架构搭好，接下来是训练数据。林晨调取了系统过去两年的历史回测数据，涵盖A股、商品期货、黄金EtF和外汇市场，总计超过五十万条分钟级别的K线记录。
“开始训练。”
他按下回车键，屏幕上的命令行窗口开始滚动数字。GpU占用率瞬间飙升到98%，风扇发出轻微的嗡鸣声。
等待训练结果的时间变得异常缓慢。林晨起身续了杯咖啡，站在窗前俯瞰南山科技园的车流。早高峰已过，深南大道上的车辆依然川流不息，每一辆车里都载着一个正在奔赴各自战场的人。
他想起一个月前，自己还是那车流中的一员，每天赶着地铁去跨境电商公司上班，担心着35岁的职场天花板。而现在，他站在这里，等待着一个可能改变职业生涯的offer，同时亲手搭建着一个可能改变财务命运的系统。
“代码可以骗人，但逻辑不会。”林晨低声重复着自己的口头禅，“人更不能。”
十点整，手机震动。是苏婉发来的消息：“乐乐安全送到幼儿园了。你那边有消息吗？”
“还没有，说中午前。”林晨回复，“我在优化系统，进展不错。”
“那就好。中午想吃什么？我回来时顺便买。”
“简单点就行。你下午还有课吧？”
“嗯，两节作文课。孩子们要写《我的梦想》，挺期待的。”
林晨看着这句话，嘴角不自觉地上扬。苏婉总是这样，在那些看似平凡的教学日常里，找到属于自己的光亮。而他现在要做的，就是守护这份光亮。
他回到电脑前，训练已完成第一轮迭代。初步结果显示，在测试集上，强化学习模型管理的仓位调整策略，比原有固定规则策略的年化收益率提高了1.8个百分点，夏普比率从1.52提升到1.67。
“有戏。”林晨眼睛一亮。
但他没有急于部署到实盘。量化交易最忌讳的就是过度拟合——在历史数据上表现优异，不代表在未来市场也有效。
林晨启动了交叉验证：将数据分成五份，用四份训练，一份测试，轮流五次。同时加入了随机市场噪声和滑点模拟，让模型在更接近真实交易的环境下学习。
时间来到十一点。距离t厂承诺的最后期限，还有一个小时。
林晨强迫自己不去看时钟，专注于手头的工作。他调整了神经网络的层数和节点数，加入了dropout层防止过拟合，还尝试了不同的优化器——Adam、RmSprop、SGd。
十一点半，第五轮交叉验证的结果出炉。
平均年化收益提升：2.1%。 夏普比率提升：从1.52到1.71。 最大回撤改善：从-8.3%降低到-7.1%。
更重要的是，模型在不同市场行情下表现出良好的适应性：在趋势明显的单边市中会快速加仓，在震荡市中会降低仓位并高抛低吸，在行情反转时会及时止损。
“可以实盘试运行了。”林晨做了决定。
他没有全仓切换，而是采用渐进式部署：将新模型作为“建议模块”，与原系统的固定规则并行运行。新模型给出仓位调整建议，如果与原规则偏差不超过10%，则采纳；如果偏差过大，则触发人工审核——目前由林晨自己审核。
部署代码，重启系统。十一点五分。
林晨看着监控面板，新模型开始接收实时市场数据，并输出了第一个仓位建议：在黄金期货上，建议将仓位从当前的12%提升到18%。
原系统的规则建议是15%。
偏差3个百分点，在阈值内。系统自动采纳了新模型的建议。
几乎在同一时刻，黄金价格突破了一个小时级别的阻力位，开始放量上涨。
林晨屏住呼吸，盯着分时图。接下来的十五分钟里，金价上涨了0.8%。按照18%的仓位计算，这波行情带来的浮盈已经超过了原策略的预期。
“漂亮。”他忍不住赞叹。
这不是运气，而是模型从历史数据中学到的规律：当黄金价格在特定技术形态下突破关键位置，且成交量配合放大时，后续延续趋势的概率高达73%。