AI时代个人量化实战：从策略设计到回测避坑全指南

先说一个判断：AI时代给个人投资者带来的最大红利，不在AI替你下单，而在于AI把原本需要三年才能补齐的“写代码、查数据、做回测”基本功，压缩成三周的调研与验证。你可能连Python的类都还没完全看懂，但只要会用一句话把需求描述清楚，让大模型生成一份backtrader策略骨架，再自己动手改参数、盯逻辑，你已经比五年前刚入门的量化新手快了大半年。

这篇文章我就从个人量化的角度，完整拆解一套可落地的量化交易策略开发流程：从想法到规则，从规则到代码，从代码到回测，再从回测到避坑。全程以大家最常用的Python、backtrader和开源数据接口为工具，同时聊聊怎么用AI辅助自己写策略、做优化，而不是听AI胡吹“稳赚不赔”。内容不构成投资建议，请把它当作一套学习研究的方法论。

适合谁看？一类是有一点Python基础、对股票或期货市场有基本认知，但一直不知道怎么把“想法”变成“策略”的朋友；另一类是想系统化自己投资经验、又不想被复杂数学劝退的投资者。如果你只想要一个“抄了就赚钱”的信号，那这篇文章帮不了你，甚至市面上没有谁能帮得了你。

1. AI时代个人量化的红利到底在哪里

1.1 门槛坍缩：三周补过去三年的课

个人量化曾经有三座大山：编程能力、数据成本、研究工具。五年前想自己验证一个“双均线金叉买入”的想法，你得先学会pandas，再考虑数据源：免费的不稳定，稳定的要钱，好不容易拿到数据还要自己写回测循环。那时候一个能跑通的双均线回测，对很多非科班出身的人来说，真的能折腾好几个周末。

现在不一样了。编程这件事，AI已经能把“用自然语言描述交易规则”翻译成“可运行的Python代码”，你不用再死磕语法；数据这件事，akshare、tushare、baostock这些开源接口，几行代码就能拉到A股、指数、期货的日线数据；回测这件事，backtrader这类成熟框架把资金、佣金、滑点、订单撮合全部封装好，帮你绕开了90%的历史包袱。

但这不代表“AI全自动赚钱”。我见过太多人让AI生成一个策略，回测曲线漂亮就真金白银冲进去，结果实盘和回测完全是两个世界。AI能做的是把你的交易思想快速变成可验证的代码，能不能变成长期有效的策略，取决于你的逻辑、纪律和数据质量。

1.2 适合谁做，不适合谁做

先说适合谁：

• 有基本投资常识，能说清楚自己“为什么买、为什么卖”。
• 愿意遵守回测纪律，接受“大部分策略是无效的”这个事实。
• 有时间反复迭代，愿意拿小资金去验证，而不是一把梭。
• 对代码没有恐惧感，哪怕只是会用AI生成代码，再自己复制粘贴调试。

再说谁不适合：

• 追求一夜暴富、想把把抓涨停的人。
• 连策略逻辑都说不清，只想依赖AI“自动选股”的人。
• 把回测曲线当预测工具、看到回撤就心态崩的人。
• 相信存在某种“万能参数”能通吃所有行情的人。

说实话，个人量化更适合“把投资当一门手艺”的人，而不是“把投资当赌场”的人。AI能加速你的学习，但不能替代你的判断。

2. 量化策略的整体设计：数据、规则、回测与优化

2.1 数据是第一关：未来函数是最大的敌人

很多人第一次做策略，最容易栽在数据上，而不是策略逻辑上。数据坑最常见的有三种：复权方式不对、未来函数、交易规则没对齐。

先理解复权。股票分红送股后，不复权的价格会出现巨大跳空，直接拿原始价格算均线、算突破，你会觉得“这股票怎么突然暴跌30%”，其实是除权除息。前复权以当前价格为基准调整历史价格，适合技术分析；后复权保留了历史价格的绝对走势，适合长期收益率计算。回测中如果混用，策略结果不可比。

未来函数更危险。它的意思是：你的信号决策用了“当时还不可能知道”的信息。举个典型例子：你在某根K线收盘后判断“今天涨了，明天买入”，但代码里却用这根K线的最高价作为买入成交价，等于你用一个“事后才知道的极端价格”完成了交易，回测收益当然好看，实盘却根本做不到。以后看到任何“回测十年翻百倍”的曲线，第一反应先查它有没有在时间轴上作弊。

