AI 量化实战课：从零到实盘的完整指南
AI 量化实战课：从零到实盘的完整指南
PTrade、文华、通达信这些量化平台的门槛确实不低，各种函数的坑也比较多，如果你看完还是拿不准，别硬扛，找我来代写就行，收费不贵。
本文整合了 7 天 AI 量化实战课的全部干货，不需要 7 天，一小时就能读完。从量化全貌到实盘运行，一站式讲透 AI 量化的完整路径。
我用 AI 帮客户写量化代码快两年了。
最开始，客户发来的需求五花八门——有人想要一个均线交叉策略，有人想要一个网格交易，有人连”量化”两个字是什么意思都说不清楚。
但有一个问题，几乎每个人都会问：
“我该从哪里开始？”
这篇完整指南，就是回答这个问题的。从零开始，用 AI 写出能跑的量化策略。不是理论课，是实战干货。
7 天你能学到什么
| 阶段 | 内容 | 你能做什么 |
|---|---|---|
| D1 | 量化全貌 + AI 写第一个策略 | 拿到代码 |
| D2 | AI 工具箱（RAG/MCP/Agent/Skill/Prompt） | 让 AI 从助手变成战友 |
| D3 | 平台实战（股票/期货） | 跑出第一份回测 |
| D4 | AI 帮你进化策略 | 回测数据越来越好 |
| D5 | 防坑 + 上实盘 | 过拟合自查通过，实盘跑起来 |
| D6 | AI 复盘 + 知识库闭环 | 让每一笔亏损变成优化数据 |
| D7 | 整合进化 | 从一个策略到一套交易系统 |
本文目标只有一个：动手。
量化全貌
先别急着想策略。花 3 分钟搞清楚量化到底有几条路。
很多人上来就说”我想学量化”。但量化只是一个方法，不是目的。你得先搞清楚，你想用量化做什么。
大致有四个方向：
① 股票量化——用代码自动选股、自动交易。比如每天开盘前自动筛选符合条件的股票，自动下单。适合有股票交易经验、想提高执行效率的散户。
② 期货量化——用代码自动跟踪品种、自动下单、自动止损。期货品种 50 多个，手动盯盘根本盯不过来。适合有期货经验、想扩大品种覆盖面的交易者。
③ 信息收集——不让 AI 做交易决策，只让 AI 帮你收集和分析信息。比如每天自动抓新闻、公告、持仓数据，生成投研简报。适合不想让机器做决策、但想提高信息效率的主观交易者。
④ 平台搭建——自己搭一套完整的量化系统，数据获取、策略引擎、回测、执行，全部自己搞。适合有编程基础、想深入量化开发的技术人员。
四个方向，门槛从低到高：信息收集 < 股票量化 <= 期货量化 < 平台搭建。
如果你是第一次接触量化，建议从信息收集或股票量化开始。这两个方向的工具最成熟、门槛最低。
现在有 AI 帮你写代码，你不需要会编程。 这件事放在 2026 年，是基本功，不是什么高科技。
很多人把”量化""程序化""主观”三个词混着用，其实不一样。
主观靠经验和感觉，程序化靠明确规则，量化靠数据和统计。
但实际操作中，大多数人都是混合用——用量化找规律，用程序化执行，用主观做最终判断。
量化不是替代你的判断，是让你的判断有数据支撑。
这些概念后面还会展开，知道个大概就行。
主流平台一句话带你认个脸（后面会详细讲）：
PTrade——云端量化，代码跑在券商机房，小白首选。
QMT——本地量化，跑在自己电脑上，Python 生态自由。
文华财经——期货量化最普及的平台，用麦语言写策略。
通达信——指标和选股的王者，用户基数最大。
聚宽——在线免费平台，学习阶段的好帮手。
不知道选哪个？先选你开户的券商提供的平台。能用免费的，不要花钱。
动手——用 AI 写你的第一个策略
说了这么多，现在动手。
只需要三步：打开 AI → 用大白话描述你的策略 → 告诉它你要用的平台 → 拿到代码。
股票版示例（PTrade）
打开任意 AI 工具（DeepSeek、ChatGPT、豆包都行），复制这段话发给它：
我想要一个最简单的双均线策略，用于A股：
买入条件：5日均线向上突破20日均线
卖出条件：5日均线向下跌破20日均线
每次全仓买入，每次全仓卖出
请用PTrade的Python接口写出来。AI 会给你一段代码，大概长这样：
def initialize(context):
g.security = '600519.SH' # 贵州茅台
g.short_window = 5
g.long_window = 20
def handle_data(context):
price = get_history(g.short_window + g.long_window, '1d', 'close', [g.security])[g.security]
ma5 = price[-g.short_window:].mean()
ma20 = price[-g.long_window:].mean()
short_ma = price[-g.short_window - 1:-1].mean()
long_ma = price[-g.long_window - 1:-1].mean()
if short_ma < long_ma and ma5 > ma20:
order_target_percent(g.security, 1)
elif short_ma > long_ma and ma5 < ma20:
order_target_percent(g.security, 0)期货版示例（文华麦语言）
做期货的话，提示词改成这样：
我想要一个最简单的双均线策略，用于期货：
买入条件：5日均线向上突破20日均线，买开
卖出条件：5日均线向下跌破20日均线，卖开
请用文华财经的麦语言写出来。AI 会给你这样的代码：
MA5:=MA(CLOSE,5);
MA20:=MA(CLOSE,20);
CROSS(MA5,MA20),BK;
CROSS(MA20,MA5),SK;四行代码，就是一个完整的期货双均线策略。BK 是买开，SK 是卖开。
你看，你一行代码都没写，但已经有了两个能跑的策略雏形。
