前两天有人私信我说想用AI直接给推几只明天能涨的股票。我回了一句这个方向从起跑线就歪了。大模型并不适合用来猜行情它真正擅长的是帮我把“量化工具”这种工程强度很高的东西快速落地。我自己最近就在用AI开发一个A股量化研究工具从数据清洗、因子计算、回测校验到每日信号推送一个人加几个AI对话窗口就撑起了整个开发流程。这篇文章把整个过程、关键设计、踩坑经历和排查思路完整梳理一遍。它不是荐股软件也不是自动交易系统而是给个人开发者参考的一整套“AI辅助量化工具开发”实战框架。想自己动手折腾量化、同时对AI辅助编码感兴趣的朋友重点看回测校验那几段那里面的坑最贵。1. 为什么选择自建工具而不是继续用现成的量化研究平台有人会问现在市面上现成的量化平台和开源框架一大堆为什么非要自己折腾我之前其实先在几个在线量化平台上做过策略实验还用了一些开源回测框架最后才决定走“AI辅助自建”这条路。这个选择的背后有两个非常现实的原因。1.1 现成平台的便利与隐性代价在线量化平台最大的好处是把数据、回测和模拟交易打包好了新手甚至可以不用懂太多数据工程就能跑通一个简单的双均线策略。特别是刚接触量化的时候能提供一个特别友好的环境把“策略逻辑”和“工程实现”解耦让你先理解策略本身。但用到后期几个问题开始浮现。第一策略代码和平台深度耦合。平台提供的API、数据字典、回测函数、订单执行模型都是它们自己封装的一旦想把策略逻辑迁移到本地或者接入自己的另类数据迁移成本相当高。说白了你在这个平台上学到的很多知识是“专利格式”不是通用技能。第二平台的预制因子池和通用策略模板容易让人形成惰性思维。社区里大量人跑着差不多的策略思路高度同质。我希望工具能沉淀自己的数据清洗流程、自定义因子库和可解释的信号规则而不只是在一个平台里“回测完就完”。第三研究过程中的数据掌控感不够。比如做因子分析时经常需要对原始行情做自定义切分、对齐交易日历、叠加自己维护的股票池标签这些事情在封闭平台里做总要跟不灵活的数据权限较劲。1.2 为什么是“AI辅助”而不是纯手写既然决定自建那接着的问题就是为什么不纯手写说实话光靠自己下班后的零碎时间从头写一套包括数据层、策略层、回测层、信号层、定时任务和可视化模块的工具周期会拉得很长。但在AI辅助下这个周期被大大压缩了。整个项目跑到现在代码总量大概六千行左右其中决策和架构是我定的编码生成尤其是样板代码、数据处理逻辑、回测框架的初版、异常处理超过六成由AI生成后再人工校对。但这句话千万不要理解成“AI就是帮我把活干完的工具”。实际经验是AI越强越需要人给出清晰的约束。架构设计、数据口径约定、验收标准这些底线性的事情必须由人来定。AI是高效的施工队而你是项目经理兼监理。一个合格的施工队能按图施工但图纸画错了一层层墙它也会照单全收地帮你砌出来。1.3 项目的整体功能定位这个工具在我手里的定位是一个“个人量化研究工作台”。具体功能包括自动从公开数据源抓取日线行情、基础财务数据、指数成分数据做完清洗和缓存之后落入本地存储。用我自定义的因子体系对全市场股票做过滤和打分每天收盘后生成候选观察池。对候选标的用统一的历史回测框架验证规则有效性输出收益曲线、最大回撤、胜率、盈亏比等核心指标。每天早上把当日需要留意的信号推送到个人微信/企业微信群里提醒我手动复核再决定要不要交易。注意最后一步我没有做全自动下单。原因后面会单独用一整节展开对个人开发者来说自动交易涉及券商接口合规、系统稳定性、极端行情风控等一系列问题不是技术上行不行而是边界上该不该。信号推给人工决策前期完全够用。2. 先拆架构再让AI进场四层结构与任务切分法很多人用AI开发项目失败问题不在AI能力不够而在prompt太模糊。我曾试过把整个量化工具的需求一股脑丢给AI让它“搭一个完整的量化工具”结果它真的会生成一个看似完整但到处是空壳的框架接口定义了不少但核心逻辑要么没实现要么用了不存在的API跑起来第一秒就报错。后来我调整了工作方式核心原则一句话骨架人定血肉AI填。功能怎么分层、模块之间怎么交互、数据口径怎么统一这些是架构问题人必须先想清楚具体某个函数怎么实现、某个数据处理片段怎么写这些是编码问题可以放心交给AI。2.1 量化工具的四层架构我自己的架构分成四层每一层职责非常清晰层级职责关键约定AI承担的工作数据层获取公开行情与财务数据清洗、复权、缓存同一份数据只能有一个权威来源缓存必须带更新时间标记编写数据抓取函数、异常重试、缓存增量更新逻辑策略层计算因子、生成信号所有信号值在T日收盘后计算只能使用T日及之前的数据按我的因子公式翻译成pandas代码生成候选观察池回测层验证信号的历史表现成交价必须用信号次日开盘价手续费、印花税、滑点必须计入搭建回测主循环、资金曲线计算、绩效指标汇总信号层输出当日提醒并留痕每次信号必须写到数据库附带当时使用的参数版本读写信号库、生成可读的提醒消息、推送到群这套分层的价值在于当回测结果异常时可以快速定位到底是哪一层出了问题。如果信号在策略层就用了未来数据后面根本不用看回测结果。如果策略层没问题但回测层把第二天开盘价当成了当天收盘价成交那问题又不一样了。架构清晰排查才不靠猜。2.2 让AI写代码前先给它一份“任务说明书”这里分享一个我自己总结出的Prompt模板。每次让AI实现一个新的因子或者数据模块不是直接说“写个动量因子”而是给一个包含输入、输出、约束、验收样例的说明书请实现一个纯Python/Pandas函数输入为DataFrame至少包含以下列 - trade_date: 日期类型升序无缺失 - close: 收盘价 - open / high / low / volume: 对应OHLCV数据 函数逻辑需求 1. 新增一列 factor_momentum定义是过去20个交易日收益率减去过去5个交易日收益率 2. 新增一列 factor_volume_zscore定义是当前成交量在过去20日成交量序列上的z-score。 严格约束 1. 