1. 从“AI写策略”到“策略能跑”：一个量化从业者的实战拆解

最近和几个做量化的朋友聊天，发现一个挺有意思的现象：大家或多或少都尝试过让AI帮忙写交易策略。无论是用ChatGPT生成一段Python代码，还是用Claude分析一个策略逻辑，结果往往是“代码看起来很美，但一跑就废”。这让我想起自己刚入行时踩过的无数个坑。今天，我就以一个过来人的身份，结合最近的热点，聊聊“AI帮我写交易策略”这件事。它绝不只是把需求丢给大模型，然后复制粘贴代码那么简单。从一段AI生成的策略代码，到它真正成为一个能在实盘或回测中稳定运行的“产品”，中间至少有三道至关重要的关卡。这三道关，决定了你的策略是停留在“玩具”阶段，还是有机会成为“武器”。我们一道一道来拆。

2. 第一道关：从“自然语言”到“可执行代码”的鸿沟

当你说“帮我写一个基于双均线金叉死叉的股票策略”时，AI可能会给你一段语法正确、结构清晰的Python代码。但这仅仅是开始，这段代码距离“能跑”还差得远。

2.1 AI代码的“理想化”陷阱

AI生成的策略代码，往往基于公开的、标准化的知识库。它写的pandas数据操作、TA-Lib指标计算可能都没问题。但问题在于，它写的是“教科书”版本。比如，一个经典的双均线策略：

import pandas as pd import numpy as np def double_ma_strategy(data, short_window=5, long_window=20): data[‘short_ma’] = data[‘close’].rolling(window=short_window).mean() data[‘long_ma’] = data[‘close’].rolling(window=long_window).mean() data[‘signal’] = 0 data.loc[data[‘short_ma’] > data[‘long_ma’], ‘signal’] = 1 data.loc[data[‘short_ma’] < data[‘long_ma’], ‘signal’] = -1 data[‘position’] = data[‘signal’].shift(1) return data

这段代码逻辑清晰，但直接扔进回测框架，八成会报错。为什么？因为它忽略了真实数据环境的复杂性。

首先，是数据结构的匹配问题。AI不知道你的数据源（比如akshare、tushare、聚宽JQData）返回的DataFrame的列名具体是什么。你的收盘价列可能是‘close’、‘Close’，甚至是‘收盘价’。代码中的data[‘close’]如果对不上，立刻就是KeyError。这不是AI的错，而是它缺乏你本地环境的上下文。

实操心得：我通常会让AI生成一个“函数骨架”，然后自己手动适配数据接口。更好的做法是，在给AI的指令中，就明确说明你的数据格式。例如：“假设我有一个Pandas DataFramedf，包含‘datetime’,‘open’,‘high’,‘low’,‘close’,‘volume’这几列，请基于此编写策略。”

其次，是未来函数（Look-ahead Bias）的隐蔽性。上面代码中，data[‘position’] = data[‘signal’].shift(1)这一行，就是防止使用未来数据的标准操作。AI知道这个规则，所以会加上。但更隐蔽的未来函数在于数据预处理。比如，AI可能会在计算指标前，建议你使用data.fillna(method=‘ffill’)来前向填充缺失值。在单个时间序列上这没问题，但如果你是在整个回测周期开始时，一次性对所有数据做填充，就等于在早期时间点“看到”了后期的数据来填充早期的空值，这引入了未来信息。一个合格的从业者，必须在回测引擎的每个时间步内，仅使用截至当前时刻的数据进行处理。

2.2 环境依赖与版本地狱

AI生成的代码经常会包含一些它“认为”常用的库，比如ta-lib、backtrader、zipline。它会写import talib，但不会告诉你TA-Lib在Windows上安装有多麻烦，需要先安装对应的C语言编译环境或者去找预编译的.whl文件。对于新手来说，光配环境可能就要折腾一两天。

更棘手的是版本兼容性问题。AI基于的训练数据可能混合了Python 2和Python 3的语法，或者使用了某个库已经废弃的API。比如，它可能用了pandas旧的.ix索引器，而你现在用的版本早就推荐使用.loc和.iloc了。再比如，关于matplotlib画图，它可能生成plt.plot(x, y)，但你的环境里如果没安装这个库，或者Jupyter Notebook的内核配置有问题，图就显示不出来。

我的经验是：拿到AI代码后，第一件事不是运行，而是通读一遍，把所有import语句摘出来，在虚拟环境里逐一pip install，并注意记录版本。对于像TA-Lib这种“钉子户”，我通常会准备一个备选方案，比如用pandas的滚动计算自己实现简单的移动平均，或者用stockstats这类纯Python库暂时替代。先让代码跑起来，再考虑优化。

3. 第二道关：回测——策略的“压力测试场”

代码能运行，只是过了语法关。策略的逻辑是否有效，必须经过回测的检验。而用AI写的策略进行回测，你会遇到一系列比想象中更复杂的问题。

3.1 选择正确的回测框架：从“玩具”到“武器”

市面上回测框架很多，从轻量级的backtesting.py，到功能强大的Backtrader、Zipline，再到在线平台如聚宽、米筐。AI可能会随便选一个它“熟悉”的来写示例。但你的选择至关重要。

