这两年我经常被人问同一个问题普通人真的能开发出自己的量化策略吗尤其当AI火起来以后网上到处都是“用AI自动写python量化交易策略代码”的说法好像只要会打字就能躺着建一套印钞系统。我的回答是能但和你想象的不一样。AI确实把这场游戏的门槛打下来了但它降低的主要是“实现成本”而不是“思考难度”。真正的门槛正在从代码技术转移到你愿不愿意用工程化的方式认真对待数据和风险。这篇文章我想完整拆一遍“个人用AI做量化策略”这件事AI到底改变了什么、没改变什么一套策略从想法到模拟盘的完整路径是什么代码怎么写提示词怎么问以及那些回测曲线好看、实盘却亏钱的坑长什么样。文章会包含可以直接改来用的Python骨架代码也会给出我实测后觉得靠谱的流程。适合的人有两类一类是完全没有量化经验、但想认真入门的程序员或学生另一类是已经会写代码、却苦于策略开发和验证没有章法的朋友。先说好这不是投资建议只是我个人工程实践的经验分享。1. 先聊清楚AI到底把门槛降在了哪又把门槛抬在了哪1.1 传统个人量化的死结不是代码难是成本高量化交易的本质其实不神秘就是“用可重复的规则代替情绪化决策”。一根均线突破买入、跌破了卖出这也算量化只是规则简单。问题在于过去一个人想把这样一套规则真正验证一遍实在是太难了。首先是数据。机构用的是动辄几十万一年的全市场行情、基本面、另类数据个人能免费拿到的数据要么不全、要么带有复权偏差光是清洗数据就劝退了一批人。其次是开发。哪怕数据到手要把策略写成可回测的代码涉及行情对齐、信号生成、收益计算、交易成本模拟这一套搞下来没有一两年的代码功底很难做顺。再次是回测验证。很多新手好不容易跑出一条漂亮的收益曲线却根本不知道里面有没有未来函数、有没有过度拟合最后实盘亏损才回头怀疑。所以过去个人做量化典型状态是“少数程序员的自嗨”。不是大家不想做而是全链条成本太高普通人光是凑齐数据、代码、验证这三块就已经耗尽心力了。1.2 AI压缩的是“实现成本”放大的是“思考成本”AI来了以后变化最明显的就是代码实现。以前我写一个双均线回测从查API文档到调试信号偏移可能需要半天现在让大模型生成第一版可能五分钟就能跑起来。包括数据清洗的正确姿势、常见回测框架的用法、各种指标的计算方式AI都能给出相当靠谱的模板。对个人来说这意味着过去最耗时的“从0到60分”阶段成本被压到了几乎可以忽略。但这里有一个很容易被忽略的翻转当AI把实现成本压下来之后你的时间会被挤到什么地方答案是验证。代码生成得越快你越需要快速判断“它写得到底对不对”。数据是不是前视了信号是不是用了未来价格回测逻辑是不是和交易假设一致这些判断AI帮不了你太多只能靠你自己的工程素养和交易认知。换句话说AI把“专业能力”压缩成了“工程习惯”。以前你需要很懂编程才能做量化现在你只需要很懂验证、很有耐心拆解问题。这是一个红利但对懒于思考的人也是陷阱——你复制粘贴得越快可能亏得也越快。1.3 三个你仍然不能外包的底线在我自己用AI写策略的过程中我确认了三条绝对不能外包的底线你也可以把它们当成检查项。第一你必须完全理解策略逻辑。AI可以帮你写出“当5日均线上穿20日均线就买入”的代码但你要能亲自说清楚为什么这个规则可能存在优势它赚的是趋势的钱还是波动的钱如果说不清楚它大概率只是历史数据的拟合产物。第二你必须自己定义风险边界。你能接受最大回撤是多少单笔亏损上限多少仓位怎么管理这些问题没有标准答案只有你自己知道。AI给的任何参数都必须过你这一关。第三你必须保持对回测结果的怀疑。所有漂亮的回测曲线都值得被审问一遍而不是庆祝一遍。这个能力不用学什么高深理论只要记住一句话如果结果好得不像真的那它大概率不是真的。2. 一套个人量化策略的生命周期从想法到执行的完整主路2.1 数据获取与清洗最不起眼却最要命的环节很多人一头扎进策略开发第一件事就问AI要代码却忽略了数据这个地基。我用一个类比说明数据是食材策略是菜谱代码是厨具。食材是坏的菜谱再精妙也没用。个人量化的数据源常见的有三类。一类是开源免费库比如akshare、tushare能拿到A股、基金、期货、数字货币等大量公开数据一类是付费数据服务通常更稳定、字段更全还有一类是量化平台自带的数据库比如聚宽、米筐它们把数据清洗好了直接可以在平台上回测适合不想折腾本地环境的同学。