实现中不得使用任何未来数据不允许对全表做sort后shift(-1)这类操作把未来信息带进来 2. 当rolling窗口不足时将对应值设为NaN不要填充为0 3. 输入若包含多只股票必须按股票代码分组计算 4. 请输出可以直接运行的函数体和三组最小可测试样例样例中包含逐日的手动计算期望值。重点就在“约束”和“验收样例”这两部分。让AI自己生成测试样例能逼它对每个计算步骤的输入输出口径做一次推演很多自以为逻辑正确的实现会在自测阶段露出马脚。我大概统计过加了验收样例之后AI生成代码一次通过率提升得非常明显返工次数大概是原来的三分之一。2.3 数据层落地一日不统一口径后面天天还债数据层是整个项目里最枯燥但最不能偷懒的部分花在上面的时间后面都会以“回测结果可信”的方式加倍回报。我选择的数据获取方式是A股公开行情接口akshare——这是一个把公开数据源包成统一接口的开源库个人研究足够用。注意我坚决不碰那些需要绕过官方限制才能获取的数据源这既是合规底线也是稳定性的前提。下面是数据拉取的基本模板import akshare as ak import pandas as pd from datetime import datetime def fetch_daily(symbol: str, start: str, end: str) - pd.DataFrame: df ak.stock_zh_a_hist( symbolsymbol, # 这里传股票代码示例中不再写具体标的换成你自己的观察池代码 perioddaily, start_datestart, end_dateend, adjusthfq # 使用后复权保证历史价格连续可算 ) df[trade_date] pd.to_datetime(df[日期]) df.rename(columns{开盘: open, 收盘: close, 最高: high, 最低: low, 成交量: volume}, inplaceTrue) df df[[trade_date, open, high, low, close, volume]].sort_values(trade_date) return df这里最容易被忽略的是复权方式。很多人图省事直接取前复权数据但前复权数据会随最新价格变动而整体平移也就是说你上个月下载的历史数据和这个月下载的同一段历史数据价格可能不一样。如果因子计算、回测都是用不同时期的缓存数据混合跑结果必然混乱。我在项目里统一用后复权数据做因子计算和回测输出给前端展示时再转成前复权或者不复权两边互不污染。另一个关键的工程细节是缓存。全市场几千只股票每天全量拉取费时费力还容易触发接口频率限制。我写了一个增量缓存机制def update_daily_cache(symbol: str): cache_file fdata/{symbol}.parquet try: local_df pd.read_parquet(cache_file) local_last local_df[trade_date].max() start local_last.strftime(%Y%m%d) except FileNotFoundError: start 20150101 new_df fetch_daily(symbol, start, datetime.now().strftime(%Y%m%d)) all_df pd.concat([local_df, new_df]).drop_duplicates(trade_date).sort_values(trade_date) all_df.to_parquet(cache_file, indexFalse)只有本地没有历史文件时才做全量初始化平时只拉增量。这个设计看起来简单但实际运行中帮我挡掉了大量接口报错和重复劳动。2.4 策略与信号人定义规则AI翻译成代码因子和策略层是这个项目的灵魂。我用的不是那种纯黑箱深度学习选股而是偏“可解释多因子打分”的方法。每个因子背后都有逻辑含义AI只是把规则翻译成pandas代码的翻译官。我的因子池分成几类价值质量类盈利稳定性、ROE水平、经营性现金流与净利润的比值、商誉占比的变化量价动量类过去若干周期内的区间涨跌幅、均线多头排列程度、成交量的相对变化风险类波动率、最大回撤、低位盘整的横盘时长。每一类因子我都让AI按2.2里那份“任务说明书”的方式实现一遍。实现完不等于完事我还会用最原始的抽样方法复核随机取几只股票的几个交易日自己拿计算器按原始公式加一遍跟函数输出对比。这个过程看着笨却是堵住公式口径错误最有效的手段。信号层在每天收盘后统一执行。先跑数据更新再算全市场股票因子再按设置好的过滤条件筛出当日观察池。推送内容会包含股票代码、入选原因、关键因子数值、风险提示但不包含任何“明天一定会怎样”的表述。这种表述本身就是一种红线。3. 回测引擎跑完AI造了一个“永远能赚钱”的错觉项目开发过程中让我最难忘的不是某个功能实现不出来而是回测引擎刚写完时跑出来的结果漂亮得吓人年化收益接近50%最大回撤只有不到8%胜率超过70%。说实话那几天我一度以为自己已经找到了圣杯。但冷静下来越看越不对劲——这个策略在样本外为什么也会这么稳定是不是哪里冒出了一个看不见的“未来函数”3.1 异常收益率出现后的第一反应先别高兴如果你跑回测跑出特别夸张的收益曲线第一反应不该是兴奋而是怀疑。真实市场里一类因子如果真能稳定地年化50%且回撤只有8%要么市场无效到离谱要么你的回测代码在骗你。我当时的怀疑路径是这样的。第一步看月度收益分布。如果一个策略每个月都赚钱只亏过一两个月这个分布太整齐了像假数据。第二步随机抽几笔交易记录逐笔看买入日期、买入价、卖出日期、卖出价。第三步检查交易价格是否真的来自“信号发出后的下一个交易日”而不是当天。