当然，这些代码大概率跑不通。函数名可能不对，参数可能搞混，平台的 API 可能不是这么用的。
没关系。
“代码跑不通”这件事本身，就是接下来要解决的问题。 让 AI 帮你写了第一段量化代码，这就够了。
做股票的看 Part 1 就够了，做期货的直接跳到 Part 2。
股票量化平台
股票量化平台不多，主要三个。
PTrade——恒生电子出品，云端量化首选
PTrade 是目前最主流的券商端量化工具。
开发商：恒生电子 | 语言：Python | 特点：代码跑在券商机房
PTrade 的核心优势是代码在券商服务器上执行——下单延迟极低，不需要你电脑一直开着，死机断网都不影响。
开通条件：10 万资金门槛，联系你的券商客户经理申请。大部分券商都支持。
一句话：实盘交易选 PTrade，省心省力。
QMT——迅投出品，本地量化的灵活选择
QMT 和 PTrade 相反，策略代码跑在你自己的电脑上。
开发商：迅投 | 语言：Python | 特点：Python 生态自由
想装什么库就装什么库，pandas、numpy 随便导入，本地调试方便。适合有 Python 基础、想做复杂策略的用户。
miniQMT 是轻量版，安装客户端后用 Python 直接调用 xtquant 库就能交易，上手不难。
一句话：有 Python 基础选 QMT，零基础选 PTrade。
通达信/同花顺——不能做量化，但指标编写最普及
通达信和同花顺不是量化平台，它们是看盘软件。
它们的公式系统只能写指标和选股公式，不能自动下单交易。但用户基数最大，很多人写股票指标都是从通达信公式开始的。
如果你只想写技术指标、做条件选股，通达信够用了。想自动交易，还是得用 PTrade 或 QMT。
一句话：写指标用通达信，做量化用 PTrade/QMT。
期货量化平台
期货量化平台比股票多得多——麦语言、tbl、PEL、Python，每种语言背后都是一个平台生态。
文华财经——期货量化入门第一站
文华财经是国内期货交易最普及的软件，没有之一。
语言：麦语言 | 收费：年费 | 特点：用户基数最大，网上教程最多
麦语言是专门为交易设计的简单脚本语言。会写 Excel 公式的人，半小时就能上手。
最经典的入门示例——四行代码就是一个完整的双均线策略：
MA5:=MA(CLOSE,5);
MA20:=MA(CLOSE,20);
CROSS(MA5,MA20),BK;
CROSS(MA20,MA5),SK;MA5 是 5 日均线，MA20 是 20 日均线。CROSS 是交叉函数。BK 是买开，SK 是卖开。
逻辑很直白：短期均线向上穿过长期均线，买开；反过来，卖开。
文华适合纯小白入门。 四行代码就能跑策略，门槛极低。但麦语言不支持复杂逻辑，想进阶得换平台。
金字塔——文华的平价替代
金字塔是另一个麦语言系平台，语言叫 PEL。
语言：PEL（类麦语言） | 收费：年费（比文华便宜） | 特点：性价比高
功能和文华类似，支持回测和实盘。如果你觉得文华年费贵，金字塔是不错的替代。
TB（交易开拓者）——功能最强大，门槛也最高
TB 是国内最专业的期货量化平台之一。
语言：tbl 语言 | 收费：按交易收手续费加成 | 特点：功能最强大，专业用户首选
TB 支持多品种、多周期、多策略同时运行，支持复杂仓位管理和止损止盈逻辑，支持 DLL 扩展。
功能确实强大，但 tbl 语言学习门槛高。 AI 写的 Python 代码不能直接用，需要翻译成 tbl，多一步就多一个出错环节。
一句话：策略简单用麦语言，策略复杂再考虑 TB。 有编程基础的人可以直接上，零基础别碰。
Python 系平台是 AI 量化的最佳拍档。 AI 写的代码能直接跑，不需要翻译。
天勤 tqsdk——AI 量化首选
语言：Python | 收费：收费 | 特点：数据接口+回测+实盘一体化
天勤是目前最适合 AI 量化的期货平台，没有之一。
Python 原生支持，数据接口、回测引擎、实盘交易全在一个 SDK 里搞定。AI 写的策略代码基本不需要改，直接就能跑回测、跑实盘。
如果你认真做 AI 量化，天勤是第一选择。 省掉翻译环节，AI 写代码→回测→实盘，一条龙。
无限易——免费的 Python 期货平台
语言：Python | 收费：免费 | 特点：零成本入门
无限易最大的优势是免费。 Python 写策略，实盘交易，不花一分钱。
缺点是回测功能受限或者没有。想先免费试试 Python 期货交易，无限易是个好入口。
易盛极星量化——另一个免费选择
语言：Python | 收费：免费 | 特点：零成本入门
和无限易类似，免费 Python 平台，实盘交易没问题。
回测功能同样受限。无限易和易盛二选一就行，哪个顺手用哪个。
AI 量化平台怎么选？
九个平台过完了，到底选哪个？
AI 推荐排序
天勤 > 无限易/易盛（免费）> TB/金字塔 > 文华
为什么这个排序？
第一原则：Python 最适合 AI 量化。
AI 最擅长写 Python 代码。你让 AI 写一个双均线策略，它直接输出 Python，复制粘贴就能跑。
但如果你的平台用麦语言、tbl、PEL 呢？ AI 也能直接写这些语言，但问题在于：AI 对 Python 的训练数据最充分，写出来的代码最靠谱。对麦语言、tbl、PEL 这些小众语言，AI 的训练数据少，写出来的代码经常有语法错误或者用了不存在的函数。
想让 AI 写好小众语言，必须搭一套 RAG 知识库来约束它——把平台的 API 文档、函数手册、踩坑记录全部喂给 AI，它才能写出能跑的代码。这套知识库的搭建和维护成本不低。
天勤排第一：Python 原生 + 数据+回测+实盘一体化。 AI 对 Python 最熟悉，写出来基本不用改，开箱即用。
无限易/易盛排第二：免费 Python，但有取舍。 零成本入门，适合先试试水。回测功能受限是主要短板，做简单策略够用，做复杂策略得换天勤。
TB/金字塔排第三：功能强大但语言小众。 AI 也能写 tbl 和 PEL，但训练数据不够充分，必须搭 RAG 知识库来约束输出质量。如果你愿意花时间搭知识库，TB 的功能确实强大。
