AI时代量化交易指南 1：AI应该怎么用？
2025 年 11 月，Openclaw 横空出世，仅仅四个月成了全球最火爆的产品。
其实从技术上来讲，Openclaw 并不是什么新产品。程序员朋友都知道编程工具 Claude Code 有一个 dangerously-skip-permissions 模式，就是打开了 Claude Code 的所有权限。Openclaw 就是一个打开所有权限的 AI 操作系统。
但是它为什么火爆呢？
我想是因为 Openclaw 让所有人看到了 AI 在实际生活的应用！人工智能不仅仅是华尔街概念或者硅谷的私人宠物，现在它（有可能）变成了大众真正意义上的助手。
其实在 Claude Code 时代，所有的编程工作都已经被革命了——很多人一句话写代码，一句话做网页，一句话做数据分析。但是 AI 时代，还是遵循了乘数原则：AI 能力是人类能力的放大器。即使现在鼓吹 Openclaw 的自助智能时代，大家也发现 Openclaw 只是我们原本能力的放大器。
我们的价值 = 原始价值 × AI 能力
所以在 Claude Code 虽然提升了编程的效率，但是在我推荐给很多客户使用 Claude Code 编写量化策略的时候，客户的反馈并不好——因为他们自身的量化编程的经验是 0，0 乘以任何事情都是 0。
这让我反思：AI 时代我们最重要的能力到底是什么？以及 AI 到底如何能让用户写出好的程序呢？
所以这篇文章的作用，就是让大家的原始编程价值实现从 0 到 1 的突破。剩下的靠 AI 就行，真正让大众零门槛进入 AI 时代。
其实 AI 不仅仅能帮我们做编程，还能帮我们自主收集材料、自主分析等等。限于篇幅，我还是从量化开始，毕竟大家对量化的需求最迫切。
一、正确的工作流
AI 时代正确的工作流是什么？
提出需求 → AI 给出答案 → 验证答案 → 给出 AI 反馈，循环往复，直到有了自己满意的结果。
现在的大语言模型都很聪明，最起码是博士生级别的。它唯一的缺点实际上是不了解你或者你的需求，所以如何提出需求很重要。现在 Openclaw 的火爆其实也是基于这一点——Openclaw 把与你的日常对话总结起来，从而能达到越来越理解你的水平。
二、如何提出需求
对 AI 提出需求的第一原则就是要求清晰明确。
比如：
- ❌ 给我写个能赚钱的量化策略（这是一个反面例子）
- ✅ 给我写一个双均线策略，均线设置参数，金叉买入、死叉卖出（这是一个正面的例子）
对于 AI 来说，我们的输入越多越清晰越好。
可是困难来了：绝大多数人，包括我自己，都是不愿意打字的，也不愿意多说话的，或者很多的需求我们自己也不是那么清晰的。这个怎么办呢？
让 AI 来帮助你。你可以随便打开豆包或者任何一款人工智能，告诉它：
你现在是一个顶尖的量化专家，帮我梳理我的交易思想并且形成准确的交易逻辑。作为专家你要不断地向我提问，最终根据我的回答信息收集总结出最终的交易逻辑出来。接下来你就可以和 AI 一轮一轮的对话，然后适当的时候它会总结出你的交易逻辑来，比如我的双均线策略。
聪明的你肯定发现了，这其实是在「提取需求」这一个步骤中已经使用了第一步提出的工作流了：提出一个模糊的需求，让 AI 给出反馈，根据反馈一步一步清晰自己的需求，直到满意。
三、如何验证
这一步是最难的，其实很多人之所以放弃使用 AI 都是无法验证。为什么 AI 一句话生成网页这么火爆呢？因为网页可以直接能看到，但是生成的策略我们该如何验证呢？
在开始这一步之前，我们需要梳理下现在市场中的所有量化交易软件。
我的分类方法是这样的：
-
自由编辑编译平台：文华财经、交易开拓者（TB、TBQUANT）、金字塔、PTrade（股票）
这些软件都很棒，但是在 AI 时代，把所有的信息困在自己的平台是一个噩梦。由于无法直接在编辑器中编辑或者无法让 AI 直接编写，中间会多出很多的工作量来。
-
可以使用三方编辑平台，但必须在自己平台运行：pythongo、qmt、易盛
这类可能会是现在的主流，因为可以使用三方编辑器，意味着可以像编辑文件一样撰写量化交易代码，就给了我们的工作很大便利性。
-
可以使用三方平台编辑，可以在编辑器中直接运行：vnpy、tqsdk、miniqmt
这些软件是对 AI 最友好的。vnpy 是开源软件，需要自行搭建自己的数据服务等，所以难度比较高，但是 tqsdk 以及 miniqmt 都是软件商做好的，上手还是很友好的。
如果大家看我之前的文章应该知道，我之前也给软件做过一次汇总，但是那是按照功能的。为什么现在要按照使用习惯重新划分呢？因为 AI 时代软件的选择取决于那个软件能快捷地实现上述的工作流。工作流越顺畅代表你的迭代成本越低，效果也会越好。
回到一开始的话题，如何验证呢？就是把代码复制进去运行一下，查看反馈（大概率是错误信息）。
现在大家知道为什么我要这么划分了吧：
- 如果是可以三方平台编辑，那么省却了复制粘贴这一步。
- 如果是可以直接运行，甚至连复制错误这一步都省略了。
你要做的就是：
- 告诉大语言模型你的需求，让它生成代码
- 运行代码，让它根据运行的结果修改代码
循环……
四、扩展
AI 的能力不仅仅是写代码。
比如上面我说的是根据结果修改代码，可以是修改代码的错误，也是可以根据回测结果优化代码的。是不是这么一想一下子就开阔了？
在很久以前我做策略湃的时候，就有朋友说，能不能让 AI 来告诉我，哪些因子好，好在哪里？
其实传统的 AI 是回答不了他的问题的，但是现在的大语言模型是可以的。甚至开始前你可以先让它：
帮我建立一个对策略的评价体系然后让它：
根据上面的评价体系，结合我的回测报告，评价下我的策略最后让它：
根据上面的策略评价，给我代码逻辑的修改建议这样 AI 就拓展了无限可能。
五、让 AI 学习并且了解你！
现在所有的大语言模型都是通用性的大语言模型，在具体的能力上经常被人诟病。有一个形象的比喻：AI 就是一个刚刚毕业的博士实习生。
想象你招了一个博士实习生，让他立马写一个量化策略，他会是什么反应？
一脸懵逼，然后用课本上学习的内容语法写一个蹩脚的策略给你交差。
不是 AI 不好用，而是他不了解你，也不知道该如何回答你。
比如你让这个实习生写一个 TBquant 的策略，他会怎么做？首先他压根不清楚 TBquant 的语法，也不清楚如何查询持仓，甚至连你的策略该不该查询持仓都不清楚。
所以他需要学习，学习不同平台的不同语法。
这才是最应该做的——如何给 AI 一个随时参考的手册呢？我们下期继续！