果然抽查到第三笔交易就露馅了信号发出日当天显示以收盘价买入而买入价竟然等于当天涨停后的收盘价且第二天开盘直接卖出还能赚到“隔夜跳空”的收益。看上去好像是策略捕捉到了某种开盘动量但我心里清楚信号都是收盘后才计算的真实世界里你根本不可能在收盘那一刻成交。3.2 完整排查链路从漂亮曲线反查到未来数据混入整个排查链路值得复盘。第一步定位信号时间线。把一条具体记录的因子值、信号日期、建议买入日期、实际成交价格一起打印出来。这就是个三列对比T日产生信号理论上T1日开盘价成交但记录里却是T日收盘价成交。第二步查数据生成逻辑。我去翻AI当初写的“因子计算模块”代码发现问题出在排序索引上。它写了一批因子列其中一列代表“未来20日累计收益”用来做因子有效性统计。这个列本来应该只在分析时用不应该出现在策略信号表里。但AI在生成因子表的时候直接把这个收益列合并到了因子表里变成了“当前看到的未来数据”。更隐蔽的是它把已有数据做了这样一操作# 问题代码乍看是标准化实际上引入未来信息 df[future_return] df.groupby(symbol)[close].transform( lambda x: x.pct_change(20).shift(-20) ) df[signal] (df[factor] 0) (df[future_return] 0)表面上看shift(-20)只是把20天后的收益率挪到今天问题在于你的“signal”一旦用了这个列就等于站在今天使用了未来20天的信息。历史回测当然会赚钱因为模型已经在用考试答案答题了。第三步重构信号逻辑信号列只能由T日及之前的行情和财务数据计算任何出现在表达式右侧的列都不能带负的shift偏移。第四步加拦截规则。从根上禁止策略层代码里出现任何shift(-n)的调用所有因子函数统一走一个安全检测工具检测到符号里有未来偏移就直接拒绝执行并报错。# 修复后的思路信号只依赖T日已完结数据 df[ret_5d] df[close].pct_change(5) df[ret_20d] df[close].pct_change(20) df[factor_momentum] df[ret_20d] - df[ret_5d] df[signal] (df[factor_momentum] 0) (df[volume_zscore] 1)3.3 给AI生成的回测代码加三道“防骗锁”经过这次事故后我在项目里加入了几个硬性校验环节现在每次回测跑完都会自动执行防止AI再在数据缝里藏未来函数。第一道锁叫“延迟一日成交校验”。回测主引擎强制做一件事所有信号发出后的模拟成交价格固定取信号所在交易日下一交易日的开盘价。这是为了模拟真实世界的信息延迟你收盘后才算出因子最早只能在第二天开盘时执行。任何能绕过这条逻辑的设置代码审查阶段直接打回。第二道锁叫“随机标签穿越测试”。做法是把信号序列在时间轴上随机打乱再跑一遍回测得到一组随机情况下的收益分布。如果真实信号回测的收益明显优于95%以上的随机情况说明策略携带了一些真实信息如果真实信号和随机标签的收益差异不大那你的策略大概率就是从噪声里找规律。import numpy as np def run_randomized_backtest(signal_df, returns_df, n200): random_sharpe_list [] for _ in range(n): shuffled signal_df[signal].sample(frac1.0).reset_index(dropTrue) # 保持信号总数一致打乱时间配对关系 daily_ret returns_df[daily_ret].values matched shuffled.values * daily_ret random_sharpe_list.append(matched.mean() / matched.std() if matched.std() 0 else 0) return np.percentile(random_sharpe_list, [5, 50, 95])第三道锁叫“极端收益敏感性检查”。回测收益如果集中在少数几个极端日期比如5%的交易贡献了80%的利润那策略实际稳定性要打个大问号。把这个指标纳入常规输出哪怕收益曲线好看也要看这组数字。4. 从模拟盘到实盘观察行情数据给我上的三堂课修复完未来函数之后回测净值曲线确实变得“正常”了不再有那种横平竖直的完美收益。接下来我把工具接入了每日实盘信号模拟挂了个模拟账户跑了几个月相当于做样本外验证。这几个月里AI生成的代码本身很少出问题真正反复折磨我的反而是数据源和真实交易机制之间的摩擦。4.1 停牌、一字板和涨跌停回测里不会告诉你的成交限制第一次明显的样本外偏差来自停牌股。信号在T日触发了某只股票但它在T1日开市前直接停牌。回测引擎按常规逻辑用T1日开盘价撮合了这笔单子但真实世界里你根本买不到。后来我在数据清洗环节补了一个停牌过滤凡是在信号发出后首个交易日没有正常开盘价或者开盘价处于涨停状态的直接取消模拟成交。一字涨停的坑比停牌更隐蔽。有些股票早上集合竞价直接封死涨停板作为散户你挂单大概率排在很后面根本没机会成交。如果不做限制回测会把这种“根本买不进去”的收益也计进去高估策略表现。我的处理办法很朴素当T1日开盘价较T日收盘价涨幅超过9.5%A股主板涨停线附近时标记为“疑似不可成交”这笔信号除非后面打开涨停板否则不参与收益统计。这些限制看着都是常识但初版回测引擎几乎一个都没想到。AI如果没被告知A股存在涨跌停制度它默认按美股那种连续竞价模型来处理逻辑上完全合理但在这个市场里就是错的。4.2 换手率与成本摩擦实盘收益的核心杀手另一个在回测里容易被轻描淡写、实盘里却非常致命的因素是交易成本。我最初把交易成本设成单边万二点五佣金加卖出千分之零点五印花税看起来很低对不对但实际上换手率稍微一高成本累积非常惊人。