博客

同一个策略在 A 平台年化 28%、搬到 B 平台只剩 12%，大概率不是代码写错了。跨平台回测对不上的根因无非两类：数据不一致或算法不一致——复权方式、期货主力合约合成规则、分钟 K 线切割、均线算法实现差异都是高频元凶。本文给出一条「先对齐数据、再对齐算法」的六步排查流程和八条自查清单。

《我把量化大脑蒸馏进了公众号》的补充：公众号后台适合短问答，写策略代码用腾讯元器体验更好（免费点链接即用）。并反思——AI 真正该干的事是帮你做更好的决策，而不是替你决策。

把过去三年积累的量化研究经验——11 个平台文档、踩坑日志、方法论碎片——蒸馏进公众号后台的 AI。读者提问时，AI 调用的不只是通用大模型，还有平台官方文档和实战踩坑记录。

PowerQuant RAG 大更新：金字塔 291 个系统公式全量导入、TBQuant 编程技巧与实战教程补全、新增 PowerQuantBacktest 平台。AI 现在能给你别人跑通的做法，而不只是理论上该怎么做。

一个经济学家的未完成：系统盘点高盛、AQR、Ray Dalio 等国际顶流投行/机构的大宗商品研究框架——双锚模型、冰山理论、超级周期、全天候、时序动量、分类体系、分化信号、组合配置八套框架。

让 AI 自己证明进化出的夏普 1.33 策略不是 curve-fit：Walk-Forward、逐年 Sharpe、参数微扰、Regime 分解四维度交叉验证，3 PASS + 1 WARN + 0 FAIL。附 Meta-Labeling 失败的反讽。

用 PowerQuant Backtest（Rust 引擎，比 vnpy 快 13.5 倍）+ Claude Code 的 loop 循环，让 AI 自主迭代 110 轮、420 次回测，从夏普 −0.17 一路进化到 1.33，16 年仅一年亏损，最大回撤 9.1%——每一行代码都是它写的。

PowerQuant RAG（11 平台 6350+ 文档块的 MCP 服务）四种接入方式全写清楚：Claude Code 改 JSON、Cursor 图形界面、Python 直接调 HTTP、curl 验证。照着复制粘贴，五分钟跑通。

PTrade、文华、通达信、天勤、TB、金字塔——9 个量化平台，9 个语言坑，AI 写代码的最大问题不是写不出来，是「假装完成」。本文整合 7 天 AI 量化实战课的全部干货：从量化全貌、平台选型（含 AI 推荐排序：天勤 > 无限易/易盛 > TB/金字塔 > 文华）、RAG/MCP/Agent/Skill/Prompt 五大 AI 工具箱、用 AI 进化策略的闭环、过拟合自查 5 步清单、模拟盘 3 天 → 最小仓位 1 周 → 正常仓位实盘路径，到复盘提示词模板和知识库闭环格式。读完一小时，从零到实盘一站式讲透。

PTrade 是恒生电子量化交易系统，代码跑在券商服务器上、延迟低但门槛高。AI 写 PTrade 代码最大的问题不是写不出来，是「假装完成」——看起来对，跑起来错。本文给出完整解法：用 RAG 让 AI 读懂官方文档、6 条 Prompt 撰写要点、一个 RSI 策略从 0 到 1 的实战示例、以及人工审核 checklist 的 7 个检查项。

如果因子本身也在失效呢？这个问题比「回测不准」更深一层。本文整理 16 篇顶级期刊论文（JF/RFS/JFE/JPM/FAJ）：Harvey 等人统计学术界已发表 316 个因子，Hou 等人逐一复现 452 个因子后发现 84% 不显著；McLean & Pontiff 发现因子发表后收益下降 58%；arXiv 2026 论文揭示 AI 让信号半衰期从 5-7 年缩到 18 个月；Alexander & Fabozzi 提出 MRP 指标，全样本 Sharpe 1.14 的策略最差制度表现 -0.05。最后给出六大应对方案的横向评估。