数据获取层面，免费方案足够个人研究：

• akshare：A股、港股、指数、期货、基金，接口全，适合快速取数。
• tushare：积分制，基础数据免费，专业数据需要积累积分或付费。
• baostock：A股历史日线数据稳定，无需注册，适合批量下载。
• yfinance：海外美股、指数数据方便，但国内访问稳定性一般。

无论用哪个，都要注意涨跌停、停牌、T+1这些交易规则，否则回测结果会被系统性高估。

2.2 策略规则：突破与回抽是最适合入门的表达范式

策略开发的第一步不是写代码，而是把你的交易直觉说成“如果……就……”的规则。我听很多人说“我想做趋势策略”，但问他“趋势怎么定义、什么时候进场、什么时候离场”，一下子就说不清了。说不清规则，代码就没法写，AI也没法帮你。

最常见的入门范式是“突破与回抽”：市场突破某个关键位置（比如均线、前高），说明趋势可能启动；趋势启动后不马上追进去，而是等价格回抽到关键位置附近确认支撑，再进场。这样进场的价格更好，止损位也更清晰。

把它翻译成具体规则，就是双均线突破回抽：

• 快速均线上穿慢速均线，视为突破信号。
• 突破之后，价格回抽到快速均线附近但不跌破慢速均线，视为回抽确认，建仓。
• 价格跌破慢速均线，或触发ATR止损，离场。

这套逻辑并不复杂，但它的好处是：每个信号都有明确的定义，每个离场条件都有明确的价格参考，回测时你才知道“这笔交易为什么开仓、为什么平仓”。AI可以帮你生成代码，但“为什么用双均线而不是三均线”这个问题，必须你自己想清楚。

2.3 回测引擎选型：为什么从backtrader开始

市面上能用的回测框架不少，但我给个人开发者的建议是从backtrader开始。原因很简单：成熟、活跃、内置指标多、上手成本低。

先认识backtrader的核心对象。很多人刚开始看文档被一堆名词绕晕，其实记住一张表就够了：

对比其他方案：自己写循环回测，胜在灵活但工程量很大，很容易在“撮合细节”上出错；zipline文档完善但是安装和依赖管理比较折腾；vnpy更像一套完整交易系统，个人研究用它属于杀鸡用牛刀。backtrader刚好在“够用”和“不复杂”之间。

2.4 优化环节：AI寻参和过拟合的平衡

策略框架搭好后，参数怎么定？之前大家习惯手工试，现在很多人让AI推荐参数区间、自动跑网格搜索，效率确实高很多。

但优化有个致命陷阱：过拟合。你用过去十年数据做参数搜索，总能找到一组让历史收益最大化的参数，但它在未来往往不堪一击。判断过拟合有一个很直观的办法：看最优参数附近的“地形”。如果最优参数周围是一片平坦的“高原”，说明策略对参数不敏感，稳健；如果最优参数像一根孤零零的尖刺，左右偏离一点收益就崩塌，那这个最优参数大概率是拟合噪声。

优化还要坚持“样本外验证”。把数据从时间上切成两段：前80%用来做参数搜索，后20%永远不参与优化，等全部调试完，用后20%做最终检验。如果样本外表现和样本内有明显落差，说明策略逻辑本身有问题，而不是参数没调好。这块没有捷径，AI再强也变不出样本外数据。

3. 从零跑通：双均线突破回抽策略的完整实现

3.1 环境准备：装好Python依赖，先拉一份干净的数据

建议用Python 3.9以上版本，新建一个虚拟环境，避免依赖冲突。需要安装的核心库就四个：

pip install backtrader akshare pandas matplotlib

其中backtrader是回测框架，akshare负责拉数据，pandas做数据处理，matplotlib画净值曲线。

然后拉一段指数日线数据。这里以某宽基指数为例，只是为了演示流程，不代表任何投资建议。数据拉到后要处理两件事：一是把日期设为索引并保证升序，二是把字段统一成Open、High、Low、Close、Volume的标准命名，backtrader默认认这套字段名，省得到处改。

import akshare as ak import pandas as pd # 获取指数日线数据，示例用沪深300指数 df = ak.index_zh_a_hist(symbol="000300", period="daily", start_date="20150101", end_date="20250101") df = df[["日期", "开盘", "最高", "最低", "收盘", "成交量"]] df.columns = ["date", "open", "high", "low", "close", "volume"] df["date"] = pd.to_datetime(df["date"]) df = df.set_index("date").sort_index() df.to_csv("index_300_daily.csv") print(df.head())