但不管用哪个源你都要处理几个共性问题。最典型的是复权股票分红送股之后不复权数据会出现虚假跳空用前复权还是后复权也会影响历史信号。再比如数据对齐不同周期的K线、不同时区的时间戳如果不对齐到同一标准后续计算全是错的。我个人的习惯是任何新数据源接入后先打印最近的十几行肉眼对比一下某个已知行情事件比如某天的涨跌停确认数据是对的再往下走。这一步花不了十分钟但能救回你后面几十个小时的返工。2.2 逻辑定稿让AI做你的策略顾问数据搞定之后很多人会直接说“帮我写一个能赚钱的策略”这是最典型的错误提问。我建议把AI当成一个策略顾问而不是策略供应商。顾问的用法是你提出一个交易假设让它帮你补全细节、找出漏洞、提供多个变体。一个完整的策略逻辑至少要包含五个要素交易标的、运行周期、入场条件、出场条件、仓位规则。比如“交易沪深300ETF日线级别收盘价站上20日均线买入跌破20日均线卖出单次投入资金的20%”。这五个要素齐全以后策略才是可回测的。AI在这里能帮你的是帮你把模糊的想法细化成明确规则同时让它列出这种规则可能失效的场景。比如趋势策略在震荡市里会被反复打脸这时候怎么过滤这些问题应该在逻辑定稿阶段就聊清楚而不是等实盘亏钱了才反思。我自己的做法是任何策略进入开发之前先写一页“策略白皮书”用自然语言把自己的假设、规则、预期风险全部写下来。AI生成的白皮书可以作为草稿但最终定稿必须由我自己确认每个句子都符合我的真实意图。2.3 回测、参数分析与模拟验证逻辑定稿后才是代码实现和回测阶段。这里我强烈建议回测不能只看“总收益率”这一个数字。你需要一组指标一起看年化收益率、最大回撤、夏普比率、胜率、盈亏比、交易次数。这就像看一个人健康不能只看体重一样还要看体脂、血压和运动习惯。回测跑通之后别急着兴奋。要做参数敏感性分析也就是把均线周期从20改成15、25、30看看结果是否会剧烈波动。如果稍微改一个参数收益就从天堂跌到地狱那说明策略正在过度拟合历史数据而不是发现了某种稳定的市场规律。这一步AI也能帮你写批量脚本但判断的责任在你。模拟盘的阶段同样不能跳。回测用的是历史数据模拟盘用自己的钱或虚拟资金走一遍真实行情才能验证两件事第一真实市场的滑点和你回测里假设的一不一样第二你的系统发出的信号你是否真的能每天不带情绪地执行。2.4 轻量执行小资金阶段的自动化程度对个人小额资金来说很多人纠结要不要上自动化交易。我的经验是小资金阶段半自动执行足够。什么意思系统负责生成信号比如每天收盘后给你一条“明天开盘买入1手”的通知你自己手动下单。这样做的好处是你被迫保持对市场的感知而且避开了券商接口对接、服务器稳定、运维成本等一堆麻烦。只有当你的策略稳定运行半年以上、你对外执行纪律有了充分的自信再考虑程序化下单也不迟。很多人一上来就追求全自动结果系统出了Bug还在自动交易这种风险远大于手动下的那两笔单。量化对你的价值首先是决策的纪律性而不是操作的自动化。3. Python量化实现一套可直接修改的双均线回测骨架3.1 环境与数据准备在动手写代码之前先把环境准备好。我建议用Anaconda或纯Python环境都行需要安装的核心库有pandas、numpy、matplotlib。回测框架方面新手我反而不建议一开始就用backtrader这类重型框架先用pandas手写一个极简回测理解信号和收益是怎么计算出来的再换框架不迟。原因很简单框架帮你省掉的是工程细节但也会遮住你理解底层逻辑的眼睛。至少前两个策略我推荐你手写回测。如果你已经能拿到真实行情数据可以先用akshare加载如果没有数据源用下面的代码生成一段模拟K线也可以跑通流程。先把流程跑通再换真实数据。import pandas as pd import numpy as np # 生成模拟行情真实场景请替换为从akshare/tushare读取的数据 np.random.seed(42) dates pd.date_range(2024-01-01, periods500, freqD) close 100 np.cumsum(np.random.randn(500) * 2) df pd.DataFrame({close: close}, indexdates) print(df.head())3.2 策略信号与回测逻辑拿到价格序列后我们实现一个最简单的双均线策略5日均线上穿20日均线金叉时持有多头仓位5日均线下穿20日均线死叉时清仓。