• backtesting.py：优点是极其简单，几行代码就能看到夏普比率和收益曲线。AI也喜欢用它生成示例，因为代码短。但缺点是过于简化，它默认是向量化回测（一次处理所有数据），难以处理复杂的、依赖之前状态的策略逻辑（比如仓位管理），而且对交易成本、滑点的模拟比较基础。它适合快速验证一个想法的雏形。
• Backtrader：功能强大，支持事件驱动、复杂订单类型、多数据源、分析器。但学习曲线陡峭，代码冗长。AI生成的Backtrader代码往往只是一个空架子，关键的策略类__init__、next方法里的逻辑需要你大量填充和调试。
• 在线平台（聚宽/米筐）：数据方便，社区活跃，适合初学者和快速迭代。但策略代码被绑定在平台上，迁移成本高，且回测引擎是个黑盒，有些细节（如撮合逻辑）你可能无法完全掌控。

我个人的流程是：先用backtesting.py或在线平台做“快速原型验证”，如果策略逻辑看起来有希望，再将其核心逻辑移植到Backtrader中，进行更严谨、更接近实盘的回测。AI在这里的角色，是帮我生成不同框架下的代码模板，节省我查阅API文档的时间。

3.2 回测中必须手动设置的“魔鬼细节”

AI不会主动告诉你回测中那些至关重要的参数，但这些参数直接决定了回测结果的可信度。

1. 初始资金与仓位管理：AI生成的策略常常是“全仓进出”，每次信号出现就买卖100%的仓位。这在实际交易中风险极高。你必须手动加入仓位控制逻辑，比如固定比例（每次开仓30%）、凯利公式、或者基于波动率的动态仓位调整。
2. 交易成本：这是策略盈利的“磨损剂”。AI代码里很可能没有考虑佣金和滑点。在Backtrader中，你需要设置cerebro.broker.setcommission(commission=0.0003)（万三佣金）和cerebro.broker.set_slippage_perc(perc=0.0001)（万分之一滑点）。一个在零成本假设下盈利的策略，加上成本后可能瞬间转亏。
3. 数据质量与复权：AI不知道你的数据是前复权、后复权还是不复权。使用不同的复权方式，价格序列不同，均线位置不同，产生的交易信号也不同。对于股票策略，必须使用一致的前复权数据来回测，才能反映真实交易情况。你需要确保数据源提供的是正确的复权数据，并在代码中予以明确。
4. 幸存者偏差：如果你回测用的是当前还在交易的股票列表，那么你的策略“成功”可能只是因为选到了如今的好公司，而回避了那些已经退市的烂公司。这高估了策略的历史表现。严谨的回测应该使用“历史截面数据”，即回测到任何一个时间点，只能使用当时已经上市且未退市的股票池。这一点，绝大多数AI生成的代码和简单回测都无法做到，需要接入专门的数据库或使用平台的高级功能。

3.3 解读回测报告：超越“总收益率”

AI或回测框架生成的报告，通常会给你一个靓丽的总收益率和夏普比率。但千万别被这几个数字迷惑。

• 最大回撤：这可能是比收益率更重要的指标。它告诉你策略可能面临的最大亏损幅度。一个年化收益50%但最大回撤40%的策略，其持有体验极其痛苦，大多数人会在深度回撤中崩溃而止损。AI不会告诉你这个，你需要自己关注并评估是否能承受。
• 收益曲线：仔细观察资金曲线的走势。是平稳上升，还是靠一两次巨大的盈利拉升？曲线是否长期横盘（策略可能失效）？回撤修复期有多长？
• 交易统计：看看胜率、盈亏比、平均持仓时间、交易频率。一个胜率30%但盈亏比高达3的策略，可能比胜率70%但盈亏比只有0.5的策略更稳健。AI写的策略往往交易频率过高，导致交易成本侵蚀大量利润。
• 过拟合风险：这是AI辅助策略开发最大的陷阱。你可能反复修改参数（比如均线的周期），直到它在历史数据上表现完美。AI可以快速帮你生成不同参数组合的回测代码。但这很可能只是“过度优化”，策略只是完美拟合了历史噪音，在未来毫无用处。必须进行样本外测试和交叉验证。例如，用2015-2020年的数据训练（优化参数），用2021-2023年的数据验证表现是否衰减。

4. 第三道关：从回测到实盘的“最后一公里”

回测表现优异，不代表实盘就能赚钱。这中间有一道巨大的鸿沟，被称为“实盘落差”。很多策略死在这一步。

4.1 模拟交易（Paper Trading）的绝对必要性

在投入真金白银之前，必须进行足够长时间的模拟交易。模拟交易不是用历史数据回测，而是让策略连接实时或延迟的市场数据，产生实时信号，并模拟下单、成交、持仓的过程。目的是检验策略在实时环境下的表现。

