AI量化交易入门：从回测陷阱到选股策略的完整指南

最近来问我量化的朋友突然多了不少，有意思的是，其中一半人问的是大模型部署里那个“int8量化”“显存不够怎么跑量化版本”，另一半人问的才是股票期货市场的量化交易。这两拨人搜的是同一个词，聊的完全是两件事。今天这篇把话先说明白：我们要聊的是AI技术在金融量化交易里的落地，也就是那个“AI助力下，量化大淘金时代来了”到底指什么，能做什么，以及一个普通技术背景的人怎么从零开始上手。

这篇文章想解决的，不是让你一夜暴富，而是帮你把“AI+量化”这件事拆开看清楚：AI到底在量化里帮了什么忙，哪些是宣传话术，哪些是真实存在的技术杠杆；我现在打开电脑，第一行代码应该写什么；回测里那些夸张的收益曲线，到底有多少是模型本事，多少是数据陷阱。无论你是程序员想转行量化，还是金融从业者想搞明白技术那半边，又或者是被各种“AI选股”宣传弄懵的小白，这篇文章都能给你一条清晰的主线。

1. 先对齐一个容易混的概念：金融量化不是模型量化

1.1 热词撞车了，先分清门类

“量化”这个词在中文互联网上现在几乎被用滥了。一类热门搜索词指向的是“模型量化”，比如int8量化、ONNX量化、yolov5量化部署到RK3568这类主题，它们关心的是如何把深度学习模型从FP32压缩到INT8，在边缘设备上跑得更快，参数更小，显存占用更低。这是纯工程优化问题，跟股票投资没有半点关系。

另一类指向的是“金融量化”，也就是用数学模型、统计方法、程序化交易去做投资决策。量化交易这个圈子本身有几十年历史了，从早期纯粹靠人工挖掘财务指标和价量因子，到后来引入机器学习模型，再到现在大模型、AI Agent纷纷进场，整个研究范式正在经历一轮比较大的重构。标题里说的“大淘金时代”，说的就是这件事。

所以第一步先想清楚：你搜“量化”是想解决模型部署问题，还是想解决投资决策问题？如果是前者，去学模型压缩和推理优化；如果是后者，往下看，今天全程围绕金融量化展开。

1.2 为什么说“大淘金时代”来了

过去想做一个量化策略，难度确实不小。数据要买，有专门的量化数据终端，一年费用不低；平台要写，回测框架、数据接口、组合管理全得自己搭；策略研究更是依赖一群数学和金融复合背景的人闷头做因子挖掘。这个圈子长期是一个半封闭的小圈子，普通程序员和散户很难真正参与。

但这几年情况变了。数据端，免费或者低成本的行情数据接口越来越多，分钟线、日线、财务数据、龙虎榜数据都能拿到，个人研究和实证的门槛大幅下降；开源生态上，从qlib、backtrader到vnpy，也已经有相当成熟的开源框架；计算侧，一台普通电脑跑LightGBM、跑中低频因子回测完全够用，不需要上多贵的服务器。再加上这两年AI大模型带来的编码辅助、研报阅读、因子灵感生成等能力，一个人独立完成从数据清洗到策略回测再到实盘跟踪的整个闭环，成本已经比以前低了一个量级。

这就是“大淘金”两个字背后的含义——工具普及了，人人手里都有铲子。但也要提醒一句，大淘金时代从来不是人人赚钱的时代，工具门槛降低意味着竞争加剧，以前能靠一个简单均线策略吃几年的做法现在越来越难，真正留下来的人拼的是研究流程、风险控制和对市场结构的理解。

2. AI在量化里到底干了哪些活

2.1 传统量化流程：一条又长又慢的流水线

理解AI的作用，要先知道传统量化研究的完整链条长什么样。大致可以分成这么几段：提出交易逻辑假设、手工设计因子、用历史数据验证因子有效性、把多个因子合成到模型或组合里、做回测、评估收益风险、上模拟盘或实盘。任何一个环节发现问题，就得回到上游重新来一轮，反复迭代。

这条流水线最大的瓶颈在“手工挖因子”。传统做法是分析师根据经验提假设：比如“低估值股票更容易涨”“小市值有溢价”“动量效应存在”，然后写代码把这个假设变成一个数值因子，拿历史数据去算IC，判断这个因子和未来收益的相关性。这套打法靠人力堆，一个人一个月能系统测试几十个因子就算不错了，而且挖出来的因子高度同质化，大家挤在同一条赛道上，alpha衰减非常快。