文华排最后：最普及但麦语言同样面临训练数据不足的问题。 简单策略 AI 还能应付，复杂策略需要完整的 RAG 框架支撑，维护成本高。
一句话总结：做 AI 量化，选 Python 平台，天勤优先，预算紧选免费的无限易或易盛。 麦语言系适合手工写简单策略，不适合 AI 驱动的量化工作流。
为什么 AI 写的代码跑不通？
很多朋友用 AI 写出的代码，回去一跑就报错了。不是函数名不对，就是参数传错了，要么跑是跑通了，回测结果一看——不对劲。
AI 很聪明，但它不了解你的战场。
我帮客户写策略这两年，遇到最多的情况就是：客户跟我说”帮我写个 PTrade 的双均线策略”，AI 洋洋洒洒写了一篇，结果里面用的是聚宽的 get_price 函数。PTrade 根本不认这个函数。
它用的是 get_price 没错，但参数格式、返回值结构、数据字段名——全不一样。
具体来说，AI 写出来的代码跑不通，主要有三个原因：
第一，平台 API 不同。 PTrade 取数据用 get_price，文华财经用 MA、CROSS 这些内置函数，通达信用 MA(CLOSE,5) 这种公式语法。同一个”取 5 日均线”的需求，三个平台三套写法。AI 不知道你用的是哪个平台，它只能猜。
第二，市场规则不同。 每个品种的涨跌停限制不一样，手续费率不一样，保证金比例不一样，品种乘数不一样。AI 写的代码里，下单手数可能没考虑保证金限制，止盈止损可能没考虑涨跌停。这些细节，不写在代码里，回测结果就是假的。
第三，你的习惯 AI 不知道。 有人喜欢固定仓位，有人喜欢按比例下单，有人要加手续费过滤，有人要加时间窗口限制。这些个性化的风控要求，AI 不会自己替你想。
AI 是通才，你要让它变专才。
RAG——让 AI 先查后写
【AI 知识：RAG 检索增强生成】
RAG，全名叫 Retrieval-Augmented Generation，检索增强生成。
听着很高大上，但你每天都在用。
你在微信里问朋友”那家餐厅叫什么来着”，朋友去聊天记录里翻了一下告诉你——这就是 RAG。
RAG 的本质就是：让 AI 先查资料，再回答问题。
为什么需要 RAG？三个原因：
- LLM 知识有截止日期，最新的 API 文档它没见过
- 它会记混不同平台的函数名和参数
- 它学到的版本可能已经过时了
RAG 就两步：检索 + 生成。 先从你的知识库里找到相关资料，再根据资料来回答。
打个比方：AI 就像一个刚入职的新员工，学历很高，反应很快，但没去过你的公司。你指望它第一天就能独立干活？不可能。你得给它一本公司手册，让它遇到不懂的就去翻。
RAG 就是那本手册。 不是让 AI 去学，而是让 AI 去查。
我帮客户写代码，第一次写得跑不通的概率超过 50%。但只要客户把平台文档发给我，准确率直接飙到 80% 以上。剩下的 20% 是交易逻辑层面的问题，不是技术问题了。
知识库存什么 + 怎么搭？
存什么？三类东西：平台文档、交易规则、经验积累。
平台文档
最基础，最关键。你的平台有哪些函数？参数是什么？返回值什么格式？这些必须让 AI 能查到。
以 PTrade 为例，知识库里至少包含：
- 数据获取函数：
get_price、get_history、get_fundamentals等 - 交易函数：
order、order_target、order_target_percent等 - 定时函数：
run_daily、run_interval等 - 账户函数：
get_positions、get_orders、get_balance等
交易规则
AI 写的策略逻辑没问题，但你跑起来发现：买了一手螺纹钢，账户直接爆了。因为 AI 不知道螺纹钢的保证金比例。
知识库里应该包含你常做品种的关键参数：品种乘数、手续费率、保证金比例、涨跌停限制。不需要很精确，大概范围就够了。
具体来说：
- 品种乘数：螺纹钢 10 吨/手，沪金 1000 克/手，沪深 300 指数 300 元/点
- 手续费率：不同品种手续费标准不同，平今仓和平仓也可能不同
- 保证金比例：各品种不同，一般在 10%-20%
- 涨跌停限制：股票 ±10%（ST 股 ±5%），期货品种各有不同
经验积累
这是知识库最有价值的部分。你踩过的坑、验证过的方法、有效的参数组合——这些 AI 的训练数据里绝对没有。
比如：
PTrade 里用
include=True取日线数据，在分钟线策略里会把当日盘中最新价当成收盘价返回，造成未来数据泄漏。必须用include=False。
这种坑，不踩过根本想不到。但你踩过一次，写进知识库，AI 下次就不会犯了。
再比如： 双均线策略在震荡行情中表现很差，加入 ATR 过滤后回撤明显减小。这种经验，不自己跑一遍是不知道的。写进知识库，下次 AI 写策略时就会自动考虑。
知识库越丰富，AI 写出来的代码越靠谱。
怎么搭？三种方式
别被”RAG”这个词吓到。你不需要懂 Embedding，不需要搭向量数据库。
方式一：直接贴文本。 打开 AI 对话框，把 API 文档复制粘贴进去，说”这是我的平台文档，请按这个来写”。最简单粗暴，也最有效。缺点是每次新开对话都要重新贴。
方式二：本地文件让 AI 读（推荐）。 把文档放在项目文件夹里，让 Claude Code、Cursor 这类工具自动读取。比每次手动粘贴方便多了。
知识库文件夹可以这样组织：
PTrade知识库/
├── API参考手册.txt
├── 常用品种参数.txt
└── 踩坑记录.txt方式三：RAG 工具（进阶）。 有些 AI 工具原生支持 RAG，把文档上传到知识库，每次对话自动检索。Claude 的 Artifacts、Kimi 的长文档解析、ChatGPT 的文件上传都能实现。
实操建议：方式一和方式二就够了。不要在工具上花时间，把精力花在整理文档上——文档质量决定代码质量。
MCP——让 AI 连接外部世界
【AI 知识：MCP 模型上下文协议】
