1. 从AI写策略到AI跑策略量化淘金热的真实拐点这两年但凡跟金融科技沾点边的群聊到最后都会绕到同一个话题上AI到底能不能帮人做量化。前几年大家的共识是能辅助但别当真因为大模型写出来的策略代码看着像模像样一跑回测就露馅——要么未来函数满天飞要么滑点手续费全没算要么参数过拟合到连自己都骗。但最近一年情况明显变了变化不在于模型变聪明了多少而在于工具链成熟了。像Codex这类代码智能体、AGENTS.md这类给AI定规矩的约定文件、以及本地量化框架的标准化让AI从写代码到跑通一条完整策略流水线这件事第一次变得可复现、可迭代、可交付。我自己是从传统手工写策略一路走过来的早期用Python手撸双均线、布林带后来接触因子挖掘再到现在把AI智能体嵌进整个研发流程。说实话最大的感受不是AI替我赚钱了而是AI把量化研发里最耗人的那部分脏活累活接走了——数据清洗、特征工程样板代码、回测框架搭建、参数扫描脚本、可视化仪表盘这些以前要占掉一个策略从想法到验证70%时间的东西现在能压缩到原来的三分之一甚至更少。省下来的时间才是真正用来思考这个策略为什么该赚钱的部分。这篇文章我想聊的不是AI量化能不能暴富这种标题党话题而是把AI助力量化这件事拆开讲清楚它到底在哪些环节真正起作用、哪些环节是坑、一个普通开发者怎么用现有工具搭出一条能跑通的流水线。关键词里出现的Codex、AGENTS.md、GPT-6、量化交易策略、Python量化这些我都会结合实际操作讲不空谈概念。适合两类人看一类是想入门量化但被工程细节劝退的开发者一类是已经在做量化、想看看AI能怎么提效的老手。先说一个反直觉的结论AI在量化里最大的价值不是生成策略而是生成验证策略的基础设施。这个认知转变是我踩了无数坑之后才想明白的。2. 为什么AI生成策略总是看着很美一跑就废2.1 未来函数AI最爱的隐形杀手让AI写一个均线金叉买入的策略它十有八九会给你写出类似这样的代码# 危险示例典型的未来函数 df[ma5] df[close].rolling(5).mean() df[signal] (df[ma5] df[ma20]).astype(int) df[return] df[close].pct_change().shift(-1) # 用到了未来数据 df[strategy_return] df[signal] * df[return]问题出在最后两行。shift(-1)把明天的收益率挪到今天来用等于开了上帝视角。回测曲线漂亮得不像话实盘一上就原形毕露。AI之所以爱这么写是因为它在训练数据里见过太多这种教学示例——很多入门教程为了讲清楚逻辑故意简化了时序处理AI照单全收。正确的做法是信号和收益必须错位对齐# 正确示例信号T日产生T1日才生效 df[ma5] df[close].rolling(5).mean() df[ma20] df[close].rolling(20).mean() df[signal] (df[ma5] df[ma20]).astype(int) df[position] df[signal].shift(1) # 关键信号延后一天 df[return] df[close].pct_change() df[strategy_return] df[position] * df[return]这个坑我踩过不止一次。后来我的做法是在给AI的提示词里明确写死一条规则所有信号必须shift(1)后才能参与收益计算禁止使用任何未来数据。这就是AGENTS.md这类文件的价值所在——把项目级的铁律固化下来让AI每次生成代码都遵守。2.2 过拟合参数扫描扫出来的幻觉AI特别擅长帮你做参数优化你让它扫一遍均线周期组合它能几秒钟跑完几百组。但这里有个致命陷阱在历史数据上表现最好的参数往往在未来表现最差。这不是玄学是统计学的必然——参数越多、扫描越细越容易拟合到历史噪声。我见过一个真实案例某人在比特币日线上扫双均线参数找到一组(7, 43)的组合年化收益回测高达300%。他兴奋地上了实盘结果三个月亏掉40%。原因很简单那组参数恰好踩中了2021年那波牛市的节奏换个市场环境立刻失效。判断过拟合有个土办法但很管用把参数空间画成热力图如果最优参数是个孤立的尖峰周围全是坑那基本是过拟合如果最优参数在一片高原上周围参数表现都不差那才可能是真信号。AI可以帮你快速生成这张热力图但解读还得靠人。