先计算均线再生成仓位信号最后计算策略每日收益。关键是要注意信号不能“偷看未来”。# 计算均线 df[ma5] df[close].rolling(5).mean() df[ma20] df[close].rolling(20).mean() # 生成目标仓位金叉持有死叉空仓 df[target_position] 0 df.loc[df[ma5] df[ma20], target_position] 1 # 关键一步实际仓位延迟一天生成防止用当天收盘信号当天结算的单日收益 df[position] df[target_position].shift(1).fillna(0) # 计算收益 df[ret] df[close].pct_change() df[strategy_ret] df[position] * df[ret] df[cum_ret] (1 df[strategy_ret]).cumprod() print(df.tail(10))这里的shift(1)特别重要。很多AI生成的代码会漏掉这一步直接用当天的target_position去乘当天的ret这就相当于你在收盘后才看到金叉信号却赚到了当天的涨幅——这是未来函数是回测陷阱里最常见的一种。实际交易里日线信号最早只能让第二天的仓位生效。3.3 回测结果的关键指标怎么看运行完上面的代码你会得到一条累计收益曲线。但曲线本身不够要算几个核心指标。我习惯把下面这几个指标都算一遍再判断一个策略值不值得继续投入时间指标含义我的参考标准年化收益率年化后的策略复合收益至少跑赢无风险利率否则不如买指数最大回撤高峰到谷底的最大亏损幅度新手建议控制在20%以内夏普比率每承担一份风险换多少超额收益大于1算合格大于2算优秀胜率盈利交易次数占总交易次数比例趋势策略普遍偏低不用强求50%以上盈亏比平均盈利除以平均亏损与胜率配合看预期收益为正才值得做计算这些指标可以用empyrical这类现成库也可以让AI写一个几十行的小工具。但更重要的是养成习惯每次改动策略除了看收益固定盯住最大回撤和夏普比率这两个指标。因为它们最能反映策略的风险质量。3.4 从骨架到肌理如何改造这套代码双均线只是教学骨架实盘价值有限。但你可以沿着几条清晰的方向改造这套代码把它变成自己的武器库。方向一增加过滤条件。比如用ATR平均真实波幅过滤震荡行情只在波动率放大时开仓或者用长周期均线判断大趋势只在上升趋势里做多。方向二增加止损止盈逻辑。很多简单策略加上“ATR倍数止损”后最大回撤会明显下降。方向三换到其他标的和周期。比如从日线切到小时线从股票切到期货代码逻辑基本不变但市场特性差异巨大一定要重新评估参数。我建议你把每一次改造都保存成独立的脚本并记录改了哪些参数、当时为什么改、回测结果如何。这份实验日志比策略代码本身还要值钱。AI可以帮你写代码、调代码但记录“为什么这么做”只有你能完成。4. 用大模型辅助开发提示词、Agent和它们制造的新坑4.1 一份能拿到可用代码的提示词模板既然AI是核心杠杆那“会问问题”就成了一项硬技能。我测试过很多种提问方式最有效的是结构化提示词。下面这个模板我用了很久效果比“帮我写一个赚钱策略”好太多你是一位量化策略研究员。我的情况是交易标的为XXX交易周期为日线资金量较小约X万风险承受能力为最大回撤不超过X%。 请帮我完成三件事 1. 给出3个候选策略逻辑每个都包含入场条件、出场条件、止损规则、仓位管理规则 2. 分析这3个策略在滑点较高、资金量小的环境下可能失效的原因 3. 用Python实现其中一个策略的完整回测代码代码必须基于pandas信号只用已确认的历史信息明确标注输出DataFrame的字段含义。 注意代码中严禁使用未来数据。你会发现关键不是让AI给你“答案”而是给你“可供你判断的假设组合”。