AI 原生核心设计¶
AXON 不是"传统量化框架 + AI 插件"，而是从数据管道到生产部署为 AI 工作流重新设计的统一框架。本章深入解析其四大设计支柱、模块联动机制与统一数据管道。
什么是 AI 原生¶
"AI 原生"（AI-Native）不是营销词汇，而是 AXON 在架构层面的四项根本设计决策：
1. 统一数据管道：训练与生产共用同一套 Arrow 列式数据¶
传统量化系统中，研究员用 Pandas DataFrame 做特征工程，工程师用 Protobuf / 自建格式写实盘，两者之间的"格式转换层"是 bug 与信息损失的高发区。
AXON 的 axon-data 从底层采用 Apache Arrow RecordBatch 作为唯一内存表示：
// axon-data/src/pipeline.rs
// FeaturePipeline 对 Dataset 执行 fit + transform，全程列式零拷贝
pub trait Normalizer: Send + Sync {
/// 训练阶段：从 dataset 学到归一化参数
fn fit(&mut self, ds: &Dataset);
/// 推理阶段：把 dataset 转为 FeatureMatrix
fn transform(&self, ds: &Dataset) -> FeatureMatrix;
}
/// Z-Score 归一化器：(x - mean) / std
pub struct ZScoreNormalizer {
mean: f64,
std: f64,
}
- 训练时：
fit_transform()从历史数据学到均值/方差，输出FeatureMatrix供神经网络消费 - 生产时：同一
transform()路径，使用训练阶段保存的mean/std，保证分布一致 - 零拷贝：Arrow 列式 buffer 直接透传到底层 SIMD 归一化，避免
Vec<Tick>中间表示
为什么选 Arrow
Arrow 的列式内存布局与零拷贝特性，使得 Rust 内核、Python 训练脚本、ONNX 推理引擎可以共享同一块内存，无需序列化/反序列化开销。
2. 训练与生产同一套代码：TradingEnv 底层即回测引擎¶
在传统框架中，回测用一套 Python 脚本，实盘用另一套 C++ 服务，策略逻辑需要"翻译"两次。
AXON 的 TradingEnv 直接包装 axon-backtest 的撮合引擎：
// axon-rl/src/env/trading_env.rs
// TradingEnv::step() 内部调用 Executor::execute()，与回测引擎共用同一套订单簿逻辑
pub fn step(&mut self, action: &Action) -> EnvResult<StepResult> {
// 1. 动作 → 订单（ActionDecoder 统一解析离散/连续动作）
let order = self.decoder.decode(action, &self.portfolio)?;
// 2. 执行订单 → 底层即 Backtest 撮合引擎（含冲击模型与滑点）
if let Some(o) = order {
let results = self.executor.execute(&[o], ¤t_bar, &mut self.portfolio)?;
for r in &results {
if r.filled {
self.trades_executed += 1;
self.transaction_costs += r.cost;
}
}
}
// 3. 按下一根 K 线 close 重估组合市值
self.executor.revalue(&mut self.portfolio, next_bar.close)?;
// 4. 计算奖励（PnL / Sharpe / Sortino 共用同一套 ReturnHistory）
let reward = self.reward_fn.calculate(...)?;
Ok((obs, reward, self.done, info))
}
上实盘时，只需替换 ExchangeAdapter：
// axon-exchange/src/traits.rs
/// 统一交易所接口：Binance / OKX 均实现此 trait
pub trait ExchangeAdapter: Send + Sync {
async fn place_order(&self, req: OrderRequest) -> Result<OrderAck, ExchangeError>;
async fn cancel_order(&self, id: &OrderId) -> Result<(), ExchangeError>;
async fn query_portfolio(&self) -> Result<PortfolioSnapshot, ExchangeError>;
async fn subscribe_market_data(&self, symbols: &[Symbol]) -> Result<DataStream, ExchangeError>;
}
策略代码（reset / step / render）完全不变，实现训练与生产零差异。
3. LLM 与 RL 互补："直觉引擎" + "推理引擎"双模决策¶
AXON 同时内置两种 AI 范式，并通过 axon-ensemble 实现协同：
| 能力 | RL（axon-rl） | LLM（axon-llm） |
|---|---|---|
| 决策方式 | 模式识别 + 统计优化 | 符号推理 + 自然语言理解 |
| 优势场景 | 高频微观结构、价格预测 | 宏观事件解读、财报分析、异常检测 |
| 输入 | 归一化特征向量 | 文本上下文（新闻、公告、链上数据） |
| 输出 | 连续仓位 / 离散动作 | 结构化工具调用（下单 / 查询 / 分析） |
| 可解释性 | 需 SHAP 事后归因 | 推理链（Chain-of-Thought）天然可解释 |
// axon-llm/src/trading/mod.rs
// LLM 交易工具：place_order / query_portfolio，带 SafetyMode 风控
pub use place_order_tool::PlaceOrderTool;
pub use query_portfolio_tool::QueryPortfolioTool;
pub use safety::{DailyCounter, RiskLimits, SafetyMode};
axon-ensemble 的 DynamicWeightedEnsemble 可实时监控 RL 与 LLM 子模型的夏普比率，动态调整权重：
// axon-ensemble/src/dynamic.rs
// 在线性能监控 + 自动权重调整
pub struct DynamicWeightedEnsemble {
models: Vec<Box<dyn Policy>>,
weights: Vec<f64>,
performance_window: VecDeque<f64>,
}
impl Ensemble for DynamicWeightedEnsemble {
fn update_weights(&mut self, performances: &[f64]) {
// 根据近期夏普比率衰减低性能模型权重
// ...