指数数据没有复权问题，适合新手跑通流程。如果后面换成个股，记得在前复权数据上回测。

3.2 策略实现：Strategy类、订单与仓位管理

backtrader的策略核心写在next()方法里，每一根新K线出现后，引擎都会调用一次next()，你在这时判断信号、下订单。下面是一套简化但完整的双均线突破回抽策略：

import backtrader as bt class DoubleMAStrategy(bt.Strategy): params = ( ("fast", 10), # 快速均线周期 ("slow", 30), # 慢速均线周期 ("risk_pct", 0.02), # 单笔风险占总资金比例 ("atr_period", 14), # ATR止损周期 ("base_size", 100), # 基础开仓数量 ("add_size", 50), # 回抽加仓数量 ) def __init__(self): self.fast_ma = bt.indicators.SMA(self.data.close, period=self.p.fast) self.slow_ma = bt.indicators.SMA(self.data.close, period=self.p.slow) self.atr = bt.indicators.ATR(self.data, period=self.p.atr_period) self.order = None self.entry_price = None self.added = False # 记录是否已经回抽加仓 def notify_order(self, order): if order.status == order.Submitted: return if order.status == order.Completed: if order.isbuy(): self.entry_price = order.executed.price self.added = False else: self.entry_price = None self.order = None def next(self): if self.order: return # 空仓状态：等待突破信号 if not self.position: # 快线上穿慢线，视为突破启动 if self.fast_ma[0] > self.slow_ma[0] and self.fast_ma[-1] <= self.slow_ma[-1]: self.order = self.buy(size=self.p.base_size) return # 持仓状态：计算止损价 stop_price = self.entry_price - 2.0 * self.atr[0] # 价格跌破止损线，无条件离场 if self.data.close[0] < stop_price: self.order = self.close() return # 回抽确认：价格回踩快速均线，但没有跌破慢速均线 if (not self.added) and self.data.close[0] < self.fast_ma[0] and self.data.close[0] > self.slow_ma[0]: self.order = self.buy(size=self.p.add_size) self.added = True # 价格跌破慢速均线，趋势走坏，离场 if self.data.close[0] < self.slow_ma[0]: self.order = self.close()

代码里几个细节值得注意。

第一，ATR止损不是固定百分比，而是跟着波动走：波动大的时候止损距离远一点，波动小的时候止损距离近一点，这样比拍脑袋设一个3%止损更合理。

第二，回抽加仓用add_size控制了加仓比例，基础仓100股、加仓50股，等于用“双头寸”的思路在趋势方向上分批进场，而不是一次把子弹打光。

第三，所有下单判断都写在next()里，而backtrader默认在下一根K线开盘时撮合，这从机制上回避了一部分未来函数。你如果自己写回测循环，必须特别注意这一点。

3.3 配置回测引擎：资金、佣金、滑点与绩效分析器

有了策略类，还需要一个Cerebro引擎把它跑起来。基本配置包括初始资金、手续费、滑点、分析器。手续费和滑点这两项千万别省，短线策略对这两项极其敏感，少了它们回测收益能虚高一截。

import backtrader as bt # 读取前面保存的数据 df = pd.read_csv("index_300_daily.csv", index_col=0, parse_dates=True) cerebro = bt.Cerebro() data = bt.feeds.PandasData(dataname=df) cerebro.adddata(data) # 加入策略 cerebro.addstrategy(DoubleMAStrategy) # 资金与交易成本 cerebro.broker.setcash(100000.0) cerebro.broker.setcommission(commission=0.0003) # 万三手续费 cerebro.broker.set_slippage_perc(0.001) # 千一滑点 # 绩效分析器 cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name="sharpe") cerebro.addanalyzer(bt.analyzers.Returns, _name="returns") cerebro.addanalyzer(bt.analyzers.DrawDown, _name="drawdown") cerebro.addanalyzer(bt.analyzers.TradeAnalyzer, _name="trades") # 运行回测 results = cerebro.run() # 输出关键绩效指标 strat = results[0] print("初始资金：", 100000) print("最终资金：", cerebro.broker.getvalue()) print("年化收益率：", strat.analyzers.returns.get_analysis()["rnorm100"]) print("夏普比率：", strat.analyzers.sharpe.get_analysis()["sharperatio"]) print("最大回撤：", strat.analyzers.drawdown.get_analysis()["max"]["drawdown"])