• 逻辑一致性：在回测中，你的“当前K线”走完了才知道最高价、最低价、收盘价。但在实盘，当前K线正在形成，你的策略可能在K线中间就触发了交易信号。这会导致信号闪烁问题。模拟交易能暴露这类未来函数在实时环境下的变种。
• 网络与系统延迟：你的代码运行需要时间，从获取数据到发出订单也有延迟。在高频或短线策略中，这种延迟可能是致命的。模拟交易能帮你评估整个系统的延迟是否在可接受范围内。
• 心理适应：看着模拟仓位随着市场波动，也是一种心理锻炼。虽然不像真钱那样紧张，但能让你熟悉策略的正常波动范围。

如何搭建模拟环境？对于Python策略，你可以：

1. 使用券商提供的模拟交易API（很多券商都有）。
2. 使用像vn.py这类开源框架，它支持连接CTP等期货接口进行模拟。
3. 自己写一个简单的模拟器，订阅实时数据（如通过websocket），运行策略逻辑，并将买卖信号记录到数据库或日志中，手动核对。虽然粗糙，但有效。

4.2 实盘部署：可靠性压倒一切

当你决定实盘时，策略代码本身的重要性已经下降，而系统可靠性成为首要考虑。

1. 运行环境：你的策略是跑在本地电脑，还是云服务器上？本地电脑可能断电、死机、网络中断。强烈推荐使用云服务器（如腾讯云、阿里云的轻量应用服务器）。它提供99.95%以上的可用性，并且有固定的公网IP，方便监控和管理。
2. 进程守护：你的Python脚本不能因为一个异常就崩溃退出。需要使用进程守护工具，比如：
   • systemd(Linux)：这是最专业的方式。你可以写一个.service文件，设置策略服务开机自启、崩溃重启、日志重定向。
   • supervisor：一个Python写的进程管理工具，配置简单，可以方便地查看日志、重启进程。
   • 容器化：使用Docker将策略及其依赖打包成一个镜像。这能解决环境一致性问题，在任何地方部署都一样。结合Docker Compose或Kubernetes，能实现更强大的管理。
3. 日志与监控：这是实盘的“黑匣子”。你的策略必须输出详细的结构化日志（推荐使用logging模块），记录每一个信号、订单、成交、仓位变动、异常事件。日志要写入文件，并最好有日志聚合工具（如ELK栈的简化版）方便查询。同时，要有外部监控，比如定时向你的微信或钉钉发送心跳信息，如果长时间没收到心跳，说明程序可能挂了。
4. 风控与熔断：策略代码内部必须嵌入风控逻辑。例如：
   • 单日最大亏损达到X%，停止交易。
   • 连续亏损N次，停止交易。
   • 持仓市值超过总资金Y%，禁止开新仓。
   • 程序运行时，定期检查自身逻辑和持仓，与券商柜台的实际持仓进行核对，发现不一致立即报警并暂停。

这些风控逻辑，AI几乎不可能为你自动生成，因为它涉及具体的业务规则和风险偏好，必须由你亲手编写并反复测试。

5. 持续迭代：策略的生命周期管理

没有一个策略能永远有效。市场在变，流动性在变，你的策略也需要维护和迭代。

5.1 绩效归因与策略诊断

策略运行一段时间后，无论是模拟还是实盘，都要定期做“体检”。不要只看盈亏结果，要分析盈亏的来源。

• 是市场Beta收益（大盘涨了），还是Alpha收益（策略超额收益）？
• 收益主要来自哪几个品种或哪几笔交易？
• 亏损的交易有什么共同特征？（例如，是否都发生在某种特定的市场形态下？）

你可以用AI辅助进行分析。例如，将交易记录导出为CSV，让AI（如ChatGPT Advanced Data Analysis）帮你做初步的统计分析，绘制盈亏分布图，找出亏损交易的模式。但这只是辅助，最终的归因逻辑需要你基于对策略的理解来建立。

5.2 策略失效的信号与应对

如何判断一个策略可能失效了？

• 绩效持续恶化：不仅仅是亏损，而是夏普比率持续下降，最大回撤创新高，且资金曲线无法再创新高。
• 市场机制变化：例如，交易规则改变（涨跌停幅度调整）、手续费调整、新的衍生品上市等。
• 竞争加剧：如果你的策略逻辑简单，很容易被其他市场参与者发现并套利，从而侵蚀你的利润空间。

当怀疑策略失效时，首先应该做的是停止实盘或大幅降低仓位，而不是急着修改参数。然后，回到第二道关——回测。用最新的数据重新检验策略逻辑，看其是否依然有效。如果确实失效，需要思考是进行参数优化、逻辑修补，还是彻底放弃，寻找新的策略思路。AI可以在这个过程中帮你快速进行参数扫描和回测，但“放弃”的决策，必须由人来做。

说到底，AI是一个强大的“副驾驶”和“加速器”，它能帮你快速生成代码框架、进行数据预处理、执行重复的回测任务、甚至提供一些灵感。但它无法替代你对市场的理解、对风险的控制、对系统稳定性的追求，以及最重要的——做出最终交易决策的责任心。用好AI，让它帮你闯过“写代码”和“做回测”的前两关，但你必须亲自守住“实盘部署”和“持续迭代”的最后一关。只有这样，“AI写的策略”才有可能真正“跑起来”，并且跑得远、跑得稳。