传统多因子模型还有个隐性问题：它假设因子和收益的关系基本是线性的、静态的。但真实市场里，有效因子会随着投资者结构变化而切换，因子之间的交互作用也很明显，这些靠人工做线性回归很难捕捉到位。

2.2 AI切入的四个关键环节

AI介入量化，并不是说AI直接下单买股票，而是把研究流水线的几个核心环节分别自动化、非线性化、动态化了。我认为最值得关注的介入点有四个。

其一，因子挖掘自动化。高频价量数据动辄几十亿条，人工看不过来也试不过来，机器学习模型可以直接把原始行情数据转成高维特征，自动搜索和组合有效的预测模式。深度学习在这一块的优势尤其明显，它不用你手工设计“RSI是多少”“布林带走几倍标准差”，而是自己学习什么样的量价形态对未来收益有预测力。

其二，预测模型的非线性化。LightGBM、XGBoost这类梯度提升树模型，以及LSTM、Transformer这类序列模型，能够捕捉因子之间复杂的非线性关系。同样是拿一堆因子预测下期收益，树模型的实际表现往往明显优于传统线性回归，而且对缺失值和异常值的容忍度也更高。

其三，动态风险管理。传统风险模型大多基于因子暴露的线性约束，AI可以刻画出更细的尾部风险、风格漂移和市场状态切换。比如用隐马尔可夫模型识别牛熊状态，或者在组合优化里加入机器学习预测的波动率协方差矩阵。

其四，另类数据处理。研报、公告、舆情、社交媒体情绪、产业链关系，这些非结构化数据以前只能靠研究员手动读，现在可以用NLP模型批量提取情绪分值、争议焦点、关系图谱，把这些信息因子化之后送进模型。信号源维度完全不同了，这也是AI相比传统方法最有“代差”的地方。

2.3 大模型和AI Agent：把研究助理也替代了

如果你已经会传统的量化和机器学习，现在这波大模型带来的增量体验，更多体现在研究效率上。我自己的实际感受是，AI Agent在量化领域为数不多的可靠应用场景，是做“研究助理”而不是做“基金经理”。

比如读研报。券商研报一天几十上百篇，人工读完再提炼观点基本不现实。现在可以批量导入PDF，用大模型总结核心观点、提取盈利预测数据变化，再入库到知识库系统里做检索。比如写代码框架。用自然语言描述一个你想做的择时规则，AI能直接帮你生成策略代码骨架，你再自己检查逻辑、跑回测。再比如因子灵感。你把一段K线形态用文字描述出来，问AI这个形态可以用哪些量化指标刻画、历史上大概在什么条件下有效，虽然不保证准确，但确实能开拓思路。

不过这里要泼一盆冷水：目前大模型直接给结论的能力和直接下单的能力还非常不可靠。幻觉问题没有根本解决，历史数据、政策细节、财务数据的准确性都需要交叉验证。我见过不少朋友让AI直接生成一个“稳赚策略”，结果AI一本正经地编了一个2020年之前回测很赚钱、之后一路亏到清零的伪信号，原因就是它把样本区间的数据分布当成了永续规律。把大模型当成聪明的初级研究员用，让它做检索归纳和初稿，而不是最终决策者，这是当下比较稳妥的定位。

3. 一个跑得通的AI选股策略：从零到回测

3.1 先把问题定义清楚：预测什么，多久调仓

纸上谈兵说得再多，不如直接跑一遍流程。这个部分我用一个极简但完整的AI多因子选股策略演示全流程。这里要特别强调：这是教学示例，不是实盘建议，但它能让你真正理解一次“数据进、信号出”的完整链路。

做策略第一步永远是定义问题，千万不要一上来就调模型。我的建议是先把这几个问题写清楚：预测对象是什么（未来5日收益率？未来20日是否跑赢指数？）；调仓频率是什么（每周调仓还是每月调仓）；股票池是什么（沪深300成分股还是全市场剔除ST）；买入约束是什么（是否允许做空、单票仓位上限是多少、涨跌停能不能买到）。

这些定义直接影响后面所有环节。下面这个示例中，我选择的是预测未来5日收益率，每周最后一个交易日调仓，股票池用中证500成分股，单票等权，不做空。这个框架简单、中低频、好实现，适合作为技术验证的起点。