跑完会输出一组数字。注意，这里任何一个数字漂亮都不代表策略未来能赚钱，它只代表“这个策略在历史上、按这套规则、在这段数据上，表现是这样”。

3.4 参数优化与样本外验证：别把回测做成拟合

一套双均线策略里，fast和slow两个参数最影响结果。很多人直接让AI推荐一组参数，比如“fast=10，slow=30”，然后就拿这组参数跑完所有历史数据，得到一个漂亮的回测曲线，以为万事大吉。这是典型的“用全部数据优化，再用全部数据评估”，等于考试前先看了答案再考试，毫无意义。

正确的做法是先把数据切出样本外。用前8年做参数搜索，后2年完全不碰，等所有参数和规则都确定后再做最终测试。

“参数搜索”本身可以这样跑：

best_sharpe = -999 best_params = (0, 0) for fast in [5, 10, 15, 20]: for slow in [20, 30, 45, 60]: if fast >= slow: continue cerebro = bt.Cerebro() df_train = df.loc[:cut_date] data = bt.feeds.PandasData(dataname=df_train) cerebro.adddata(data) cerebro.broker.setcash(100000.0) cerebro.broker.setcommission(commission=0.0003) cerebro.broker.set_slippage_perc(0.001) cerebro.addstrategy(DoubleMAStrategy, fast=fast, slow=slow) cerebro.addanalyzer(bt.analyzers.SharpeRatio, _name="sharpe") result = cerebro.run() sharpe = result[0].analyzers.sharpe.get_analysis().get("sharperatio", -999) if sharpe and sharpe > best_sharpe: best_sharpe = sharpe best_params = (fast, slow) print(f"样本内最优参数：fast={best_params[0]}, slow={best_params[1]}, 夏普={best_sharpe:.3f}")

记着把cut_date切好，并且永远不要在样本外数据上重复搜索。你可以在样本内找到一组“最优参数”，再用样本外数据回测一次。如果样本外夏普还有一定的正值、回撤也在可接受范围内，说明策略有继续打磨的价值；如果样本外直接崩掉，大概率是策略逻辑有硬伤，而不是参数没找对。

3.5 让AI参与优化：不是替你做决定，是帮你缩小范围

AI在优化环节能做两件实事：一是生成参数候选区间，二是解释不同参数组合背后的市场含义。你可以这样问：

“我在A股指数日线上做双均线突破回抽策略，fast代表快速均线周期，slow代表慢速均线周期。请根据A股波动特征，给我5组有区分度的参数组合，并说明每一组适合什么市场环境，不要给我承诺收益。”

AI大概率会给你类似“fast=5、slow=20适合震荡市但容易频繁交易，fast=20、slow=60适合趋势市但信号滞后”这类建议。这些建议有价值，但它只能帮你缩小测试范围，真正拍板的还是你的样本外验证结果。记住一个原则：AI负责把你从200组参数里捞到20组，你负责从20组里捞出那1组能过样本外的。

4. 回测里的暗坑：未来数据、过拟合与数据质量

4.1 未来函数：回测漂亮的幕后黑手

回测曲线特别漂亮时，我的第一反应永远是找未来函数。这个东西在个人量化里太常见了，而且经常是无意识的。

举几个我见过的例子：

• 用某根K线收盘后才知道的“当日最高最低价”，去判断当日涨跌停能不能成交。
• 做指标标准化时，用了整个样本的均值和标准差，相当于把未来数据混进了当前信号。
• 复权处理时，用“未来除权因子”调整历史价格，导致历史K线被未来信息污染。
• 信号触发当根K线，却用同一个收盘价买入、后面几根K线的最低价当止损成交价。

怎么自查？你可以写一个检查清单：每个价格变量，确定它是在“ signal bar ”当时就能拿到的，还是事后才拿到的。比如“当前收盘价”这根K线走完才确定，如果你在盘中用它判断信号，就存在前视偏差。更稳妥的做法是，让信号在K线收盘后产生、用次根K线的开盘价成交。backtrader默认的下一根K线撮合方式，已经帮你规避了一部分这类问题，但如果你把数据提前做过中心化、归一化，还是会中招。

一个很有意思的检查技巧是：把回测中的“成交价”改为“次根K线开盘价”，看收益变化大不大。如果收益断崖式下跌，基本可以断定原来的成交方式里藏了未来信息。

4.2 过拟合：你以为找到了规律，其实是找到了噪声

过拟合的表现多种多样，但本质只有一个：你的策略把历史行情里的随机噪声当成了可重复的规律。每增加一个参数、每多一层过滤条件，都可能让样本内表现变好，同时让样本外表现变差。