如果一个策略每个月全仓换手两三次一年下来的总成本可能直接吃掉好几个百分点的收益对本来年化只有十几个百分点的模型来说这足以把优势变成劣势。后来我在回测引擎里加入了一个更真实的成本模型def calc_trade_cost(price, order_value, is_sellFalse): commission max(order_value * 0.00025, 5) # 佣金最低5元 stamp_tax order_value * 0.0005 if is_sell else 0 transfer_fee order_value * 0.00001 slippage order_value * 0.001 # 单边滑点按0.1%估 return commission stamp_tax transfer_fee slippage滑点按单边0.1%估是相对保守的假设。加入了成本模型之后我优化策略的方向也变了不再单纯追求选股收益而是同时控制调仓频率、过滤掉那些收益不够覆盖交易成本的边缘信号。4.3 数据源抖动与进程守护AI帮我写的运维脚本比策略代码更值钱实盘观察期间数据源接口偶尔会超时、返回空数据、或者因网络波动导致拉取进程卡死。这些事在回测阶段根本遇不到但放到每日定时任务里就是常态。有一阵子每天早上推送的信号突然变少排查了很久发现是数据更新进程在凌晨跑挂了缓存里的数据停留在三天前因子计算拿到的全是过期数据。从那以后我和AI的协作重点从“写策略”转向了“写运维保障”。让AI帮我生成了一套带重试机制、运行日志和状态检查的数据更新脚本def safe_update_all(stock_list, max_retry3): failed [] for symbol in stock_list: for attempt in range(max_retry): try: update_daily_cache(symbol) break except Exception as e: if attempt max_retry - 1: failed.append((symbol, str(e))) time.sleep(2 ** attempt) if failed: send_alert(f更新失败{failed}) return failed别小看这个脚本。它解决的是所有数据项目都会遇到的“99%的时间正常1%的时间出事”问题。那1%的时间恰好就是你最需要可靠信号的早晨。量化工具能不能长期运转看的恰恰是这部分基建是否扎实。5. 关于AI写量化代码我最后想说的三件小事代码跑通、信号正常推送了几个月以后这个项目算是稳定进入了维护期。回过头看整个开发和验证过程中最值钱的经验不是策略本身而是三件关于边界的小事。5.1 回测结果漂亮先找三种“统计幻觉”我给自己立了一条规矩任何回测结果出来要先做三次检查。第一检查结果是否依赖极少数样本。比如某类因子在所有历史上一共只发出过十次信号其中六次赚了钱胜率60%这个数字没有任何统计意义。如果按年度拆开看只有2018年赚钱其余年份都是亏的那它更可能是一个特定年份行情的产物而不是稳定的规律。第二检查训练与测试是否同源。如果用同一段数据反复调整参数最后选出了表现最好的参数组合再用同一段数据展示收益这就是典型的过拟合。我尝试过简单的留出法前80%时间做因子开发和参数选择后20%时间完全不碰等模型固定后再跑一次。这套方式不能根治过拟合但至少能让心里有数。第三检查收益来源是否过度集中于单一风格区间。比如策略本质上在长期持有高波动小盘股那么它在小盘风格占优的年份天然表现好大盘风格来临时可能会很难看。这不能叫“稳定盈利”只能说“你正好站在了风口期”。5.2 AI生成代码里最需要警惕的是看起来很对的错误AI编程工具的一大特点是“表达流畅”它给出的代码往往结构清晰、注释完整、变量命名规范肉眼看起来非常专业。但流畅不等于正确。我在这个项目里抓过的AI bug包括把一个聚合指标用错了分组维度导致全市场信号只出自同一只股票把时间索引从object类型转datetime时默认为UTC导致日期偏移八小时在复权因子更新后没有重算全部因子导致新旧缓存混用。这些bug的共同点是不报错能运行甚至结果乍看合理。AI不会告诉你它哪里没有把握它只会用同样自信的语气输出正确答案和错误答案。所以务必要给AI生成的代码配单元测试和验收样例尤其是数据计算类代码没有验证逻辑就默认正确是非常危险的习惯。我在实际开发中经常用这么一种方式让AI给每个数据处理函数写“边界测试”专门测试空数据、全NaN数据、单只股票数据、跨年数据、停牌日数据。AI本来对这类测试场景就很有想象力让它主动生成这些测试比人自己穷举边界效率高得多。测试跑完再谈功能对不对。5.3 为什么项目止步于“信号推送”而非自动化交易很多朋友听说我在做量化工具第一句话都是问“那你现在是不是躺着赚钱了”。实际上这个项目从头到尾定位就不是自动交易。最大的原因不是技术做不到而是边界拿不准。个人开发者接到券商自动交易接口涉及接口可用性、系统稳定性、极端行情下风控能不能及时触发、策略出现bug时有没有熔断机制。我在模拟盘阶段见过太多“回测很完美、实盘拉胯”的例子自动交易一旦在没有强风控的情况下跑起来一次滑点失控可能就把很长时间的收益还回去。对业余个人研究来说每天把信号推送到手机上自己再花几分钟看一遍基本面、盘口、消息面最后手动操作这套流程反而更踏实。我也可以给工具的边界做个总结它不产生稳赚不亏的魔法信号它只是一个负责处理数据、计算因子、验证思路、提醒风险的副驾驶。真正的认知判断和最终决策还是要握在你自己手里。如果让我重来一次最开始应该投入时间最多的地方不是回测引擎而是数据校验层先把“数据对不对”这件事彻底解决。项目做到现在我对AI辅助开发的态度是放心让它写但每一段代码都要有验证有边界有日志。AI能把量化工具的开发门槛压得很低但市场的风险、代码的错误、数据里的猫腻一样都不会因为AI的出现而自动消失。