3.2 数据和特征工程：防止信息泄露是第一优先级

数据是量化研究的命根子，也是最容易埋雷的地方。我见过太多新手拿着某免费接口拉的行情数据直接跑，结果复权方式错误、ST状态没剔除、涨跌停没处理，回测曲线漂亮得离谱，实盘一上就懵。

这里的示例代码里，我先构造三个最基础的特征：动量（过去20日收益率）、波动率（过去20日收益率的标准差）、量比（当前成交量除以过去20日平均成交量）。这三个特征都是价量数据的常见压缩，虽然简单，但已经能说明问题。

标签的构造是整个环节最需要注意的地方。预测未来5日收益，逻辑上用今天T日的信息预测T+5日的收益，所以标签应该是未来第5天的收盘价相对于今天收盘价的涨幅。代码里用pandas的shift实现这个“未来”的错位，然后必须丢掉最后5个没有未来价格的样本，否则就引入了未来的信息。

另一个极其常见的错误是特征里混入未来数据。比如你想预测T+5收益，结果特征里不小心用了T+5当天的成交量和收盘价，模型就会“作弊”，回测里预测得完美无缺，实盘里完全失效。量化圈管这叫“未来函数”，也叫信息泄露。判断标准很简单：T日建仓时，你手上真正能拿到的信息只有T日及以前的数据，任何用到T日以后数据的特征都必须被删除。

3.3 训练模型与回测：一份可直接运行的示例代码

下面这份代码可以在你自己电脑上跑通（需要安装pandas、numpy、lightgbm、scikit-learn）。数据文件我用parquet格式读取，实际使用时可以从任何你选定的数据源导出成这个格式。

import pandas as pd import numpy as np import lightgbm as lgb # 假设 daily.parquet 包含字段：code, date, open, high, low, close, volume, amount # 这里是从本地读入历史日线数据，建议使用前复权价格 df = pd.read_parquet("daily.parquet") df = df.sort_values(["code", "date"]).reset_index(drop=True) # 1. 构造基础特征 # 动量因子：过去20个交易日收益率 df["mom20"] = df.groupby("code")["close"].pct_change(20) # 波动率因子：过去20个交易日收益率的标准差 df["ret1"] = df.groupby("code")["close"].pct_change() df["vol20"] = df.groupby("code")["ret1"].transform(lambda x: x.rolling(20).std()) # 量比因子：当日成交量 / 过去20日平均成交量 df["vol_ratio"] = df.groupby("code")["volume"].transform( lambda x: x / x.rolling(20).mean() ) # 2. 构造标签：未来5日收益率 df["label"] = df.groupby("code")["close"].transform( lambda x: x.shift(-5) / x - 1 ) # 3. 剔除无效样本和未来缺失标签的样本 df = df.dropna(subset=["mom20", "vol20", "vol_ratio", "label"]) # 4. 时间切分：用前80%时间训练，后20%时间测试 # 注意：直接随机切分会造成数据穿越，必须按时间顺序切分 split_date = df["date"].quantile(0.8) train = df[df["date"] <= split_date] test = df[df["date"] > split_date] features = ["mom20", "vol20", "vol_ratio"] # 5. 训练LightGBM回归模型，预测未来5日收益 model = lgb.LGBMRegressor( n_estimators=200, learning_rate=0.05, num_leaves=31, subsample=0.8, colsample_bytree=0.8, random_state=42 ) model.fit(train[features], train["label"]) # 6. 给测试集打分，得到预测收益 test["pred"] = model.predict(test[features]) # 7. 简化版调仓模拟： # 每个交易周，选预测收益最高的前20只股票等权持有 test["week"] = test["date"].astype(str).str.slice(0, 7) # 这里用月份近似 weekly_selection = ( test.sort_values("pred", ascending=False) .groupby("week") .head(20) ) print(weekly_selection.groupby("week")["code"].count().head())

上面的代码是一个简化的演示框架，真实项目里还有大量细节需要补：复权价格处理、剔除ST和上市不足一年的次新股、跌停板不能买入的约束、同行业占比限制、买卖成本扣减等。但核心逻辑已经完整了——特征、标签、时间切分、模型训练、选股输出，这就是一个最朴素的AI量化策略的全部骨架。

我建议你第一次跑通以后，不要急着加复杂模型，先认真看一遍test里预测最高的前几只股票，打开K线图人工复盘一下，看看模型到底选出了什么样的股票。这个“看结果”的步骤比调参重要得多，它决定了你之后所有改进的方向。