MCP，全名叫 Model Context Protocol，模型上下文协议。
听起来又是技术名词，但道理很简单。
MCP 是一个标准协议，让 AI 能调用外部工具。
到目前为止，AI 只能”你问它答”。它困在自己的对话框里，看不到外面的世界。
MCP 给 AI 装上了眼睛和手——它能直接查行情、读研报、调接口。
实际应用场景：
- 连接交易平台 API：AI 直接读取你的持仓、委托、账户信息
- 连接数据源：AI 直接拉取实时行情数据、财务数据
- 连接新闻源：AI 直接读取最新公告、研报、新闻
有了 MCP，AI 从”你问它答”变成”它能自己干活”。
举个例子：以前你要让 AI 写策略，得自己把行情数据复制过去给它看。有了 MCP，AI 自己就能去数据库里拉数据、分析、写代码、跑回测——全链条自动完成。
这部分点到为止，知道 MCP 是什么、能干嘛就够了。具体怎么配置，等你有需求了再深入。
Agent——让 AI 自己跑任务
【AI 知识：Agent 智能体】
Agent，智能体。
跟普通 AI 聊天有什么区别？
普通 AI：你问一句，它答一句。你不说下一步，它就等着。
Agent：你给它一个目标，它自己规划步骤、执行、检查、调整，循环往复直到完成。
打个比方：
- 普通AI = 实习生。每一步都要你教，你不说”下一步干什么”，它就愣在那
- Agent = 老员工。你跟他说”把这个策略的夏普比率优化到 1.5 以上”，他自己分析、改代码、跑回测、看结果、再调整，循环直到达标
Agent 的核心就是”自主循环”。
在量化中的应用场景：
你给 AI 一个目标——“把这个双均线策略的夏普比率从 0.8 优化到 1.5 以上”。
Agent 会自己：
- 分析当前回测结果
- 找到可能的问题（比如止损参数不合适）
- 修改代码
- 重新回测
- 对比结果，决定下一步调整方向
- 循环直到达标或达到次数上限
你不需要手把手教它每一步，你只需要定义目标和约束。
Agent 现在还在快速发展中，但这个方向是确定的：AI 会越来越能自主干活。了解这个概念，就是提前看到未来的工作方式。
Skill——把经验固化成可复用的规则
【AI 知识：Skill 技能】
Skill，技能。
Skill 就是把经验教训写成结构化规则，AI 每次自动调用。
跟 RAG 有什么区别？
- RAG 是”遇到不懂的，去查一下”
- Skill 是”不管有没有遇到，每次都按这个做”
打个比方：
RAG 是一本参考手册，你需要的时候去翻。Skill 是公司规章制度，贴在墙上，每个人都必须遵守。
在量化中的应用场景：
踩坑 → 写成 Skill → AI 自动规避。 比如”PTrade 必须用 include=False”，写成 Skill 后，AI 每次写取数据代码都会自动加上这个参数，不用你每次提醒。
风控规则 → 写成 Skill → AI 自动加入。 比如”单笔交易不超过总资金 10%“，写成 Skill 后，AI 每次生成交易逻辑都会自动检查仓位比例。
过拟合检查 → 写成 Skill → AI 自动跑。 比如”任何策略上线前必须用样本外数据验证”，写成 Skill 后，AI 回测完会自动进行样本外测试。
Skill 让你的经验不会丢、不会被忽略。
RAG 是 AI 的图书馆，Skill 是 AI 的习惯。图书馆要主动去查，习惯是自动执行的。
对于量化交易来说，Skill 的价值甚至大于 RAG。因为交易中的很多规则——风控、仓位、止损——不是”偶尔需要”，而是”每次都必须”。写成 Skill，AI 就不会遗漏。
Prompt Engineering——怎么跟 AI 有效沟通
【AI 知识：Prompt Engineering 提示工程】
最后一个概念，也是最实用的一个。
你有没有发现：同样一个需求，换一种说法，AI 给出的结果天差地别？
这就是 Prompt Engineering 要解决的问题——怎么跟 AI 有效沟通。
提示词的质量决定了 AI 输出的质量。
三条核心原则：
第一，具体化。 不要说”帮我写个策略”，要说”帮我写一个 PTrade 双均线策略，5 日和 20 日均线，金叉买入死叉卖出，每次交易 100 股，标的 000001.SZ”。越具体，AI 越不会跑偏。
第二，给格式。 告诉 AI 你想要什么格式的输出。比如”请按以下格式输出：1.策略逻辑说明 2.完整代码 3.风险提示”。给格式，AI 输出的结构就不会乱。
第三，给背景。 告诉 AI 你的具体情况。“我是量化新手，用的是 PTrade 实盘账号，资金 10 万，主要做 A 股。“背景信息越多，AI 越能给出适合你的方案。
好的提示词 = 明确的目标 + 具体的约束 + 清晰的格式
动手——用 RAG 重写 D1 的代码
来，实操一下。
我们在第一课写过一个双均线策略。当时没有给 AI 任何平台信息，它写出来的是一份”看起来对但其实跑不了”的代码。
现在，我们给 AI 喂一份 PTrade 的 API 文档片段，让它重新写。
不用知识库时的代码（第一课版本）
def initialize(context):
context.security = '000001.SZ'
context.short_window = 5
context.long_window = 20
def handle_data(context, data):
price = data[context.security].price
short_ma = data[context.security].mavg(context.short_window)
long_ma = data[context.security].mavg(context.long_window)
if short_ma > long_ma:
order(context.security, 100)
elif short_ma < long_ma:
order(context.security, -100)这段代码用的是聚宽的 API 风格。data[security].price、data[security].mavg()——这些在 PTrade 里都不存在。跑起来直接报错。
用知识库后的代码
我们先给 AI 这段信息：
“请阅读以下 PTrade API 文档片段：
get_price(security, start_date, end_date, frequency=‘daily’, fields=None, include=False)
获取历史行情数据。frequency 支持 ‘daily’、‘1m’、‘5m’ 等。include=False 表示不包含当天数据。
order(security, amount)
买入 amount 为正，卖出 amount 为负。
get_current_data(security)
获取当前行情快照。
请用以上 API 写一个 PTrade 双均线策略。”
AI 会写出这样的代码：
def initialize(context):
g.security = '000001.SZ'
g.short_window = 5
g.long_window = 20
def handle_data(context):
security = g.security
# 获取历史数据
prices = get_price(security, count=g.long_window+1,
frequency='daily', fields=['close'],
include=False)
if len(prices) < g.long_window:
return
closes = prices['close']
short_ma = sum(closes[-g.short_window:]) / g.short_window
long_ma = sum(closes[-g.long_window:]) / g.long_window
# 获取当前持仓
position = get_position(security)
if short_ma > long_ma and position.total_amount == 0:
order(security, 100)
elif short_ma < long_ma and position.total_amount > 0:
order(security, -position.total_amount)差别很大，但关键差别只有三个：
- 数据获取方式不同：用
get_price代替了data[security] - 持仓判断不同：用
get_position代替了假设有的持仓查询 - 使用了
include=False：避免了未来数据泄漏
这三个差别，就是”跑不通”和”跑得通”之间的距离。
AI 的知识储备足够写对策略逻辑，但平台细节必须靠知识库来补。这就是 RAG 的价值——不需要 AI 什么都懂，只需要它能查到对的参考资料。
大多数人怎么改策略？
拿到一份不好看的回测报告，99% 的人会做同样的事——手动调参数。
把均线的 5 日改成 10 日，把 20 日改成 30 日。加一个 MACD 过滤，再叠加一个布林带条件。成交量太小就加个成交量门槛，波动太大就加个波动率限制。
改完跑一遍，还是不行。再改，再跑。反复折腾两天，耐心耗尽，放弃。
这不是你的问题。这是方法的问题。
你在用一种叫”穷举法”的方式优化策略。手动试一个参数组合，跑一次回测，看结果，再试下一个。这个过程慢、累、低效。
一个策略可能涉及 5 到 10 个参数，每个参数几十种取值。组合起来就是成千上万种可能性。一个人一天最多试 20 种组合，一年也就几千种。
而 AI，一秒钟就能试完你一辈子的量。
你的时间应该花在更有价值的事情上——想清楚策略逻辑、判断 AI 给的方案靠不靠谱。至于试参数、跑回测、对比结果，交给 AI。
实操——让 AI 进化你的策略
D2 我们聊过一个概念：Agent 智能体。
Agent 的核心就是”自主循环”。你给它一个目标，它自己规划→执行→检查→调整→循环往复直到完成。
这里就是 Agent 概念在策略优化上的实战。
核心方法论，就一句话：
回测结果喂给 AI → AI 分析问题 → AI 生成改进版 → 再回测 → 循环。
这是一个闭环。跑一遍，改一遍，再跑一遍。每循环一次，策略就进化一代。循环 3 次，你的策略可能已经从年化 5% 进化到合理水平。
怎么让 AI 分析回测报告？
你需要一个好的提示词模板。直接复制下面这段，把括号里的内容替换成你自己的回测数据：
你是一个量化交易策略优化专家。
以下是我当前策略的回测报告：
- 回测时间：【2020-01-01 至 2025-01-01】
- 年化收益率：【8.2%】
- 最大回撤：【-28.5%】
- 夏普比率：【0.6】
- 胜率：【42%】
- 总交易次数：【187次】
- 当前策略逻辑：【双均线交叉策略，5日上穿20日买入，下穿卖出】
请分析这份回测报告，指出最大的3个问题，并针对每个问题给出具体的改进建议。
改进建议要具体到代码层面，不要说"优化参数"，要说"把5日均线改成15日均线"这种级别。AI 会怎么回答？
拿双均线策略举例。AI 拿到这段提示词后，通常会给出 3 个具体的改进方向：
- 方向一：加趋势过滤。 “胜率 42% 太低，说明假突破太多。建议加一个条件——只在 20 日均线向上倾斜时才允许买入。”
- 方向二：降低交易频率。 “交易 187 次太频繁，手续费会吃掉大量利润。建议把均线参数从 5/20 提高到 15/40。”
- 方向三：加止损逻辑。 “最大回撤 28% 太高，说明没有风险控制。建议加一个止损：亏损超过 8% 自动平仓。”
看到没？AI 直接给了你 3 个具体的改进方向，而且每个方向都精确到代码层面。
你要做的
从 3 个方向里挑一个，让 AI 把改进版代码写出来。粘贴到回测平台里，跑第二轮回测。
然后拿新的回测报告，再喂给 AI。再分析，再改进，再跑。