前两天有人私信我说想用AI直接给推几只明天能涨的股票。我回了一句这个方向从起跑线就歪了。大模型并不适合用来猜行情它真正擅长的是帮我把“量化工具”这种工程强度很高的东西快速落地。我自己最近就在用AI开发一个A股量化研究工具从数据清洗、因子计算、回测校验到每日信号推送一个人加几个AI对话窗口就撑起了整个开发流程。这篇文章把整个过程、关键设计、踩坑经历和排查思路完整梳理一遍。它不是荐股软件也不是自动交易系统而是给个人开发者参考的一整套“AI辅助量化工具开发”实战框架。想自己动手折腾量化、同时对AI辅助编码感兴趣的朋友重点看回测校验那几段那里面的坑最贵。1. 为什么选择自建工具而不是继续用现成的量化研究平台有人会问现在市面上现成的量化平台和开源框架一大堆为什么非要自己折腾我之前其实先在几个在线量化平台上做过策略实验还用了一些开源回测框架最后才决定走“AI辅助自建”这条路。这个选择的背后有两个非常现实的原因。1.1 现成平台的便利与隐性代价在线量化平台最大的好处是把数据、回测和模拟交易打包好了新手甚至可以不用懂太多数据工程就能跑通一个简单的双均线策略。特别是刚接触量化的时候能提供一个特别友好的环境把“策略逻辑”和“工程实现”解耦让你先理解策略本身。但用到后期几个问题开始浮现。第一策略代码和平台深度耦合。平台提供的API、数据字典、回测函数、订单执行模型都是它们自己封装的一旦想把策略逻辑迁移到本地或者接入自己的另类数据迁移成本相当高。说白了你在这个平台上学到的很多知识是“专利格式”不是通用技能。第二平台的预制因子池和通用策略模板容易让人形成惰性思维。社区里大量人跑着差不多的策略思路高度同质。我希望工具能沉淀自己的数据清洗流程、自定义因子库和可解释的信号规则而不只是在一个平台里“回测完就完”。第三研究过程中的数据掌控感不够。比如做因子分析时经常需要对原始行情做自定义切分、对齐交易日历、叠加自己维护的股票池标签这些事情在封闭平台里做总要跟不灵活的数据权限较劲。1.2 为什么是“AI辅助”而不是纯手写既然决定自建那接着的问题就是为什么不纯手写说实话光靠自己下班后的零碎时间从头写一套包括数据层、策略层、回测层、信号层、定时任务和可视化模块的工具周期会拉得很长。但在AI辅助下这个周期被大大压缩了。整个项目跑到现在代码总量大概六千行左右其中决策和架构是我定的编码生成尤其是样板代码、数据处理逻辑、回测框架的初版、异常处理超过六成由AI生成后再人工校对。但这句话千万不要理解成“AI就是帮我把活干完的工具”。实际经验是AI越强越需要人给出清晰的约束。架构设计、数据口径约定、验收标准这些底线性的事情必须由人来定。AI是高效的施工队而你是项目经理兼监理。一个合格的施工队能按图施工但图纸画错了一层层墙它也会照单全收地帮你砌出来。1.3 项目的整体功能定位这个工具在我手里的定位是一个“个人量化研究工作台”。具体功能包括自动从公开数据源抓取日线行情、基础财务数据、指数成分数据做完清洗和缓存之后落入本地存储。用我自定义的因子体系对全市场股票做过滤和打分每天收盘后生成候选观察池。对候选标的用统一的历史回测框架验证规则有效性输出收益曲线、最大回撤、胜率、盈亏比等核心指标。每天早上把当日需要留意的信号推送到个人微信/企业微信群里提醒我手动复核再决定要不要交易。注意最后一步我没有做全自动下单。原因后面会单独用一整节展开对个人开发者来说自动交易涉及券商接口合规、系统稳定性、极端行情风控等一系列问题不是技术上行不行而是边界上该不该。信号推给人工决策前期完全够用。2. 先拆架构再让AI进场四层结构与任务切分法很多人用AI开发项目失败问题不在AI能力不够而在prompt太模糊。我曾试过把整个量化工具的需求一股脑丢给AI让它“搭一个完整的量化工具”结果它真的会生成一个看似完整但到处是空壳的框架接口定义了不少但核心逻辑要么没实现要么用了不存在的API跑起来第一秒就报错。后来我调整了工作方式核心原则一句话骨架人定血肉AI填。功能怎么分层、模块之间怎么交互、数据口径怎么统一这些是架构问题人必须先想清楚具体某个函数怎么实现、某个数据处理片段怎么写这些是编码问题可以放心交给AI。2.1 量化工具的四层架构我自己的架构分成四层每一层职责非常清晰层级职责关键约定AI承担的工作数据层获取公开行情与财务数据清洗、复权、缓存同一份数据只能有一个权威来源缓存必须带更新时间标记编写数据抓取函数、异常重试、缓存增量更新逻辑策略层计算因子、生成信号所有信号值在T日收盘后计算只能使用T日及之前的数据按我的因子公式翻译成pandas代码生成候选观察池回测层验证信号的历史表现成交价必须用信号次日开盘价手续费、印花税、滑点必须计入搭建回测主循环、资金曲线计算、绩效指标汇总信号层输出当日提醒并留痕每次信号必须写到数据库附带当时使用的参数版本读写信号库、生成可读的提醒消息、推送到群这套分层的价值在于当回测结果异常时可以快速定位到底是哪一层出了问题。如果信号在策略层就用了未来数据后面根本不用看回测结果。如果策略层没问题但回测层把第二天开盘价当成了当天收盘价成交那问题又不一样了。架构清晰排查才不靠猜。2.2 让AI写代码前先给它一份“任务说明书”这里分享一个我自己总结出的Prompt模板。每次让AI实现一个新的因子或者数据模块不是直接说“写个动量因子”而是给一个包含输入、输出、约束、验收样例的说明书请实现一个纯Python/Pandas函数输入为DataFrame至少包含以下列 - trade_date: 日期类型升序无缺失 - close: 收盘价 - open / high / low / volume: 对应OHLCV数据 函数逻辑需求 1. 新增一列 factor_momentum定义是过去20个交易日收益率减去过去5个交易日收益率 2. 新增一列 factor_volume_zscore定义是当前成交量在过去20日成交量序列上的z-score。 严格约束 1. 