}
}
4. 可解释性内建：SHAP + 反事实 + 决策报告，非事后补丁¶
传统框架中，可解释性是"训练完再想办法"的附加任务。AXON 将 Explainer 定义为与 Policy 同等级别的核心 trait：
// axon-explain/src/traits.rs
/// Explainer trait：为一次模型决策生成完整解释
pub trait Explainer: Send + Sync {
/// 解释一次完整决策（特征归因 + 反事实 + 注意力可视化）
fn explain(
&self,
observation: &HashMap<String, f64>,
action: &ActionSnapshot,
) -> Result<Explanation, ExplainabilityError>;
/// 生成反事实解释："如果当时不买入，收益会如何变化"
fn generate_counterfactuals(
&self,
observation: &HashMap<String, f64>,
action: &ActionSnapshot,
max_changes: usize,
) -> Vec<CounterfactualExplanation>;
}
每次 step() 产生的决策可同步生成 ExplanationReport，随模型版本一同归档到 axon-registry，满足合规审计要求。
模块联动矩阵¶
AXON 的 6 大 AI 核心模块并非孤立存在，它们通过 trait 与共享类型形成紧密联动：
| RL | LLM | Inference | Explain | Ensemble | Exchange | |
|---|---|---|---|---|---|---|
| RL | — | LLM 作为 Policy 接入 Ensemble | InferenceEngine 为 TradingEnv 提供模型预测 | Explainer 解释 TradingEnv 的每步决策 | VecEnv 并行 rollout 供 Ensemble 评估 | TradingEnv 底层撮合逻辑与 ExchangeAdapter 对齐 |
| LLM | RL 策略作为 Tool 供 LLM 调用 | — | InferenceEngine 加速 LLM 后端（本地模型） | explain 模块为 LLM 决策生成归因 | LLM 输出通过 Ensemble 与 RL 策略融合 | PlaceOrderTool / QueryPortfolioTool 直接调用 ExchangeAdapter |
| Inference | 为 RL Policy 提供低延迟推理 | 为 LLM 提供本地模型（Candle）推理 | — | Explainer 需要 ModelPredictor 评估反事实输入 | Ensemble 聚合多个 InferenceEngine 输出 | 生产环境 InferenceEngine 通过 ExchangeAdapter 获取实时行情 |
| Explain | 解释 RL 策略的每步动作 | 解释 LLM 的工具调用决策 | 解释模型预测的特征重要性 | — | 为 Ensemble 中各子模型生成独立解释报告 | 为交易所异常行为（如滑点突变）生成归因 |
| Ensemble | 集成多个 RL 策略（PPO / SAC / 规则） | 集成多个 LLM 后端（OpenAI / 本地） | 集成 ONNX / Candle / tch 三后端输出 | 聚合多模型解释，生成一致性报告 | — | Ensemble 的最终动作通过 ExchangeAdapter 下单 |
| Exchange | 回测数据喂给 TradingEnv | 实时行情喂给 LLM 上下文 | 实时特征喂给 InferenceEngine | 成交记录用于验证解释准确性 | 成交结果反馈给 Ensemble 更新权重 | — |
联动示例：LLM 感知宏观事件 → RL 调整仓位¶
┌─────────────┐ 财报文本 ┌─────────────┐
│ 外部新闻源 │ ───────────────→ │ axon-llm │
│ (API/爬虫) │ │ (ReAct 推理)│
└─────────────┘ └──────┬──────┘
│ "建议减仓 30%"
▼
┌─────────────────────┐
│ axon-ensemble │
│ (DynamicWeighted) │
│ RL权重 0.7 → 0.5 │
│ LLM权重 0.3 → 0.5 │
└──────────┬──────────┘
│ 融合动作
▼
┌─────────────────────┐
│ axon-inference │
│ (ONNX 推理 < 500µs) │
└──────────┬──────────┘
│ 目标仓位
▼
┌─────────────────────┐
│ axon-exchange │
│ (Binance/OKX 下单) │
└─────────────────────┘
统一数据管道图¶
AXON 的所有模块共享同一套数据流，从源头到消费端无格式转换断层：
┌─────────────────────────────────────────────────────────────────────────────┐
│ 数据源层 (DataSource) │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ CSV 文件 │ │ Parquet │ │ WebSocket│ │ Mock │ │ 交易所 API│ │
│ │ (本地) │ │ (列式) │ │ (实时流) │ │ (合成) │ │ (REST) │ │
│ └────┬─────┘ └────┬─────┘ └────┬─────┘ └────┬─────┘ └────┬─────┘ │
│ └─────────────┴─────────────┴─────────────┴─────────────┘ │
│ │ │
│ ▼ │
│ ┌────────────────────────────┐ │
│ │ axon-data (统一接入) │ │
│ │ - schema 校验 │ │
│ │ - 时间对齐 / 去重 │ │
│ │ - 列式缓存 (mmap) │ │
