AI 量化五层系统

AI 把哪些事情变便宜了

现在你输入一句人话，工具可以拉数据、写第一版代码、跑初步回测，再生成一份看起来很专业的报告。以前卡在环境、语法和资料整理上的人，终于能往前走一步。

AI 降低的是研究入口、代码入口和回测入口。它让你更快把一个想法拿到桌面上检查。

• 研究入口：把资料和模糊想法整理成可测试问题。
• 代码入口：生成脚本、解释报错、减少环境摩擦。
• 回测入口：更快搭起第一版实验和图表。

它没有替你降低的东西

市场没有因为你开了 AI 订阅就变简单。你能更快测试一个想法，不代表这个想法更可能正确。

工具给你的是进场券，市场要的仍然是能被反复验证的判断。两件事别混。

新手最容易增加的不是专业，是自信

参数、指标和时间窗口一多，试得足够久，总会跑出一条年化不错、回撤也还看得过去的曲线。然后人很容易以为自己找到了策略。

可那段结果可能只是历史数据里刚好配合你的角落。你不是发现了规律，只是在大搜索空间里捞到了一次巧合。

先把这几个问题挂在曲线旁边

一份回测报告看起来越完整，越应该追问它有没有偷看答案、漏掉失败者和交易成本。

• 有没有未来函数？
• 股票池有没有幸存者偏差？
• 手续费、滑点和冲击成本算了吗？
• 参数是不是在同一段历史上反复调出来的？
• 换一段样本以后还站得住吗？

不是五个按钮，是五次验收

量化工具再花哨，最后都能放回同一张地图里：数据、研究、回测、风控、执行。

你先判断它解决哪一层，再判断这一层还缺谁负责。这样看工具，脑子不会被界面带着跑。

• 数据：数字从哪里来，干不干净，能不能用。
• 研究：这个假设凭什么被提出。
• 回测：规则放回历史，大概会发生什么。
• 风控：策略错的时候，系统怎么活下来。
• 执行：订单怎样进入真实市场，谁来确认。

数据层先问很土的问题

价格有没有复权？缺失值和停牌怎么处理？今天的指数成分股，会不会被错误地套回十年前？财报数据在当时是否真的已经公开？

这些问题不处理，后面模型写得再漂亮，地基也还是沙子。AI 可以读文档、整理字段、写接入脚本，但它不能替你保证数据真实。

研究不是把支持自己的材料堆满桌面

“某赛道很热，所以买相关股票”不是研究，只是一种情绪。研究要把它拆成订单、合同、收入确认、反方证据和失效条件。

AI 适合当研究助理，帮你把材料摆上桌。原文、数字和时间仍然需要人回去核。

回测只是第一轮检查

回测回答的是：把这套规则放回历史，大概会发生什么。它不回答未来一定会发生什么。

图表、指标和夏普比率容易让人误会“已经验证了”。真正的工作，是拿未来函数、成本、样本外和过拟合一遍遍照它。

风控没流量，但决定系统会不会死

大家爱聊模型、因子和收益，很少有人先聊仓位、最大亏损、连续失败和停机规则。可策略错的时候，靠的就是这些不性感的东西。

AI 可以帮你列清单，不能替你承担亏损。谁的钱，谁就得留最后一道闸门。

• 单个策略最大仓位是多少？
• 单日亏损到哪里暂停？
• 数据缺失或 API 报错时怎么办？
• 模型输出异常时，是否必须人工确认？

看到自动执行，先检查权限

一旦走到执行层，研究和模拟就变成了真实资金和真实后果。看到 live trading、broker、自动执行这些词，先别兴奋，先看权限。

普通人的起步阶段应该只做模拟盘、只读权限和人工确认。研究权限、代码权限、回测权限、通知权限和执行权限，不该揉成一团。

AI 可以靠近哪里

让 AI 查资料、写代码、跑测试、挑毛病。最终确认、限额和停机开关留在人手里。高风险系统不是保守，是后果归属要清楚。

工具各自落在哪一层

OpenBB 更偏数据和研究入口；Qlib 偏研究、模型和回测；vectorbt 偏高速分析与回测；TradingAgents 让多个 AI 角色参与金融研究流程；FinRL 属于金融强化学习研究方向。

• 工具能帮你把材料摆上桌。
• 工具不能替你完成数据验收。
• 工具不能理解你的现金流和风险承受能力。
• 工具更不该直接替你承担真实执行的后果。

界面越像工作台，越要问系统问题

报告做得再好看，也继续问：数据在哪里，回测怎么算，有没有样本外，权限怎么隔离，异常时怎么停。只展示收益曲线、不回答这些问题的项目，卖的往往是专业感。

能跑，不等于懂了

以前不会写代码的人，至少知道自己不会。现在 AI 写出一段能运行的代码，人很容易顺手把“能跑”理解成“我懂了”。

金融领域最麻烦的是，错误不一定当场报错。它可能先给你一条很好看的曲线。

四种真正昂贵的能力

这些词不需要一口气学成专家，但你要知道它们各自在训练什么。

• 概率：在什么条件下可能有效，看到新证据后怎样更新判断。
• 统计：分清稳定信号和大规模试错后的幸运截图。
• 优化：在收益、回撤、流动性和成本约束下组合资产。
• 不确定性：接受市场不会给你一个确定的“买不买、涨不涨、赚不赚”。

同一个策略，问法会完全不同

双均线很常见：短期均线上穿长期均线买入，下穿卖出。AI 几分钟就能给你代码和曲线。真正有用的问题不是“年化多少”，而是它在五层里经不经得住问。

• 数据：价格从哪里来，复权、停牌和退市怎么处理？
• 研究：它吃趋势延续，还是只吃到一段风格红利？
• 回测：信号何时生成，成交价、手续费和滑点怎么设？
• 风控：仓位、回撤和极端行情怎么处理？
• 执行：先模拟还是实盘，谁确认订单，异常怎么停？

这才是 AI 最适合帮你的地方

让 AI 把一句模糊想法拆成可测试流程，再陪你把流程里的洞找出来。先做这个，比让它替你喊买卖有价值。

普通人的起步顺序

先画五层地图，再把 AI 放在研究员、程序员、审查员的位置。接着拿一个简单策略做模拟体检，最后才建立自己的投研循环和证据链。

• 不要先装一堆项目。
• 不要先找一个“赚钱策略”。
• 先把一条从想法到报告的链路走通。
• 每次结论保留来源、时间、参数和版本。

回测体检十问

下面十个问题问完，很多所谓 AI 策略就没那么神了。

• 数据有没有复权，方式是否一致？
• 标的池有没有幸存者偏差？
• 策略有没有使用当时不可能知道的数据？
• 手续费、滑点、印花税和冲击成本算了吗？
• 参数是不是在同一段历史里反复调出来的？
• 有没有独立样本外测试？
• 有没有经历不同市场状态？
• 最大回撤真实的人扛得住吗？
• 仓位规则是否写清楚？
• 数据或模型异常时，系统会不会停下来？

最后留一句话

AI 可以把一个交易想法变成可测试流程，不能替你证明市场里真的有 edge。你真正要练的，是看数据、验假设、拆回测、管风险，以及知道什么时候该停。