2.3 交易成本被忽略的收益吞噬者AI生成的策略回测里经常默认零手续费、零滑点。现实是A股双边手续费加印花税大概千分之一到千分之三高频策略里这个成本能吃掉大半收益。更隐蔽的是滑点——你想买的时候不一定买得到那个价尤其是流动性差的标的。我的经验是回测里手续费至少按万分之三算滑点按一个最小变动价位算高频策略还要往上加。让AI写回测框架时一定要在提示词里强调回测必须包含手续费和滑点模型参数可配置。否则你拿到的收益率全是虚的。3. 用Codex和AGENTS.md搭一条能跑的量化流水线3.1 AGENTS.md给AI立规矩的那份文件AGENTS.md这个东西本质上是放在项目根目录的一份约定文件告诉AI智能体在这个项目里你得遵守这些规则。它不是什么高深技术但效果立竿见影。我在量化项目里的AGENTS.md大概长这样# 量化项目开发约定 ## 数据规范 - 所有价格数据使用前复权 - 时间索引统一为UTC8日线数据以收盘时间为准 - 缺失值禁止用未来值填充只能用前值或插值 ## 策略规范 - 信号必须shift(1)后才能参与收益计算 - 禁止使用任何形式的未来数据 - 回测必须包含手续费(默认万三)和滑点(默认一个tick) ## 代码规范 - 所有策略继承BaseStrategy基类 - 参数通过配置文件传入禁止硬编码 - 每个策略必须附带单元测试 ## 回测规范 - 样本内/样本外按7:3划分 - 必须报告夏普比率、最大回撤、胜率、盈亏比 - 参数扫描结果必须画热力图有了这份文件AI生成的代码质量会稳定很多。它相当于把老手的经验固化成了AI能读懂的规则每次生成都自动遵守。这比你在每次对话里重复叮嘱高效得多。3.2 Codex在量化研发里的实际用法Codex这类代码智能体我用下来最顺手的场景有这么几个第一样板代码生成。比如我要接一个新的数据源以前得翻文档、写解析、处理异常现在直接告诉Codex帮我写一个从某数据源拉取日线数据的类要求支持增量更新、失败重试、本地缓存。它给的代码基本能用我只需要改改字段映射。第二策略框架搭建。我描述清楚策略逻辑让它生成符合AGENTS.md规范的策略类。比如写一个基于RSI超买超卖的均值回归策略RSI低于30买入高于70卖出持仓周期不超过5天它能直接产出可回测的代码。第三回测结果分析。把回测输出的DataFrame丢给它让它分析这个策略在哪些市场环境下表现好哪些环境下失效。它给出的归因分析虽然不能全信但能提供不少排查思路。第四bug定位。回测结果异常时把代码和输出一起给它让它找问题。未来函数、索引错位、单位不一致这些常见bug它找得比人快。但要注意Codex不是万能的。它不懂你的交易直觉不懂市场微观结构不懂某个品种的特殊性。它是个高效的执行者不是决策者。策略该不该做、参数合不合理、风险敞口多大这些还得人来拍板。3.3 一条完整的AI辅助量化流水线我把自己的流程整理成下面这张表从想法到实盘验证每个环节标注了AI能帮上什么忙环节传统做法耗时AI辅助后耗时AI具体作用想法构思1-2天1-2天辅助查文献、找灵感但核心创意靠人数据准备2-3天半天生成数据拉取、清洗、对齐代码策略编码3-5天1天按规范生成策略类人工review回测验证1-2天半天生成回测框架自动跑参数扫描结果分析1-2天半天归因分析、热力图、报告生成实盘对接3-5天1-2天生成交易接口封装、风控逻辑监控运维持续持续生成仪表盘、告警脚本整体算下来一个策略从想法到实盘验证周期能从两三周压缩到一周左右。省下来的时间不是用来摸鱼而是用来做更多策略的并行验证——量化的本质是概率游戏你验证的策略越多找到真正有效策略的概率越大。4. 本地量化环境搭建那些教程不会告诉你的细节4.1 环境隔离不是可选项是必选项量化项目依赖的库又多又杂pandas、numpy、backtrader、ccxt、talib版本冲突是家常便饭。我强烈建议用conda或者venv做环境隔离每个项目一个独立环境。别嫌麻烦等你因为某个库升级导致半年前的策略跑不起来时就知道隔离的价值了。# 用conda创建量化专用环境 conda create -n quant python3.10 conda activate quant pip install pandas numpy backtrader ccxt ta-lib matplotlibPython版本建议3.9到3.11之间太新了有些量化库还没适配太老了性能跟不上。