我见过有人给策略加了七八个条件，什么“大盘均线多头排列”“成交量大于20日均量”“MACD金叉”“RSI大于50”“北向资金净流入”，样本内夏普从1.2涨到2.8，结果样本外直接归零。这不是AI的问题，而是优化过程本身就在逼近噪声。

对抗过拟合有三个实用手段：

1. 样本外验证。这个前面讲过，是最重要的一条。把最终测试数据留到所有优化完成后再碰。
2. 参数平原检验。找出最优参数附近一圈参数的表现，如果表现稳定，说明策略对参数不敏感，稳健；如果只有那个孤立点特别好，大概率是过拟合。
3. 多市场交叉验证。把同一套策略逻辑放到不同指数、不同品种上跑一遍，如果只在某一个品种上有效，很可能是那一段行情的巧合。

4.3 数据质量与交易规则：被忽视的收益率杀手

很多新手做A股回测，喜欢把“卖出”和“买入”放在同一天，但A股是T+1，当天买入的股票当天不能卖。这个规则一忽略，所有日内策略的回测都会被严重高估。

涨跌停也是坑。涨停板你根本买不进，跌停板你根本卖不出，但很多回测代码假设所有价格都可以成交。你可以在代码里加一个过滤：如果当日收盘价接近涨停价，避免买入；如果接近跌停价，避免卖出。这个细节看似微小，遇到单边上涨行情时，对收益率影响极大。

手续费和滑点更不能忽视。高频一点的策略，每天买卖好几轮，万三手续费看起来不多，但一年250个交易日算下来就是一笔不小的摩擦成本。滑点用固定百分比模拟，比完全不设滑点要诚实得多。我做回测时，短线策略一般至少设置万分之几的滑点，长线策略可以稍微宽松一点。

4.4 资金管理：策略之外的生存线

策略负责“什么时候买、什么时候卖”，资金管理负责“买多少、亏多少止损”。很多个人量化新手只盯着进场信号，完全忽略仓位管理，结果就是看对了方向却亏了钱。

我建议个人做策略，至少要有三条铁律：

• 单笔风险不超过总资金的1%-2%。什么意思？比如你10万本金，单笔最多亏2000元。用ATR止损距离算出止损价和当前价的差，再用2000元除以这个差，得出开仓数量。
• 止损无条件执行。回测里你设了止损，实盘里就必须执行，不要临场发挥“我觉得还能涨回去”。
• 分批建仓，不押单点。前文写的“双头寸”思路就是基础应用，先建底仓，回抽确认后再加仓，给自己留回旋余地。

资金管理决定了你在连续亏损后还有没有子弹，也决定了最大回撤会不会超出你的心理承受线。策略决定你能不能赚，资金管理决定你能不能活。

5. AI辅助本地化：int8量化与你的私有策略助手

5.1 为什么建议本地部署一个AI助手

公共AI服务确实好用，但量化策略代码里往往带着你的完整思路、参数、数据口径，甚至还有你不希望别人看到的选股逻辑。直接一股脑粘贴给公共AI服务，等于把研究成果白送出去。再加上数据隐私和数据安全方面的顾虑，越来越多做个人量化的朋友选择在本地电脑上部署一个开源大模型当“私有策略助手”。

本地部署的好处有三个。第一，策略代码不出本机，敏感信息风险低。第二，你可以针对自己的策略反复提问、修改，没有额度限制。第三，断网也能用，回测到一半遇到报错，随时喊本地模型看代码，不用到处找工具。

现在本地模型的能力已经足够当“代码陪练”了。我用过的体感是，写普通的数据清洗脚本、解释报错、梳理backtrader逻辑，7B到14B参数量级的开源模型完全够用。门槛并不高，一台16GB内存的普通电脑，配合量化版模型，跑起来绰绰有余。

5.2 int8量化是什么：把大模型塞进普通电脑

很多人一听“本地部署大模型”就以为要买几万块的显卡，其实不需要。这里的关键就是模型量化，也就是热搜里反复出现的int8量化。

大模型默认用fp16格式存储权重，一个参数占2字节。int8量化把每个参数压缩到1字节，模型体积直接减半。以7B模型为例：fp16全精度大约14GB内存，int8量化后大约7GB，如果用4bit量化（比如GGUF的q4_K_M）甚至能压到4GB左右。这就是为什么很多大模型量化版能在普通电脑上跑起来。