5 个期货接口 + 6 个期货平台 + 5 个股票工具，一篇文章讲清楚谁是谁、怎么选。

市场不会跟你讨论价值观，它只用价格运动告诉你——你的世界观评分是多少。本文从生态视角切入，揭示每一笔交易本质上都是一次价值观投票。规则可以复制，信念不能移植；巴菲特能拿住不是意志力，是他骨子里真的信。仓位是信念的物理形态，亏损是市场给你的正向反馈——只要你愿意被修正。

台湾 390 万散户年化亏损相当于 GDP 的 2.2%；上交所 5300 万账户数据显示 10 万以下散户平均每年亏 20.53%。被反复验证 25 年的研究结论：交易频率越高，净收益越低。本文用真实数据揭示过度自信、处置效应、多巴胺陷阱如何让你越操作越亏钱，以及为什么富达内部研究发现'死账户'收益超过绝大多数积极管理账户。

国家统计局 2025 年数据：周均工作 48.6 小时，比法定标准多 22%。但印尼年工作 2150 小时，人均 GDP 只有德国的 1/10。这不是鸡汤，是被反复验证的结论——越努力越贫穷。本文从贫困陷阱 S 型曲线、稀缺心态偷走大脑带宽（智商测试掉 27 分）、战术勤奋 vs 战略懒惰、时间管理死亡螺旋，到 Barber & Odean 6.6 万账户数据验证「交易越频繁越亏」，揭示努力的方向为什么比努力的强度重要 100 倍。

PowerQuant 是什么、4 个 AI 工具能做什么、平台资料怎么用——一篇带你认全。

一套开箱即用的量化知识库，覆盖 9 家主流量化平台（PTrade/聚宽/TBQuant/天勤等）。通过 Claude Code + MCP 协议接入，0 配置、0 维护、0 费用。4 个真实场景演示如何用它从零写策略、跨平台迁移、优化回撤、排查 bug。

零基础教程：用 Claude Code + PowerQuant 这套开源工具链，10 分钟搭好 AI 股票分析工作流。从单股速读、板块扫描到全市场筛选、协整套利，6 个开箱即用技能覆盖常见分析场景。每一步都基于真实行情数据，可验证、可复用。

为什么越努力反而越穷？这篇用结婚率、养老金、养育成本的真实数据拆解——个体的努力在很多结构里只是替别人减轻负担。量化交易之所以吸引人，正因为它给了跳出这套循环的一条缝。

回测年化 30% 的策略，实盘几个月就被滑点吃光利润。问题不在代码或参数，而在古典概率本身——市场是活的系统，参与者在变、制度在变、环境在变。本文从频率派 vs 贝叶斯派的根本分歧切入，讲清为什么历史胜率不能直接外推、什么是制度切换的空窗期、以及为什么贝叶斯的真正优势不是快而是连续。

PTrade 量化交易完整入门教程：从平台环境、策略骨架、下单函数，到行情订阅、回测要点、实盘陷阱。附一个完整的均线策略示例，照着写就能跑通第一个 PTrade 策略。

系列收尾——当 AI 能自己进化策略、自己写代码，人在量化交易里还剩下什么位置？判断力。AI 负责海量的试错和模式识别，人负责想清楚要让它去跑什么。

当 AI 越来越强，怎么防止它乱来？Harness（规则之治）是给 AI 立规矩的那一层——用《韩非子》的法家智慧类比：与其期待 AI 自觉，不如把规则写死在流程里。

PowerQuant 在 CrawdQuant 基础上更进一步——不只让 AI 懂量化，还给它一个 Rust 写的高速回测引擎，让 AI 能自主进化策略：定目标、定约束，然后让它自己试错、自己修正。

CrawdQuant 是一套把量化知识库装进 Claude Code 的工具——让 AI 从只会写通用代码，变成能调用平台文档、写出可运行策略代码的量化编程助手。附 Skills 与 MCP 机制说明。

AI 要在量化交易里真正发挥作用，前提是它得懂量化知识。直接拿通用大模型写策略代码会踩哪些坑，为什么需要一个专门的量化知识库——这是整系列的开篇。

一直造工具、不去做交易——这是量化开发者最常见的陷阱。反思自己花在打磨工具上的时间，和真正拿来赚钱的策略时间，到底哪个更多。