循环往复，策略自动进化。
整个过程你可能只花了 30 分钟。手动做同样的事，可能需要一周。
这就是 Agent 的实战应用：你定目标，AI 自己循环。 你不需要手把手教它每一步，只需要在每一轮结果出来后做判断——这个改进方向合不合理，要不要采纳。
因子——AI 进化的原材料
到这里，你可能已经发现一个问题：AI 分析得很好，但它给的改进建议，基本都围绕均线、MACD、成交量这些传统指标打转。
不是 AI 偷懒。是你没给它足够好的”原材料”。
这个原材料，就叫因子。
打个比方：同样是做菜，给你 3 种食材和给你 50 种食材，做出来的水平能一样吗？因子就是策略的食材，AI 就是厨师。
因子分三大类，各有用途：
技术因子。 用来捕捉价格趋势和波动规律。均线（MA）、动量（Momentum）、波动率（Volatility）、RSI、ATR。技术因子是用量最多的，几乎每个策略都会用到几个。
基本面因子。 用来选股。市盈率（PE）、市净率（PB）、ROE、营收增长率、净利润增速。如果你做的是选股策略，基本面因子是核心。AI 会告诉你：“这个策略在低 PE 股票上表现更好，加一个 PE<20 的过滤条件。”
情绪因子。 用来判断市场情绪。成交量、换手率、涨跌比、涨停家数、北向资金流入。市场情绪对短期走势影响很大，AI 能用情绪因子判断”现在是不是该休息”。
因子是 AI 进化策略的原材料。你喂什么，它就长成什么样。
这句话是核心认知。
你不需要先学因子理论。不需要搞懂 CAPM 模型，不需要背多因子模型的数学公式。你只需要记住一件事：
给 AI 的因子越多，它改进策略的能力越强。
如果你手里有 50 个因子的回测数据，AI 就能综合分析哪些因子有效、哪些因子互相矛盾、哪些因子组合在一起效果最好。如果你只有 3 个因子，AI 只能在 3 个里面反复排列组合，天花板很低。
动手——跑完 2-3 轮优化循环
理论说完了，动手。
目标很简单：跑出第一份回测的策略，用 AI 优化 2-3 轮，看到实质性的改进。
第一轮
第一步：整理回测报告。 把跑出来的回测数据整理清楚。年化收益、最大回撤、夏普比率、胜率、交易次数，一项不落。
第二步：喂给 AI。 用上面的提示词模板，把回测数据替换进去，发给 AI。
第三步：看 AI 的分析。 AI 会给出 3 个左右的改进方向。每个方向思考一下——逻辑上讲不讲得通？有没有道理？
第四步：选一个方向，让 AI 改代码。 不要一次改太多。一轮只改一个方向，这样你才知道哪个改进有效。
第五步：跑第二轮回测。 把 AI 改好的代码粘贴到平台里，跑一遍。记录新的回测数据。
对比
把两份回测数据放在一起对比：
- 年化收益：8.2% → ？
- 最大回撤：-28.5% → ？
- 夏普比率：0.6 → ？
- 胜率：42% → ？
如果关键指标有改善，说明这个改进方向是对的。继续在 AI 新代码的基础上进入第二轮。
如果指标没改善甚至变差了，换一个改进方向重来。
第二轮
拿第二轮回测的报告，再喂给 AI。让它分析”第二轮改进后还有哪些问题”。
再选一个方向，再改，再跑。
第三轮
重复同样的流程。
目标不是追求完美的回测数据，而是在 2-3 轮内让策略从”明显有问题”进化到”逻辑合理、数据说得过去”。
一个策略从年化 5%、回撤 30%，优化到年化 15%、回撤 15%、夏普比率 1.2，这个提升在 2-3 轮内完全可以实现。
整个过程 30-60 分钟。做完这两三轮，你的策略会比之前强一个档次。
回测≠实盘
回测用的是什么？历史 K 线。每一根 K 线都是确定的、干净的、没有毛刺的。
回测里，你想买就买，想卖就卖，价格精准到小数点后两位。信号触发那一刻，成交价就是那一刻的价格。
实盘不是这样的。
实盘里有四个回测遇不到的东西：
- 滑点。 你看到的价格和实际成交价之间有差。你看到螺纹钢 3800，下单成交价是 3802，这 2 个点就是滑点。高频策略尤其敏感。
- 成交延迟。 策略下单到交易所撮合，有几十毫秒到几秒的延迟。行情快的时候，几秒就是几个点。
- 涨跌停。 回测里你能以涨停价买入。实盘？涨停板上一堆挂单排队，你未必排得上。
- 数据延迟。 免费数据源有几秒甚至几十秒的延迟，你的信号本身就是滞后的。
一句话：回测是下限不是答案。 回测告诉你策略的逻辑通不通、有没有基本的盈利空间。但实盘表现一定比回测差，差多少才是关键。
过拟合自查 5 步清单
还有一种更隐蔽的坑：过拟合。
策略被”拟合”到了特定历史数据的形态上，换个市场环境就失效。回测年化 30%、实盘直接亏到怀疑人生。
怎么判断？之前学过一个概念：Skill 技能——把经验固化成可复用的规则，AI 每次自动调用。
现在把过拟合检查做成一个 Skill，以后 AI 每次优化完策略，自动跑一遍。5 步清单：
① 样本外测试。
你用 2020-2023 年的数据优化策略，那就在 2024-2025 年的数据上再跑一遍。策略”没见过”这段数据，如果表现腰斩，大概率过拟合了。
操作方法：把回测时间区间改成优化阶段之外的时间段，跑一次对比。
② 参数敏感性测试。
随便改一个参数，比如均线从 15 改成 16。如果收益直接腰斩，说明策略严重依赖某个精确参数值。这种策略实盘非常脆弱——真实市场的噪声会让你偏离那个”完美参数”。
操作方法：对核心参数做 ±10% 的微调，看回测结果变化幅度。
③ 简单优先原则。
3 个因子组成的策略，大概率比 10 个因子的策略更稳健。因子越多，过拟合风险越大。因为参数组合空间爆炸式增长，AI 容易在历史数据里”找到”一个虚假的最优解。
操作方法：砍掉贡献最小的因子，看整体表现有没有明显下降。没有就说明那个因子是多余的。
④ 时间稳定性。
把回测期拆成年来看。2020 年赚、2021 年赚、2022 年亏、2023 年赚——这是正常波动。但如果只有 2020 年赚了 80%，其他年份全亏，那就是过拟合到了 2020 年的特定行情。
操作方法：逐年跑回测，看收益分布是不是均匀的。
⑤ 逻辑可解释性。