3.4 结果怎么看：夏普、回撤、换手率代表什么

模型训练完了，模型给出排序了，接下来能不能上实盘？还早。策略表现不是看“胜率多高”，而是要看一组整体指标。量化圈最常用的四个指标就是年化收益率、夏普比率、最大回撤和卡玛比率。

年化收益率好理解，就是策略一年能赚多少；夏普比率衡量的是每承担一单位风险能换来多少超额收益，通常年化夏普超过1已经算不错，超过2属于很优秀；最大回撤指从净值最高点到最低点的最大跌幅，它决定了你实盘时心理上扛不扛得住；卡玛比率是年化收益除以最大回撤，可以简单理解成“每亏一块钱能赚多少钱”，这个指标比单独看收益率务实很多。

换手率也要单独关注。你每周重新选一次股票，这意味着每次调仓都要卖出旧持仓、买入新持仓，每一次调仓都是有成本的。如果一个策略年换手率达到几十倍，交易成本会非常可观。很多新手看到回测收益高就兴奋，算完扣掉手续费和滑点之后，收益直接砍半，心态就崩了。

这里我特别想说一句：策略的评价永远要和基准比。沪深300涨了50%，你的策略涨了60%，那只是说明你赶上了牛市，超额收益其实只有10%。看回测报告的时候，重点看的是超额收益和超额夏普，不是绝对收益。

4. 回测很猛实盘拉垮：五个高频坑的排查记

4.1 未来函数：回测收益的隐形放大器

未来函数是量化回测里最阴险的问题，也是回测收益造假的最大来源。前面特征工程部分提到过，这里是重灾区再单独拎出来。最常见的一种形式是数据错位：比如你想计算“5日均线和20日均线的金叉”，如果不小心用了当天收盘后才知道的数据来标记当天的信号，那么回测中信号出现当天就买入，实盘里当天收盘后你才能算出信号，第二天开盘才能成交，中间差了一天的价格。

排查未来函数的通用方法很简单：把回测里的交易记录逐笔打印出来，人工推演一下“在真实世界的那个时间点，这个信号是否真的会被触发”。一旦发现信号使用的数据中包含了交易发生时刻之后的信息，就是命中未来函数了。

信号次日开盘成交，这是量化里最基础也是最安全的假设。宁可保守一点，把成交假设放在信号出现后的下一个开盘价，也不要用信号当天的收盘价去成交——后者在分钟级数据上会放大出一大批虚假收益。很多人回测收益高得离谱，一查，全是这种细节问题。

4.2 过拟合：样本外测试和参数寻优的边界

第二个高频坑是过拟合。机器学习模型天生擅长记住训练数据的细节，在样本内把IC做到0.1以上，一到样本外就原形毕露，IC归零甚至变负。我见过一个朋友把LightGBM参数日调到夜调，把所有已知行情都调进去，回测曲线像一条完美的上行线，结果上模拟盘两个月亏了十几个点。

过拟合的根源是模型太灵活，而数据量有限。症状也很明显：样本内表现特别好，样本外断崖式下降；模型特征越多，训练数据越少，过拟合越严重。应对方法有几招：坚持时间序列切分而非随机切分；用滚动时间窗口做滚动回测，模拟真实研究流程；限制模型复杂度，比如减少树深度、降低叶子节点数、增加正则化；训练时用早停策略，一旦验证集指标不再改善就停止迭代。

参数寻优也必须有纪律。现在AI工具很方便，让程序自动跑几千组参数找最优组合，看起来效率很高，其实就是在过拟合的泥潭里打滚。我的经验是：参数搜索范围要小，候选参数要少，理论逻辑要先想透，然后只在训练集上寻优，测试集只允许跑一次。一旦你在测试集上反复调参，测试集实际上已经变成了训练集的一部分，样本外检验就失效了。

4.3 幸存者偏差与数据口径：复权和涨跌停问题

幸存者偏差是量化新手最常踩的第五个坑，而且非常隐蔽。用今天的沪深300成分股名单去回测五年前的策略，等于把一个已经死了的公司从历史样本里删掉了，这会系统性高估策略的表现。原因很简单，今天活着的公司本来就是五年前那批股票里熬过来的强者。