一次让它给3个方案是因为第一个方案往往是网上最常见、最过拟合的那个后面两个常常能带来真正有启发的备选。4.2 Agent自动迭代策略听起来很美用起来要有边界热词里有个“AI Agent”我也花过不少时间让智能体自动帮我做策略迭代AI生成参数、自动回测、看结果再改参数。实测下来这条路要非常小心。实现层面你可以用Python脚本把整个流程串起来调用大模型接口生成策略代码执行回测把回测指标返回给模型让它修改策略参数再循环几次。技术上没有任何障碍。但问题在于这种“自动进化”极其容易制造过拟合机器。智能体会在参数空间里找到那些在历史上表现最好的参数而它们往往是对噪声的完美拟合。我的个人边界是Agent适合做“自动检查”和“自动整理”不适合做“自动优化”。比如让AI做代码审查检查回测里有没有未来函数让AI把回测结果整理成固定格式的报告甚至让AI帮我拆解一个复杂策略的代码逻辑。这些任务边界清晰、结果可验证AI干得又快又好。而参数寻优这种开放性任务留给人来做或者用小规模的样本外验证来闭环。4.3 AI生成代码最常见的三类隐性错误哪怕提示词写得再好AI生成的代码依然会犯一些“看起来没问题、跑起来全是错”的毛病。我总结了遇到最多的三类你可以当排查清单用。第一类未来函数。前面代码里的shift(1)问题就是典型。再比如用滚动均值计算时窗口设置不当导致计算包含未来数据或者在策略中用整个样本区间的统计值比如全局平均值做标准化这些都是隐性作弊。第二类成交价与信号不一致。日线信号用收盘价生成成交却假设在次日开盘价二者之间的跳空在回测里经常被忽略实盘里却滑点巨大。第三类交易成本缺失。很多AI生成的初版代码完全不计算手续费和滑点一只高频策略在扣掉成本后可能直接从盈利变亏损。怎么拦截最好的办法是让AI帮你自己测试。你可以让AI为回测代码编写单元测试用已知场景的输入验证输出。这就是“AI测试开发”的一种落地方式比如构造一段完全确定的K线序列手工算出期望的仓位和收益再断言代码输出和手算一致。这个流程跑通以后你对AI生成的代码信心会高非常多。5. 回测数据好看但实盘亏钱五个你必须防的陷阱5.1 未来函数最隐蔽的作弊器未来函数通俗点说就是你的策略“偷看了未来”。回测是用历史数据“预测”历史如果代码里不小心用了未来信息你以为自己在预测其实只是在复述答案。前面代码里解释过shift(1)的用法这是最常见的一种。但还有一些更隐蔽的。比如你想测试“突破20日最高点买入”代码里如果写rolling(20).max()它用的是当前K线之前20天这没问题但如果你在计算时忘了考虑“突破”这个动作要等到信号确认后的下一根K线才能成交那当天突破当天买入又多算了当天的收益。再比如有些止损类测试会写“当日最低价跌破止损线就止损”可真实交易里你无法保证止损价一定成交在最低价附近尤其在跳空低开时。所以回测里的止损成交价要用保守估计而不是最理想的那个价格。5.2 过拟合让策略只属于“过去”过拟合是个人量化最大的坑没有之一。我用一个生活类比你把一套考试卷的答案背得滚瓜烂熟真考试换一套卷子立刻露馅。策略参数网格搜索就是生硬的“背答案”。AI特别擅长帮你做这件事因为它可以在一分钟之内帮你跑200组参数然后挑出历史收益最好的一组。问题是这组参数在当前市场里大概率已经失效因为市场本身也在进化。怎么对抗过拟合我的方法有三条。第一参数少而精。一个策略最好只有两到三个关键参数参数越多越容易拟合噪声。第二样本内外划分。比如把五年的数据前四年做调参后一年做验证。如果后一年表现和前四年差太多说明策略不具备外推能力。第三强制自己问一句“这个参数有经济含义吗”比如20日均线代表大约一个月的趋势这是有逻辑的但如果最优参数是21.7天你要警惕它只是在拟合某一段特定的行情细节。5.3 幸存者偏差回测收益里的幻影幸存者偏差是另一个经典的“看不见的坑”。最典型的场景是用“当前还在上市的股票列表”去回测历史。那些曾经辉煌但后来退市的股票被自动过滤掉了你的回测就只包含了活下来的“幸存者”收益自然比真实情况高出一截。这在指数回测里尤其明显因为指数本身一直在剔除差公司、纳入好公司相当于做了持续的幸存者筛选。对个人来讲要完全消除幸存者偏差很困难因为获取历史退市名单本身就有门槛。