【AI+量化实战 #10】趋势还是震荡？用 LLM 把市场状态变成一句话
风险提示：本文仅用于技术演示，不构成投资建议。市场状态分类只是研究辅助，不能替代独立判断。
本文示例使用麦蕊智数（mairui）Python SDK。稳定、低延迟的行情数据是 AI 量化的前置条件，可在麦蕊官网申请免费证书体验。
你看完行情，脑海里会先冒出一个词：「今天市场是趋势、震荡，还是恐慌？」
这个判断听起来很主观，但其实可以结构化：宽基指数的同向性、涨跌幅大小、板块内部的离散度，都是可量化的信号。今天的文章教你把这些信号喂给 LLM，让它用一句话说出当前市场状态。
本文你将得到什么
- 一套把市场数据映射成状态标签的规则；
- 一段可直接运行的 Python 脚本，自动判断趋势/震荡/恐慌/分化；
- 规则分类 + LLM 增强两种模式；
- 一个 Prompt 模板，可直接接入你自己的大模型。
一、为什么需要状态分类
不同市场状态下，策略的适用性完全不同：
- 趋势市：动量策略、趋势跟踪更有效；
- 震荡市：均值回归、高抛低吸相对占优；
- 恐慌市：风控优先，止损和仓位管理比选股更重要；
- 分化市：指数没方向，但结构有机会，需要看板块。
如果你每天能先用一句话定下「市场状态」，后面的选股、择时、仓位判断都会更清晰。
二、状态分类的输入信号
我们选取两类信号：
- 宽基指数：看市场整体方向和同向性；
- 热门板块：看结构是否一致、离散度大不大。
2.1 宽基指数
INDEX_CODES = {
"000001.SH": "上证指数", "000016.SH": "上证50",
"000300.SH": "沪深300", "000905.SH": "中证500",
"399001.SZ": "深证成指", "399006.SZ": "创业板指",
}
index_rows = []
for code, name in INDEX_CODES.items():
snap = client.index_real_time(code=code)
index_rows.append({"code": code, "name": name, "pc": snap["pc"]})
2.2 板块离散度
对板块成分股批量拉行情，计算：
- 平均涨跌幅；
- 上涨家数占比；
- 涨跌幅标准差（离散度）。
detail = client.sector_detail(sector_name="GN半导体")
stocks = detail["stocks"][:20]
codes = [s["dm"].split(".")[0] for s in stocks]
records = client.stock_ssjy_more(stock_codes=",".join(codes))
pcs = [r["pc"] for r in records]
avg_pc = sum(pcs) / len(pcs)
up_ratio = sum(1 for x in pcs if x > 0) / len(pcs)
std = pd.Series(pcs).std()
示例输出：
| 板块 | 平均涨跌幅% | 上涨占比% | 离散度% |
|---|---|---|---|
| 半导体 | +0.80 | 50.0 | 2.67 |
| 人工智能 | -0.38 | 20.0 | 1.58 |
| 新能源 | -2.14 | 20.0 | 2.78 |
| 机器人 | -1.44 | 15.0 | 2.69 |
| 低空经济 | +0.04 | 35.0 | 1.93 |
离散度越大，说明板块内部越分歧；离散度小，说明板块内部方向一致。
三、规则层分类：先让机器自己判断
在调用 LLM 之前，先用规则给状态打一个初判：
def rule_classify(index_rows, sectors):
pcs = [r["pc"] for r in index_rows]
avg = sum(pcs) / len(pcs)
up = sum(1 for x in pcs if x > 0)
down = len(pcs) - up
max_abs = max(abs(x) for x in pcs)
sector_std = [s["std"] for s in sectors if s]
avg_std = sum(sector_std) / len(sector_std)
if down >= 5 and avg < -1.0 and avg_std > 1.5:
return "恐慌", "多数指数下跌且板块分歧大"
elif up >= 5 and avg > 1.0:
return "趋势上行", "多数指数同步上涨"
elif down >= 5 and avg < -1.0:
return "趋势下行", "多数指数同步下跌"
elif max_abs < 1.0 and avg_std < 1.5:
return "震荡", "涨跌不大且板块分歧小"
else:
return "分化", "涨跌互现，板块方向不一"
规则层的价值是可解释、可调试、不依赖外部 LLM。你可以根据自己的风险偏好调整阈值。
四、实测结果
用 2026-08-14 数据跑出来的结果：
创业板指 +1.12%
深证成指 +0.45%
中证500 +0.28%
沪深300 +0.04%
上证指数 +0.01%
上证50 -0.41%
规则层判断：分化（置信度 60%）
理由：涨跌互现（上 5 下 1），板块标准差 2.33%
6 只指数里 5 只上涨、1 只下跌，但板块平均涨跌幅有正有负，离散度偏高。规则判断为「分化」而不是「趋势上行」，这是合理的——大盘指数偏暖，但结构并不一致。
五、LLM 增强：把数据变成一句话
把指数和板块数据结构化后，传给 LLM：
你是一名市场状态分类助手。请根据以下数据，判断当前市场状态：
只能从「趋势上行 / 趋势下行 / 震荡 / 恐慌 / 分化」中选择一种，并说明理由。
主要指数：
- 上证指数 +0.01%
- 上证50 -0.41%
- 沪深300 +0.04%
...
热门板块：
- 半导体：平均 +0.80%，上涨 50.0%，离散度 2.67%
- 新能源：平均 -2.14%，上涨 20.0%，离散度 2.78%
...
规则层初步判断：分化（置信度 60%）
要求：给出最终状态标签，用 2~3 句话说明理由，不要给出买卖建议。
如果你的环境没有配置 LLM_API_KEY 和 LLM_BASE_URL，脚本会自动退回规则判断，保证可复现。
六、完整可运行脚本
依赖安装：
pip install mairui pandas numpy requests
核心初始化：
import os
import mairui
licence = "<你的证书>" # 演示证书，请替换成你自己的正式证书
client = mairui.Client(licence)
脚本已整理到 Demo 目录，包含：
load_index_snapshot()：拉指数快照；analyze_sector()：计算板块平均涨跌幅、上涨占比、离散度；rule_classify()：规则状态分类；llm_classify_prompt()+call_llm()：LLM 增强入口。
七、使用边界与常见坑
- 状态标签是定性工具：不是量化信号，不能直接用来开仓平仓；
- 阈值要根据自己的策略调：趋势跟踪者和均值回归者的「趋势」定义不同；
- 板块样本影响结果：不同板块的风险属性不同，离散度口径需要固定；
- LLM 可能过度解释：规则层结果可以帮助约束 LLM，避免它编造原因；
- 不要事后解释：状态分类必须用收盘数据，不能用未来的涨跌幅来修正。
小结
市场状态分类解决的是「今天是什么市」。规则层给出一个可解释、可调试的判断，LLM 层把这个判断翻译成自然语言。对量化研究者来说，这种「数据 → 规则 → 文本」的链路，比单纯看 K 线图更可持续。
AI 在这里的作用不是创造判断，而是把已有的结构化判断表达得更易读。下篇预告：【AI+量化实战 #11】AI+量化里最危险的幻觉：数据泄漏、伪造数据、事后解释。
体验麦蕊数据：访问 https://www.mairuiapi.com → 请求证书 → 免费版，3 步领取 API 证书，即可复现本文代码。
代码与接口文档参考：见官网 麦蕊智数 www.mairuiapi.com 站内「API 文档」与「证书获取」（免费版 500 次/日，邮箱验证即领）