实现中不得使用任何未来数据不允许对全表做sort后shift(-1)这类操作把未来信息带进来 2. 当rolling窗口不足时将对应值设为NaN不要填充为0 3. 输入若包含多只股票必须按股票代码分组计算 4. 请输出可以直接运行的函数体和三组最小可测试样例样例中包含逐日的手动计算期望值。重点就在“约束”和“验收样例”这两部分。让AI自己生成测试样例能逼它对每个计算步骤的输入输出口径做一次推演很多自以为逻辑正确的实现会在自测阶段露出马脚。我大概统计过加了验收样例之后AI生成代码一次通过率提升得非常明显返工次数大概是原来的三分之一。2.3 数据层落地一日不统一口径后面天天还债数据层是整个项目里最枯燥但最不能偷懒的部分花在上面的时间后面都会以“回测结果可信”的方式加倍回报。我选择的数据获取方式是A股公开行情接口akshare——这是一个把公开数据源包成统一接口的开源库个人研究足够用。注意我坚决不碰那些需要绕过官方限制才能获取的数据源这既是合规底线也是稳定性的前提。下面是数据拉取的基本模板import akshare as ak import pandas as pd from datetime import datetime def fetch_daily(symbol: str, start: str, end: str) - pd.DataFrame: df ak.stock_zh_a_hist( symbolsymbol, # 这里传股票代码示例中不再写具体标的换成你自己的观察池代码 perioddaily, start_datestart, end_dateend, adjusthfq # 使用后复权保证历史价格连续可算 ) df[trade_date] pd.to_datetime(df[日期]) df.rename(columns{开盘: open, 收盘: close, 最高: high, 最低: low, 成交量: volume}, inplaceTrue) df df[[trade_date, open, high, low, close, volume]].sort_values(trade_date) return df这里最容易被忽略的是复权方式。很多人图省事直接取前复权数据但前复权数据会随最新价格变动而整体平移也就是说你上个月下载的历史数据和这个月下载的同一段历史数据价格可能不一样。如果因子计算、回测都是用不同时期的缓存数据混合跑结果必然混乱。我在项目里统一用后复权数据做因子计算和回测输出给前端展示时再转成前复权或者不复权两边互不污染。另一个关键的工程细节是缓存。全市场几千只股票每天全量拉取费时费力还容易触发接口频率限制。我写了一个增量缓存机制def update_daily_cache(symbol: str): cache_file fdata/{symbol}.parquet try: local_df pd.read_parquet(cache_file) local_last local_df[trade_date].max() start local_last.strftime(%Y%m%d) except FileNotFoundError: start 20150101 new_df fetch_daily(symbol, start, datetime.now().strftime(%Y%m%d)) all_df pd.concat([local_df, new_df]).drop_duplicates(trade_date).sort_values(trade_date) all_df.to_parquet(cache_file, indexFalse)只有本地没有历史文件时才做全量初始化平时只拉增量。这个设计看起来简单但实际运行中帮我挡掉了大量接口报错和重复劳动。2.4 策略与信号人定义规则AI翻译成代码因子和策略层是这个项目的灵魂。我用的不是那种纯黑箱深度学习选股而是偏“可解释多因子打分”的方法。每个因子背后都有逻辑含义AI只是把规则翻译成pandas代码的翻译官。我的因子池分成几类价值质量类盈利稳定性、ROE水平、经营性现金流与净利润的比值、商誉占比的变化量价动量类过去若干周期内的区间涨跌幅、均线多头排列程度、成交量的相对变化风险类波动率、最大回撤、低位盘整的横盘时长。每一类因子我都让AI按2.2里那份“任务说明书”的方式实现一遍。实现完不等于完事我还会用最原始的抽样方法复核随机取几只股票的几个交易日自己拿计算器按原始公式加一遍跟函数输出对比。这个过程看着笨却是堵住公式口径错误最有效的手段。信号层在每天收盘后统一执行。先跑数据更新再算全市场股票因子再按设置好的过滤条件筛出当日观察池。推送内容会包含股票代码、入选原因、关键因子数值、风险提示但不包含任何“明天一定会怎样”的表述。这种表述本身就是一种红线。3. 回测引擎跑完AI造了一个“永远能赚钱”的错觉项目开发过程中让我最难忘的不是某个功能实现不出来而是回测引擎刚写完时跑出来的结果漂亮得吓人年化收益接近50%最大回撤只有不到8%胜率超过70%。说实话那几天我一度以为自己已经找到了圣杯。但冷静下来越看越不对劲——这个策略在样本外为什么也会这么稳定是不是哪里冒出了一个看不见的“未来函数”3.1 异常收益率出现后的第一反应先别高兴如果你跑回测跑出特别夸张的收益曲线第一反应不该是兴奋而是怀疑。真实市场里一类因子如果真能稳定地年化50%且回撤只有8%要么市场无效到离谱要么你的回测代码在骗你。我当时的怀疑路径是这样的。第一步看月度收益分布。如果一个策略每个月都赚钱只亏过一两个月这个分布太整齐了像假数据。第二步随机抽几笔交易记录逐笔看买入日期、买入价、卖出日期、卖出价。第三步检查交易价格是否真的来自“信号发出后的下一个交易日”而不是当天。