│ └─────────────┬──────────────┘ │
│ │ │
│ ▼ │
│ ┌────────────────────────────┐ │
│ │ Arrow RecordBatch (内存) │ │
│ │ ┌────────────────────────┐ │ │
│ │ │ timestamp │ open │ ... │ │ ← 零拷贝，多语言共享 │
│ │ └────────────────────────┘ │ │
│ └─────────────┬──────────────┘ │
│ │ │
└──────────────────────────────────┼──────────────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────────────────────────┐
│ 消费层 (Consumers) │
│ │
│ ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ │
│ │ TradingEnv │ │ FeaturePipeline │ │ BacktestEngine │ │
│ │ (axon-rl) │ │ (axon-data) │ │ (axon-backtest)│ │
│ │ │ │ │ │ │ │
│ │ reset() ──→ obs │ │ fit() / transform│ │ L1/L2/L3 撮合 │ │
│ │ step() ──→ (o,r,d,i)│ → FeatureMatrix │ │ + 冲击模型 │ │
│ └────────┬────────┘ └────────┬────────┘ └─────────────────┘ │
│ │ │ │
│ │ ▼ │
│ │ ┌─────────────────┐ │
│ │ │ InferenceEngine │ │
│ │ │ (axon-inference)│ │
│ │ │ │ │
│ │ │ ONNX / Candle │ │
│ │ │ 批推理 < 1ms │ │
│ │ └────────┬────────┘ │
│ │ │ │
│ └────────────────────┼──────────────────────────────────────────┘
│ │
│ ▼
│ ┌────────────────────────────┐
│ │ ExchangeAdapter │
│ │ (axon-exchange) │
│ │ Binance / OKX 实盘下单 │
│ └────────────────────────────┘
│
└─────────────────────────────────────────────────────────────────────────────┘
数据流关键节点说明¶
-
DataSource：
axon-data的DataSourcetrait 统一封装 CSV / Parquet / WebSocket / Mock / 交易所 API 五种数据源。新增数据源只需实现fetch(&self, req: DataRequest) -> Result<Dataset, DataError>。 -
Arrow RecordBatch：所有数据源最终转换为 Arrow 列式格式。
Dataset::iter_batches()返回&RecordBatch，下游模块通过downcast_ref::<Float64Array>()直接读取列数据，无中间结构体分配。 -
TradingEnv：从
RecordBatch中提取MarketBar（OHLCV），按EnvConfig初始化组合状态。step()内部将动作解码为订单，调用Executor撮合，更新PortfolioState。 -
FeaturePipeline：对
Dataset执行fit_transform()，输出FeatureMatrix（Vec<f32>行优先）。该矩阵可直接喂给 ONNX / Candle 推理引擎，或作为Observation进入TradingEnv。 -
InferenceEngine：接收
Observation（含features: Vec<f32>），通过BatchInferencePipeline异步批处理，返回Action。CPU 亲和性模块自动绑核，降低跨核 cache miss。 -
ExchangeAdapter：生产环境下，
Ensemble的最终动作通过ExchangeAdapter::place_order()提交到 Binance / OKX。回测环境下，同一动作通过BacktestEngine::execute()在本地撮合。
AI 原生价值总结¶
| 传统痛点 | AXON 的 AI 原生方案 | 对应模块 |
|---|---|---|
| 训练/生产数据格式不一致 | Arrow RecordBatch 统一列式存储，零拷贝透传 | axon-data |
| 回测引擎与实盘引擎两套代码 | TradingEnv 底层即回测撮合，上实盘仅替换 ExchangeAdapter | axon-rl + axon-backtest + axon-exchange |
| 模型训练完无法解释 | Explainer trait 内建，每步决策同步生成 SHAP + 反事实报告 | axon-explain |
| 单模型鲁棒性差 | Ensemble 支持 5 种集成策略，在线监控自动调权 | axon-ensemble |
| 超参优化与主项目松耦合 | axon-hpo 原生集成 Optuna + NSGA-II，直接操作 TradingEnv | axon-hpo |
| 模型部署需手动导出 + 封装服务 | axon-inference 三后端 + 热更新 + 批推理，开箱即用 | axon-inference |
| LLM 与量化系统割裂 | axon-llm ReAct 智能体内置交易工具，通过 Ensemble 与 RL 协同 | axon-llm + axon-ensemble |
核心理念
AXON 的 AI 原生设计并非追求"用最前沿的模型"，而是追求"让最前沿的模型能顺畅地融入量化交易全链路"。数据一致、代码一致、解释一致、部署一致 —— 这是 AXON 与传统框架的本质区别。