ta-lib这个库安装经常出问题Windows上建议直接下whl包安装别硬编译。4.2 数据存储别用CSV用Parquet新手最爱用CSV存行情数据简单直观。但数据量一上来CSV的读写速度会让你怀疑人生。我现在的做法是原始数据存Parquet中间计算结果存HDF5最终报告用CSV或Excel。Parquet的压缩率和读取速度比CSV高一个数量级而且支持列式读取只取需要的列能省大量内存。import pandas as pd # 存为Parquet df.to_parquet(btc_daily.parquet, compressionsnappy) # 读取时只取需要的列 df pd.read_parquet(btc_daily.parquet, columns[open, high, low, close, volume])4.3 回测框架选型Backtrader还是自研这是个老生常谈的问题。我的建议是新手用Backtrader快速上手进阶后自研轻量框架。Backtrader功能全、文档多、社区活跃但它的抽象层比较厚想深度定制比如自定义撮合逻辑、多品种套利会比较别扭。自研框架虽然前期投入大但胜在可控每个细节都清楚。如果只是想快速验证策略想法Backtrader足够了。如果要上实盘、要做复杂风控自研更靠谱。我自己的框架大概500行代码包含数据加载、信号生成、仓位管理、成本计算、绩效统计五个模块够用且好维护。4.4 一个容易忽略的坑时区处理做加密货币量化的人尤其要注意交易所返回的时间戳通常是UTC而你的策略逻辑可能默认是本地时间。时区没对齐会导致信号错位、数据对不齐回测结果完全失真。我的做法是所有数据统一转成UTC存储策略内部也用UTC只在展示时转成本地时间。import pandas as pd # 统一转UTC df.index pd.to_datetime(df.index, utcTrue) # 展示时转北京时间 df_display df.tz_convert(Asia/Shanghai)这个坑我在做跨市场策略时踩过A股数据是北京时间加密货币是UTC没对齐之前回测结果乱七八糟对齐之后才正常。5. 策略验证的硬功夫AI帮不了你的那部分5.1 样本内外划分别自欺欺人AI能帮你快速跑回测但样本怎么划分得你自己定。我的原则是样本内用来调参样本外用来验证两者严格隔离。常见做法是7:3划分前70%数据调参后30%验证。如果样本外表现和样本内差距超过50%基本可以判定过拟合。更严格的做法是滚动窗口验证Walk-Forward Analysis用前N个月调参后1个月验证然后窗口往后滚。这样能模拟真实交易中用历史数据决策、面对未来市场的场景。AI可以帮你自动化这个流程但划分逻辑和评判标准得人来定。5.2 夏普比率不是唯一指标很多人只看夏普比率觉得越高越好。但夏普高不代表策略好可能是样本太少、可能是收益分布有偏、可能是杠杆堆出来的。我一般会同时看这几个指标夏普比率风险调整后收益1以上算及格2以上算优秀最大回撤能承受多大亏损超过30%要警惕胜率与盈亏比胜率40%但盈亏比3:1比胜率60%盈亏比1:1更好换手率太高说明成本敏感太低说明信号稀疏收益分布偏度和峰度看是否有极端值依赖这些指标AI能帮你算但怎么解读、能不能接受是你的风险偏好问题。5.3 压力测试模拟极端行情回测跑的是历史数据但历史不会简单重复。我习惯做几个压力测试把手续费翻倍看策略还活不活、把滑点加大看收益衰减多少、把某段极端行情单独拎出来看最大亏损。如果策略在这些压力下还能保持正收益那实盘信心会足很多。AI可以帮你自动化这些测试生成压力测试报告。但测试哪些场景、阈值设多少还是得靠经验。6. 从回测到实盘最后一百米的坑6.1 回测和实盘的差异来源回测赚钱实盘亏钱是量化新手的必经之路。差异主要来自几个方面成交价差异回测按收盘价成交实盘可能滑点、成交时机差异回测信号一出就成交实盘要等下一个tick、数据差异回测用历史数据实盘用实时数据可能有延迟或缺失、心理差异回测是冷冰冰的数字实盘是真金白银容易手抖。我的做法是实盘先跑模拟盘至少一个月用实时数据但不下真单对比模拟盘和回测的差异。如果差异在可接受范围内再上小资金实盘。这个过程急不得急就是给市场交学费。6.2 风控必须独立于策略策略代码里写风控是大忌因为策略本身可能出bug风控跟着一起挂。正确做法是风控作为独立模块在策略和交易所之间加一层。