果然抽查到第三笔交易就露馅了信号发出日当天显示以收盘价买入而买入价竟然等于当天涨停后的收盘价且第二天开盘直接卖出还能赚到“隔夜跳空”的收益。看上去好像是策略捕捉到了某种开盘动量但我心里清楚信号都是收盘后才计算的真实世界里你根本不可能在收盘那一刻成交。3.2 完整排查链路从漂亮曲线反查到未来数据混入整个排查链路值得复盘。第一步定位信号时间线。把一条具体记录的因子值、信号日期、建议买入日期、实际成交价格一起打印出来。这就是个三列对比T日产生信号理论上T1日开盘价成交但记录里却是T日收盘价成交。第二步查数据生成逻辑。我去翻AI当初写的“因子计算模块”代码发现问题出在排序索引上。它写了一批因子列其中一列代表“未来20日累计收益”用来做因子有效性统计。这个列本来应该只在分析时用不应该出现在策略信号表里。但AI在生成因子表的时候直接把这个收益列合并到了因子表里变成了“当前看到的未来数据”。更隐蔽的是它把已有数据做了这样一操作# 问题代码乍看是标准化实际上引入未来信息 df[future_return] df.groupby(symbol)[close].transform( lambda x: x.pct_change(20).shift(-20) ) df[signal] (df[factor] 0) (df[future_return] 0)表面上看shift(-20)只是把20天后的收益率挪到今天问题在于你的“signal”一旦用了这个列就等于站在今天使用了未来20天的信息。历史回测当然会赚钱因为模型已经在用考试答案答题了。第三步重构信号逻辑信号列只能由T日及之前的行情和财务数据计算任何出现在表达式右侧的列都不能带负的shift偏移。第四步加拦截规则。从根上禁止策略层代码里出现任何shift(-n)的调用所有因子函数统一走一个安全检测工具检测到符号里有未来偏移就直接拒绝执行并报错。# 修复后的思路信号只依赖T日已完结数据 df[ret_5d] df[close].pct_change(5) df[ret_20d] df[close].pct_change(20) df[factor_momentum] df[ret_20d] - df[ret_5d] df[signal] (df[factor_momentum] 0) (df[volume_zscore] 1)3.3 给AI生成的回测代码加三道“防骗锁”经过这次事故后我在项目里加入了几个硬性校验环节现在每次回测跑完都会自动执行防止AI再在数据缝里藏未来函数。第一道锁叫“延迟一日成交校验”。回测主引擎强制做一件事所有信号发出后的模拟成交价格固定取信号所在交易日下一交易日的开盘价。这是为了模拟真实世界的信息延迟你收盘后才算出因子最早只能在第二天开盘时执行。任何能绕过这条逻辑的设置代码审查阶段直接打回。第二道锁叫“随机标签穿越测试”。做法是把信号序列在时间轴上随机打乱再跑一遍回测得到一组随机情况下的收益分布。如果真实信号回测的收益明显优于95%以上的随机情况说明策略携带了一些真实信息如果真实信号和随机标签的收益差异不大那你的策略大概率就是从噪声里找规律。import numpy as np def run_randomized_backtest(signal_df, returns_df, n200): random_sharpe_list [] for _ in range(n): shuffled signal_df[signal].sample(frac1.0).reset_index(dropTrue) # 保持信号总数一致打乱时间配对关系 daily_ret returns_df[daily_ret].values matched shuffled.values * daily_ret random_sharpe_list.append(matched.mean() / matched.std() if matched.std() 0 else 0) return np.percentile(random_sharpe_list, [5, 50, 95])第三道锁叫“极端收益敏感性检查”。回测收益如果集中在少数几个极端日期比如5%的交易贡献了80%的利润那策略实际稳定性要打个大问号。把这个指标纳入常规输出哪怕收益曲线好看也要看这组数字。4. 从模拟盘到实盘观察行情数据给我上的三堂课修复完未来函数之后回测净值曲线确实变得“正常”了不再有那种横平竖直的完美收益。接下来我把工具接入了每日实盘信号模拟挂了个模拟账户跑了几个月相当于做样本外验证。这几个月里AI生成的代码本身很少出问题真正反复折磨我的反而是数据源和真实交易机制之间的摩擦。4.1 停牌、一字板和涨跌停回测里不会告诉你的成交限制第一次明显的样本外偏差来自停牌股。信号在T日触发了某只股票但它在T1日开市前直接停牌。回测引擎按常规逻辑用T1日开盘价撮合了这笔单子但真实世界里你根本买不到。后来我在数据清洗环节补了一个停牌过滤凡是在信号发出后首个交易日没有正常开盘价或者开盘价处于涨停状态的直接取消模拟成交。一字涨停的坑比停牌更隐蔽。有些股票早上集合竞价直接封死涨停板作为散户你挂单大概率排在很后面根本没机会成交。如果不做限制回测会把这种“根本买不进去”的收益也计进去高估策略表现。我的处理办法很朴素当T1日开盘价较T日收盘价涨幅超过9.5%A股主板涨停线附近时标记为“疑似不可成交”这笔信号除非后面打开涨停板否则不参与收益统计。这些限制看着都是常识但初版回测引擎几乎一个都没想到。AI如果没被告知A股存在涨跌停制度它默认按美股那种连续竞价模型来处理逻辑上完全合理但在这个市场里就是错的。4.2 换手率与成本摩擦实盘收益的核心杀手另一个在回测里容易被轻描淡写、实盘里却非常致命的因素是交易成本。我最初把交易成本设成单边万二点五佣金加卖出千分之零点五印花税看起来很低对不对但实际上换手率稍微一高成本累积非常惊人。