你能用一句话说清楚这个策略为什么赚钱吗？如果说不清楚，或者解释太复杂——“先看 RSI 小于 30，再结合 MACD 金叉，同时布林带下轨支撑，还要成交量放大 30%“——大概率是过拟合。逻辑简单的策略，比”黑箱”策略可靠得多。
操作方法：用大白话写一遍策略的赚钱逻辑。写不清楚的，打回去重新来。
过拟合的策略就像考试前背了答案。平时测试满分，一换题目就抓瞎。 每次 AI 优化完策略，过一遍这 5 步。不过关的方案，打回去让 AI 重新来。
上实盘的正确路径
回测过了，过拟合检查也过了。能直接全仓上实盘吗？
不能。
正确上实盘的路径只有一条：
模拟盘 3 天 → 最小仓位实盘 1 周 → 正常仓位。
三步，一步一步走。跳过任何一步，都是在拿钱打水漂。
这三步的目标各不相同：
- 模拟盘：验证策略有没有 bug
- 最小仓位实盘：收集真实市场数据
- 正常仓位：开始赚钱
急不来。 跳过模拟盘直接上实盘的人，十个有八个三天就亏得受不了。跳过最小仓位直接全仓的人，基本活不过一个月。
模拟盘先跑 3 天
模拟盘不是走过场。它是策略的”压力测试”。
跑 3 天模拟盘，你需要确认三件事：
第一，策略没有 bug。
最常见的 bug 有这几种：
- 信号触发了但没下单。 代码逻辑写错了，条件判断有漏洞，信号生成了但订单没发出去。
- 止损没生效。 止损代码写了但没被正确调用，或者止损价格设错了，亏损在不断扩大你却浑然不知。
- 重复开仓。 同一个信号触发了两次，结果开了两倍的仓位。风控全废。
这些问题在回测里可能被数据掩盖了，但到了模拟盘，一清二楚。
记得前面讲过的”未来函数”坑。模拟盘里如果出现”总是买在最低点、卖在最高点”的幻觉，八成是未来函数在作祟。果断回查代码。
第二，模拟盘和实盘的差异有多大。
模拟盘能跑，不代表实盘能跑。四个差异心里要有数：
- 滑点：每笔交易记录下”信号价”和”模拟成交价”的差，算出平均滑点。
- 成交速度：信号触发到模拟成交之间有几秒延迟。
- 涨跌停：模拟盘和实盘在涨跌停时的撮合规则可能不同。
- 数据延迟：你用的数据源实时性如何，有没有明显滞后。
第三，策略在”真实市场节奏”里的表现。
回测是一帧一帧跑完的，模拟盘是实时运行的。实时运行会暴露新的问题：CPU 占用过高、网络中断重连、接口超时。这些在回测里根本遇不到。
模拟盘跑通了，没有异常报错，下单逻辑正常，再考虑实盘。 3 天够了，不需要太久。
最小仓位实盘 1 周
模拟盘没问题，进入下一步：最小仓位实盘。
什么是最小仓位？
- 期货： 1 手。螺纹钢 1 手保证金大概 3000-4000 块。
- 股票： 100 股（1 手）。买一只 10 块钱的股票，1000 块就够。
只放你总资金的 1%-5% 进去，跑一周。
这一周你的目标不是赚钱，是收集数据。赚钱是副产品。
这一周产生的每一笔交易记录，就是你最宝贵的分析素材。
重点观察三个指标：
- 实盘和回测的收益差距有多大。 回测每天赚 0.3%，实盘只有 0.1%？差距在哪？记录下来。这个差距就是滑点、延迟、涨跌停这些因素吃掉的部分。
- 实际滑点是多少。 每笔交易记录下”信号价”和”成交价”的差，算出平均滑点。这个数据直接决定你的策略有没有利润空间——如果滑点把利润吃光了，策略就需要大改。
- 有没有异常交易。 不该开的仓开了？该止损没止损？仓位算错了？逐笔核查。
做完这一周，你手里就有了真实的实盘数据。 不是模拟的，不是回测的，是真金白银跑出来的。
然后呢？该复盘了。把交易记录丢给 AI，让它帮你分析哪里做对了、哪里做错了。
AI 帮你复盘
很多人复盘靠”感觉”：觉得最近还行、好像亏了不少、那个品种好像不太行。
这种复盘等于没复盘。
导出交易记录 → 提示词 → AI 分析
主流平台都支持导出交易记录为 CSV。
字段一般包含：交易时间、品种、方向、价格、数量、手续费、盈亏。
拿到 CSV，直接丢给 AI。但怎么问，决定了你能得到什么。
还记得讲过的 Prompt Engineering 吗？好的提示词决定好的分析。随便丢一句”帮我分析一下”，AI 也只能随便回你。
复盘提示词模板
你是一个量化交易分析师。请分析以下实盘交易记录CSV数据。
请从以下维度给出详细分析：
1. 基础统计：总交易次数、胜率、盈亏比、总盈亏、最大回撤、平均持仓时间
2. 持仓时间分析：赚钱的交易平均持有多久？亏钱的交易平均持有多久？是否存在"赚的拿不住、亏的死扛"的情况？
3. 品种分析：哪些品种赚钱，哪些品种亏钱？品种集中度如何？
4. 时间段分析：哪些时间段（日内）表现好，哪些表现差？是否有明显规律？
5. 单笔分析：找出盈利最大的3笔和亏损最大的3笔，分析各自的特点
6. 回测vs实盘差距：回测预期胜率X%，实盘胜率Y%，分析差距可能的原因
最后给出：
- 3个策略需要改进的地方
- 2个可以继续保持的优点
- 下一步优化建议（按优先级排序）
交易记录如下：
[粘贴CSV数据]复制保存，每次复盘直接用。
AI 分析报告长什么样
AI 会从五个维度帮你拆解。
胜率+盈亏比。
胜率 50%、盈亏比 2:1，照样赚钱。胜率 70%、盈亏比 0.5:1，照样亏。两个数字必须搭配看，单独看任何一个都没意义。
持仓时间。
赚钱的交易平均持仓 2 天平仓，亏钱的平均扛了 5 天。问题很明显：割肉太早，死扛太晚。这是新手最常见的毛病。
如果你发现自己的交易也是这个模式，别慌，这是人性。系统性的解决办法，不是靠意志力，而是靠代码里加一条强制止损规则。
品种集中度。
80% 的利润来自一个品种？这不是好现象。你需要分散风险。
时间段表现。
早盘总是亏、尾盘总是赚？策略本身可能带有时段偏好，需要针对性优化。
回测vs实盘差距。
回测预期每天赚 0.2%，实盘只有 0.05%。AI 会帮你找”钱去哪了”——滑点吃掉了？信号延迟了？某些行情模式下策略失效了？
AI 最厉害的地方在于对比实盘和回测的预期差。 这个预期差就是你要优化的方向。
教训回知识库——闭环完成
拿到复盘报告，分析完了。然后呢？
写进你的 RAG 知识库。