策略只管发信号风控模块负责检查仓位上限、单笔亏损上限、日内交易次数上限超限就拦截。class RiskManager: def __init__(self, max_position0.3, max_daily_loss0.05): self.max_position max_position self.max_daily_loss max_daily_loss self.daily_pnl 0 def check_order(self, order, current_position): # 仓位检查 if abs(current_position order.size) self.max_position: return False, 仓位超限 # 日内亏损检查 if self.daily_pnl -self.max_daily_loss: return False, 日内亏损超限 return True, 通过这层风控AI能帮你写但阈值设多少、什么情况下该熔断得根据你的资金规模和风险承受能力来定。6.3 监控与告警别等亏完了才知道实盘跑起来之后监控比策略本身还重要。我一般监控这几个指标策略是否在正常运行心跳检测、当前持仓和预期是否一致对账、当日盈亏是否异常告警、数据源是否正常延迟检测。任何一个出问题立刻告警。AI可以帮你生成监控仪表盘和告警脚本。前面热搜词里提到的移动仪表盘就是个典型需求——用ECharts做个网页手机上也能看策略运行状态。这个用AI生成前端代码很快半天就能搭起来。7. 关于量化泄露未来信息和几个常见误区7.1 未来函数只是最表层的问题热搜词里有个量化泄露未来信息这说的就是未来函数。但未来函数只是最表层的问题更深层的是信息泄露比如你用了财报数据但财报公布日期和报告期不一致你按报告期对齐就泄露了未来信息比如你用了指数成分股但成分股是事后调整的你按当前成分股回测历史就泄露了。这些问题AI不一定能发现得靠你对数据生成过程的理解。7.2 量化不是印钞机很多人对量化有误解觉得找到好策略就能躺赚。现实是任何策略都有失效期。市场结构在变、参与者在变、监管在变今天有效的策略明天可能就失效。量化的本质是持续研发、持续迭代不是一劳永逸。AI能加速这个迭代过程但不能改变这个本质。7.3 别迷信AI选股这类概念市面上很多AI选股AI预测涨跌的产品本质上是把过拟合包装成黑科技。真正的量化不预测涨跌而是寻找统计上的边际优势——比如某个因子在特定条件下有正期望收益然后通过大量交易把这个优势兑现。AI在这个过程里是工具不是魔法。8. 我踩过的几个真实坑和对应的解法第一个坑是数据对齐。早期做多品种策略A股用北京时间、加密货币用UTC没对齐导致信号错位回测结果虚高。解法就是前面说的统一转UTC。第二个坑是参数扫描过度。有次扫一个策略的参数扫了上万组找到一组年化200%的兴奋得不行。结果实盘一个月亏15%。后来复盘发现那组参数恰好拟合了某段特殊行情。解法是限制参数空间、用滚动窗口验证、看参数热力图是否平滑。第三个坑是忽略交易成本。早期回测默认零成本策略看着能赚实盘一算手续费全亏回去。解法是回测里强制加成本模型而且成本参数要偏保守。第四个坑是策略和风控耦合。有次策略出bug疯狂下单风控没拦住一天亏了不少。解法是风控独立成模块策略和风控之间用消息队列解耦。第五个坑是过度依赖AI。有段时间什么都让AI写结果代码质量参差不齐有些bug藏得很深。解法是AI生成的代码必须人工review核心逻辑自己写样板代码才交给AI。9. 给不同阶段的人几条实在建议如果你是刚入门别急着让AI帮你写策略。先把Python、pandas、基础统计学过一遍自己手撸一个双均线策略跑通回测。这个过程能让你理解量化的基本流程之后再用AI提效才有判断力。如果你是有一定基础正在被工程细节拖累那AI智能体确实能帮大忙。重点是用好AGENTS.md这类约定文件把项目规范固化下来让AI生成的代码符合你的标准。同时建立自己的策略模板库AI生成的新策略往模板里套能省很多事。如果你是已经在实盘的老手AI最大的价值在于加速策略迭代和自动化运维。把重复性的工作交给AI自己专注在策略逻辑和市场理解上。但记住AI是放大器你的判断力是1AI是后面的0没有1再多0也没用。量化这条路工具在变、方法在变但核心没变对市场的理解、对风险的敬畏、对纪律的坚持。AI能帮你跑得更快但方向得你自己定。淘金时代来了铲子好用了但能不能挖到金子还得看你怎么挖、在哪挖、挖多深。