如果一个策略每个月全仓换手两三次一年下来的总成本可能直接吃掉好几个百分点的收益对本来年化只有十几个百分点的模型来说这足以把优势变成劣势。后来我在回测引擎里加入了一个更真实的成本模型def calc_trade_cost(price, order_value, is_sellFalse): commission max(order_value * 0.00025, 5) # 佣金最低5元 stamp_tax order_value * 0.0005 if is_sell else 0 transfer_fee order_value * 0.00001 slippage order_value * 0.001 # 单边滑点按0.1%估 return commission stamp_tax transfer_fee slippage滑点按单边0.1%估是相对保守的假设。加入了成本模型之后我优化策略的方向也变了不再单纯追求选股收益而是同时控制调仓频率、过滤掉那些收益不够覆盖交易成本的边缘信号。4.3 数据源抖动与进程守护AI帮我写的运维脚本比策略代码更值钱实盘观察期间数据源接口偶尔会超时、返回空数据、或者因网络波动导致拉取进程卡死。这些事在回测阶段根本遇不到但放到每日定时任务里就是常态。有一阵子每天早上推送的信号突然变少排查了很久发现是数据更新进程在凌晨跑挂了缓存里的数据停留在三天前因子计算拿到的全是过期数据。从那以后我和AI的协作重点从“写策略”转向了“写运维保障”。让AI帮我生成了一套带重试机制、运行日志和状态检查的数据更新脚本def safe_update_all(stock_list, max_retry3): failed [] for symbol in stock_list: for attempt in range(max_retry): try: update_daily_cache(symbol) break except Exception as e: if attempt max_retry - 1: failed.append((symbol, str(e))) time.sleep(2 ** attempt) if failed: send_alert(f更新失败{failed}) return failed别小看这个脚本。它解决的是所有数据项目都会遇到的“99%的时间正常1%的时间出事”问题。那1%的时间恰好就是你最需要可靠信号的早晨。量化工具能不能长期运转看的恰恰是这部分基建是否扎实。5. 关于AI写量化代码我最后想说的三件小事代码跑通、信号正常推送了几个月以后这个项目算是稳定进入了维护期。回过头看整个开发和验证过程中最值钱的经验不是策略本身而是三件关于边界的小事。5.1 回测结果漂亮先找三种“统计幻觉”我给自己立了一条规矩任何回测结果出来要先做三次检查。第一检查结果是否依赖极少数样本。比如某类因子在所有历史上一共只发出过十次信号其中六次赚了钱胜率60%这个数字没有任何统计意义。如果按年度拆开看只有2018年赚钱其余年份都是亏的那它更可能是一个特定年份行情的产物而不是稳定的规律。第二检查训练与测试是否同源。如果用同一段数据反复调整参数最后选出了表现最好的参数组合再用同一段数据展示收益这就是典型的过拟合。我尝试过简单的留出法前80%时间做因子开发和参数选择后20%时间完全不碰等模型固定后再跑一次。这套方式不能根治过拟合但至少能让心里有数。第三检查收益来源是否过度集中于单一风格区间。比如策略本质上在长期持有高波动小盘股那么它在小盘风格占优的年份天然表现好大盘风格来临时可能会很难看。这不能叫“稳定盈利”只能说“你正好站在了风口期”。5.2 AI生成代码里最需要警惕的是看起来很对的错误AI编程工具的一大特点是“表达流畅”它给出的代码往往结构清晰、注释完整、变量命名规范肉眼看起来非常专业。但流畅不等于正确。我在这个项目里抓过的AI bug包括把一个聚合指标用错了分组维度导致全市场信号只出自同一只股票把时间索引从object类型转datetime时默认为UTC导致日期偏移八小时在复权因子更新后没有重算全部因子导致新旧缓存混用。这些bug的共同点是不报错能运行甚至结果乍看合理。AI不会告诉你它哪里没有把握它只会用同样自信的语气输出正确答案和错误答案。所以务必要给AI生成的代码配单元测试和验收样例尤其是数据计算类代码没有验证逻辑就默认正确是非常危险的习惯。我在实际开发中经常用这么一种方式让AI给每个数据处理函数写“边界测试”专门测试空数据、全NaN数据、单只股票数据、跨年数据、停牌日数据。AI本来对这类测试场景就很有想象力让它主动生成这些测试比人自己穷举边界效率高得多。测试跑完再谈功能对不对。5.3 为什么项目止步于“信号推送”而非自动化交易很多朋友听说我在做量化工具第一句话都是问“那你现在是不是躺着赚钱了”。实际上这个项目从头到尾定位就不是自动交易。最大的原因不是技术做不到而是边界拿不准。个人开发者接到券商自动交易接口涉及接口可用性、系统稳定性、极端行情下风控能不能及时触发、策略出现bug时有没有熔断机制。我在模拟盘阶段见过太多“回测很完美、实盘拉胯”的例子自动交易一旦在没有强风控的情况下跑起来一次滑点失控可能就把很长时间的收益还回去。对业余个人研究来说每天把信号推送到手机上自己再花几分钟看一遍基本面、盘口、消息面最后手动操作这套流程反而更踏实。我也可以给工具的边界做个总结它不产生稳赚不亏的魔法信号它只是一个负责处理数据、计算因子、验证思路、提醒风险的副驾驶。真正的认知判断和最终决策还是要握在你自己手里。如果让我重来一次最开始应该投入时间最多的地方不是回测引擎而是数据校验层先把“数据对不对”这件事彻底解决。项目做到现在我对AI辅助开发的态度是放心让它写但每一段代码都要有验证有边界有日志。AI能把量化工具的开发门槛压得很低但市场的风险、代码的错误、数据里的猫腻一样都不会因为AI的出现而自动消失。
排查指南)