具体格式模板
在知识库里新增一条记录：
## 2024-XX-XX 策略实盘复盘
策略名称：XXX
运行周期：1周
实盘胜率：XX%
回测胜率：XX%
### 主要发现
- 滑点平均X个tick，比预期高，导致高频信号利润被吃掉
- 亏钱交易平均持仓X天，赚钱交易X天，存在"亏的不肯割"问题
- XX品种贡献了XX%的利润，风险集中度偏高
### 改进措施
- 过滤掉预期利润小于2倍滑点的信号
- 加入强制止损规则：持仓超过X天无条件平仓
- 增加品种数量至X个，单品种仓位上限X%
### 下次写策略时要注意
- [所有教训写在这里，AI下次会自动读取]五个字段，填满它。 策略名称、运行周期、主要发现、改进措施、下次注意。
亏过的钱不是白亏的——教训进了知识库就不会再犯。
知识库是记忆，Skill 是纪律
前面说过：RAG 是 AI 的图书馆，Skill 是 AI 的习惯。
知识库是你的交易记忆——每次实盘的教训写进去，AI 下次写策略时自动读取。Skill 是你的执行纪律——规则写死，不给你临时起意的机会。
没有知识库，每次亏的钱就真的是亏了。有了知识库，每一笔亏损都变成了优化数据。
动手——完成第一轮闭环
只有一件事：完成你的第一轮完整闭环。
具体步骤：
- 导出交易记录——从你的量化平台导出最近一段时间的交易记录（CSV 格式）
- AI 分析——用上面的提示词模板，把 CSV 丢给 AI
- 写进知识库——把分析结论用模板格式写进 RAG 知识库
- 让 AI 写改进版代码——根据改进措施，让 AI 修改策略代码
做完这 4 步，你的闭环就跑通了。
完整闭环流程图
整个实战流程，其实就是在搭这个闭环：
信息感知(D1) → AI进化策略(D4) → 平台执行(D3) → 实盘(D5) → 复盘(D6)
↑ |
└────────── 知识库进化(RAG+Skill)(D2) ←──────────────────────┘每循环一次，策略进化一截。
搭的知识库是燃料，选的平台是引擎，写的策略是车，实盘是赛道，复盘是进站检修。
检修完，加好油（新教训进知识库），再跑一圈。
循环越多，策略越强。
系统全景：不是技能，是工作方法
整个 7 天实战，其实就是在搭一个自运转的闭环系统。每一环驱动下一环，最后一环的结果反哺第一环。
搭的不是一个策略，是一套工作方法。 策略会过时，方法不会。
AI 工具箱——组合拳才是关键
前面你已经接触了 RAG、MCP、Agent、Skill、Prompt Engineering 这一整套 AI 工具。
不需要每个都精通。知道有 RAG，你下次做策略就能让 AI 参考历史经验。知道有 Agent，你就可以让 AI 帮你批量跑回测。会用组合拳，比精通任何一个单项都有用。
这些工具的组合，就是你的 AI 量化操作系统。
三条进化路径
搭了框架，但框架需要填充。以下是三条进化路径，按你的时间和精力选择。
路径一：从简单到复杂
先跑通一个策略，再往上加东西。
- 第一步：一个策略、一个品种、简单信号，跑通全流程。
- 第二步：加入更多因子。均线之外，加成交量、波动率、相关性。
- 第三步：优化风控。动态止损、仓位管理、最大回撤控制。
- 第四步：扩展品种。从一个品种到 3-5 个，降低集中度风险。
不要上来就搞多因子、多品种、多周期联动。 那是烧了几百万算力的团队才做的事。一个人，先把一个策略跑到稳定盈利，再说别的。
路径二：从手动到自动
先半自动，再逐步放手。
- Level 1：AI 给你信号提示，你手动下单。适合刚开始，建立信任。
- Level 2：策略自动下单，你每天看一次报告。适合跑通后的日常运行。
- Level 3：AI 自动监控+自动交易+自动复盘，你只看周报。适合策略稳定运行 3 个月以上。
每升一级，至少稳定运行 2 周再考虑下一级。别急着放手。
路径三：从复现到创新
先抄作业，再做原创。
- 先复现几个经典策略：双均线、RSI 反转、布林带突破。理解它们的逻辑，知道什么时候有效、什么时候失效。
- 再基于经典策略做改进：加一个过滤条件、换一个入场时机、调整止损逻辑。
- 最后，基于你自己的交易认知，让 AI 帮你开发新策略。这是真正的”Alpha”——别人没有的东西。
所有创新的基础都是大量的”抄作业”。 没有这个过程，你连”什么是好的策略”都判断不了。
该自己做还是找人？
实话说，不是所有环节都需要你自己动手。
| 场景 | 建议方式 | 原因 |
|---|---|---|
| 参数调整、简单修改 | 自己做 | 几分钟的事，没必要花钱 |
| 新策略开发、因子测试 | AI 辅助 | 让 AI 出初版，你调优 |
| 代码调试、平台配置 | AI 辅助 | 把报错丢给 AI，比自己查文档快 |
| 复杂策略、跨周期联动 | 找人代写 | 专业的事交给专业的人 |
| 没时间折腾、只想跑起来 | 找人代写 | 时间成本比服务费贵 |
量化的本质是杠杆。 你用 AI 和工具杠杆自己的认知，用代写杠杆别人的专业能力。只要最终结果是你掌控的，用什么手段都行。
收尾
从零开始，搭了一套 AI 量化工作流。
你获得了一个能自动运行的策略、一个会记住教训的知识库、一套 AI 辅助的信息感知体系、一个用数据复盘迭代的习惯。
量化不是编程。量化是方法 + 工具 + 反馈。
方法：你的交易逻辑和对市场的理解。工具：AI、量化平台、数据管线。反馈：实盘数据、复盘分析、知识库迭代。
三者缺一不可。只有方法没有工具，手动操作跑不过机器。只有工具没有方法，只是在玩软件。只有方法和工具没有反馈，永远不知道自己在犯什么错。
这只是起点。 这套系统的价值不在于今天，而在于你用它跑 3 个月、6 个月、1 年之后，它能帮你省下多少盯盘的时间，避免多少情绪化的错误操作，赚到多少凭感觉赚不到的钱。
如果你看完还是拿不准，别硬扛，找我代写就行。一个人折腾半天不如找专业的人花半小时搞定，时间才是你最贵的成本。
💼 AI 量化培训 · 策略生成 · 代码代写 —— 微信
traderByAI联系。