但至少有两点可以做第一回测结论不要过于依赖某一个标的的长期历史第二如果做多股票组合策略务必意识到“回测中的股票池可能带光环”实盘收益会打折。5.4 滑点、手续费与容量让纸上利润缩水的隐形杀手回测里的每一笔收益到了实盘都要被真实世界的交易成本咬掉一口。成本包括三块手续费、滑点、冲击成本。小资金阶段冲击成本几乎可以忽略但滑点和手续费不能。手续费取决于你交易的品种和通道A股佣金普遍是万几期货有固定费用。滑点则更难估市场流动性差的时候你看到的价格和成交价之间可能差好几个最小变动价位跳空行情里止损单甚至可能滑出你不敢想象的价格。我的建议是在回测里以“单边千分之一到千分之二”的成本假设去压测策略。如果一个策略在千分之一成本下还能盈利再考虑实盘如果利润本身就很薄那它根本没有实盘价值。5.5 一个简单的“可信度”检查清单看完上面这些坑我沉淀了一个每次回测完成后都会过一遍的检查清单你可以直接抄走用策略逻辑里所有信号是否只使用了“当时已确认”的信息成交价格是否考虑了跳空是否值得用保守价格假设回测数据是否包含退市股票对指数类策略有没有幸存者偏差手续费和滑点是否已计入参数稍微变动一下结果会不会崩塌样本外验证期收益是否合理收益主要来自少数几次大赚还是持续稳健如果我明天开始执行这个策略每一步我都有明确的动作指令吗这些问题如果任何一个回答不上来就先把回测再打磨一遍。宁可晚一点上模拟盘也不要带着已知漏洞去试错。6. 普通人28天从0到第一个模拟盘我给的具体路线6.1 四阶段任务表最后分享一个可执行的路线图。这是我建议给身边朋友的28天入门路线每天投入一到两小时即可核心目标不是“做出赚钱策略”而是“跑通一套完整流程并且自己完全理解每个环节在干什么”。时间阶段目标核心产出AI使用重点第1周Python与数据基础完成数据获取、清洗、可视化让AI解释代码、辅助装环境第2周第一版回测手写一个简单策略并跑通回测让AI写骨架代码自己逐行理解第3周策略迭代与验证完成参数敏感性分析和样本外验证用结构化提示词生成多个策略方案第4周模拟盘与复盘上线模拟盘每天记录执行结果让AI辅助整理复盘日报、检查代码第一天到第七天核心任务是学会加载数据、画K线、算均线。不要急着想策略先确保你手里的数据是干净的。第八天到第十四天把上一节的双均线骨架代码跑起来亲手把指标算一遍。第十五天到第二十一天让AI生成三个和你交易假设相关的策略变体改代码、看指标、写实验日志。第二十二天到第二十八天无论策略回测好不好看都上线模拟盘用真实行情验证执行环节的真实感受。6.2 工具与费用清单这套流程里用到的工具我整理了一份清单方便你按预算选配类别工具选项费用适合阶段数据akshare / tushare免费为主部分接口需积分入门到进阶数据聚宽 / 米筐数据接口部分免费额度付费更稳定进阶回测pandas手写 / vectorbt免费入门学习期回测backtrader / 掘金平台免费或平台收费需要复杂订单模拟时执行券商自带条件单免费小资金半自动AI主流对话大模型免费额度或订阅费全程辅助写代码、审代码我个人的建议是前28天不要花任何钱在数据上akshare和模拟数据足够用。付费数据、付费平台等你确认自己愿意在这个方向上长期投入了再考虑。工具越简单你越能聚焦到核心逻辑上。6.3 我目前的个人配置与一点真心话现在我自己跑策略用的是一套很轻的配置akshare取数据pandas做回测每天收盘后固定跑一遍脚本把当天的信号和持仓状态写进Excel表格里然后手动核对再决定第二天是否下单。AI在里面的角色更多是帮我快速生成代码草稿、审查潜在的未来函数、以及解释一些我不熟悉的统计指标。核心的“是否修改策略参数”这件事我一定会亲自做并且只在自己能说出逻辑理由时才修改。最后说句真心话。这28天走下来你收获的可能并不是一条稳定盈利的曲线而是一套属于你自己的决策系统——它能说清楚逻辑、能被数据验证、能被真实市场检验。这个系统比任何一次策略赚钱都更值钱因为它才是你在市场上长期活下去的底盘。AI时代给普通人最大的红利不是你不用思考了而是你思考的成果可以被极低成本地实现和验证。把这份红利用来建立自己的纪律而不是寻找不劳而获的“圣杯”这才是我的真实体会。