实际操作上，你只需要做三件事：

1. 下载量化版模型文件。常见格式是GGUF，文件名里会带q8_0、q5_K_M、q4_K_M这样的标识，q8_0就是int8量化级别。
2. 用推理框架加载。最简单的方式是安装Ollama，直接指定量化版模型。
3. 通过命令行或API调用这个本地模型。

# 下载并运行7B int8量级模型，需要先确认Ollama有对应版本 ollama run qwen2.5:7b-instruct-q8_0

如果你用的是llama.cpp这类工具，也可以手动指定上下文窗口等参数。这里有个实战中常见的坑：有些量化模型的配置文件里预设的上下文长度跟推理框架的默认值不一致，会导致运行时报错，或者推理结果异常。比如模型配置文件写的是5120，你运行时只给了4096，就可能在处理长文本时崩溃。遇到这种问题，手动对齐上下文窗口参数就好，不是模型坏了，纯粹是配置不匹配。

坦白说，我见过不少新手在本地部署第一步就卡住，其实问题往往跟具体模型无关，而是GGUF版本、量化精度、上下文长度这几个参数没对齐。用上面的顺序排查，九成以上的启动问题都能解决。

5.3 让本地AI把关策略代码：一个可复用的prompt

部署好本地AI助手后，最值得做的第一件事，是让它帮你审查策略代码里的未来函数。我建议每个刚写完回测的人都跑一遍这个流程。

提示词可以这样写：

“请检查下面这段backtrader策略代码。第一，看next()方法里是否用了当前K线收盘后才可能得到的数据来判断信号；第二，成交价是否可能比信号出现的时间更早；第三，任何使用未来数据的地方都请标出来，并给出修正后的代码。代码：……”

之前我让本地模型审查一个策略，它很快就指出：在触发加仓条件时，代码直接用了当前bar的close作为参考价，虽然backtrader默认为次日开盘成交，但如果我在计算ATR止损时，使用了未来三根K线构造的ATR序列，就会造成前视偏差。这种审查在人工排查时很容易漏掉，AI至少能帮你快速拉出可疑清单。

再进阶一点，你还可以让AI做“规则解释器”：把你策略里每一条买卖规则翻译成自然语言，然后对照交易记录逐笔复盘，看有没有“代码想表达的意思”和“实际执行的动作”不一致的情况。这个环节特别适合发现逻辑漏洞。

5.4 AI时代的合规底线

最后必须提醒一句：AI辅助量化开发再方便，也要守住合规底线。

主观上，不要用AI去写什么“稳赚策略”“无风险套利”的承诺话术，任何策略都有亏损可能；不能搞内幕交易、市场操纵、非法荐股这类事情；你自己的策略代码、数据来源都要确认是在合法合规的范围内使用。研究量化是正当的爱好和职业方向，但守住底线，路才能走长。

从内容安全角度，我也建议不要在公开场合晒“收益曲线”来诱导他人跟单。个人量化的价值在于提升自己的认知和纪律，而不是制造“AI印钞机”的幻觉。

6. 常见问题与避坑速查

把日常回测里最常遇到的问题整理成一张表，方便以后快速对照：

给新手的三个原则：

1. 从最简单的策略开始。双均线、单条件止损，跑通全流程后再逐步加复杂度。
2. 任何参数调整都必须有样本外验证。没有样本外数据的“优化”都是自欺欺人。
3. 模拟盘或极小资金先跑一段。策略在历史上怎么表现，不等于接下来怎么表现，先让时间帮你验证。

给有一定基础的朋友三个进阶建议：

1. 滚动前移回测。不把样本外只留最后一段，而是每优化一次，就把时间窗口往前滚一段，让策略接受多次“未知考试”。
2. 人机分工。AI负责生成候选代码、帮你排查可疑逻辑，你负责定义规则、监督回测过程、做最终决策。
3. 把资金管理当成策略的一部分。别只优化买入信号，止损、仓位、加仓节奏这些要一起纳入回测。

按我自己的体验，个人量化的第一套策略不一定驾多惊艳，一条20日均线加一个2倍ATR止损，就能让很多新手第一次真正看懂回测曲线背后的逻辑。真正值钱的不是那几行代码，是你在反复修改中形成的判断力：知道哪些收益来自规则，哪些只是数据噪声。

最后分享一个小技巧：每次回测代码里固定设置好随机数种子，尤其是涉及随机采样、随机建仓或者蒙特卡洛模拟时。否则你前后两次跑同一个策略，得到的结果可能因为随机因子不同而略有出入，你根本分不清改的是“有效优化”还是“运气波动”。把随机种子固定住，回测结果可复现，每个改动才有真正的对照意义。