正确的做法是用历史的成分股名单，或者退一步用全市场股票池，剔除ST和上市不满一年的股票。很多回测平台提供“历史成分股”功能，用的时候就别偷懒选“当前成分股”。

复权价格处理也是个经典问题。不复权价格在分红送股时会出现价格跳空，导致动量因子计算出巨大假信号；前复权价格动态调整历史价格，但也有一个问题：最新一次复权调整会改变历史数据，同一段历史回测在不同时间跑出来的结果可能不一样。实操上，做中低频策略建议统一使用前复权价格做信号计算，买入价和卖出价用真实成交价匹配，两种口径分开处理，别混在一起。

涨跌停也要专门处理。中国A股有涨跌停制度，涨停的时候你想买买不进，跌停的时候你想卖卖不出。回测如果不加这个约束，等于免费给了你成交的特权，收益虚高。处理办法是在信号过滤阶段就剔除当天涨停的买入候选和当天跌停的卖出候选。

4.4 成本模型太乐观：印花税、滑点和冲击成本

每个新手最开始做回测，都会把成本设成零，或者只扣一个极低的佣金。我一开始也是这样，觉得“策略收益这么好，扣点手续费有什么关系”，后来算了一笔账才发现，高频调仓策略的收益几乎全被成本吃掉了。

成本要算清楚的包括这几项：佣金，买卖双边都要收取；印花税，卖出时收取，A股目前是单边；滑点，也就是你下单时实际成交价和预期价格之间的差，流动性差的股票滑点会非常明显；冲击成本，如果单笔买入金额太大，你的买入行为本身会推高价格。

稳妥的做法是成本假设宁可高估不能低估。做日频、周频调仓的策略，双边成本按0.1%到0.2%去估算一点都不过分。如果策略在0.1%成本下勉强正收益，在0.2%成本下转负，那就说明策略的真实边际很脆弱，不值得实盘。

4.5 模型失效的监控与退出机制

AI量化模型不是一劳永逸的永动机。市场风格会切换，因子会拥挤，模型会老化。一个模型在历史回测中表现很好，上线三个月后开始连续回撤，这种情况我见得太多了。

所以从第一天起就要给策略设计监控和退出机制。我最常用的监控指标就是滚动IC：比如每天都在模型预测值上计算它与未来实际收益的Spearman相关系数，然后看滚动60日的平均IC走势。如果这个数值持续走低，甚至由正转负，说明模型的预测能力正在衰退，该降仓位了。

退出机制也是纪律的一部分。可以预先设定硬性规则：策略回撤超过设定的最大容忍值，直接降到半仓或者清仓；滚动IC连续N周为负，停止新开仓；市场活跃度指标（比如成交额、波动率）跌出策略的适用区间，同样降低风险暴露。这些规矩必须写下来，真到情绪上头的时候，机械执行规则比临时判断靠谱得多。

5. 工具选型、数据源与AI编程实践

5.1 框架怎么选：qlib、backtrader、vnpy还是在线平台

工欲善其事，必先利其器。量化框架的选择首先要看你的目标。如果是想做研究和验证策略想法，我推荐从在线量化平台入手，比如聚宽、掘金这类（根据你所在地区选择可用平台），它们自带历史数据、回测引擎和Python环境，新手不用折腾数据清洗和接口对接，专注写策略逻辑就行。缺点是策略和研究环境相对封闭，数据导出和自定义底层逻辑不方便。

如果已经有一些编程基础，想完全掌控研究流程，推荐用开源框架。qlib是微软开源的AI量化平台，数据管理、特征工程、模型训练、回测一体，虽然上手曲线略陡，但对AI量化场景的支持确实最到位；backtrader是一个很轻量的回测框架，适合快速验证单策略，部署起来简单；vnpy则是C++核心加Python接口，更偏实盘交易，支持多种柜台接口，适合从中低频策略走向实盘衔接的场景。

我的建议是：研究阶段用qlib或者自己写pandas回测，验证阶段用在线平台做交叉验证，实盘阶段再看资金规模和交易频率选择vnpy或者其他专业系统。很多回测框架自带的回测引擎逻辑都比较理想化，换一个平台交叉验证同一个策略，常常能暴露不少问题。

5.2 数据从哪里来：免费起步和付费进阶

数据是量化的原材料，质量直接决定策略下限。免费数据源里，常见的包括tushare（需要注册token，积分制）、akshare（直接抓取公开网页数据，无需token但接口稳定性一般）、baostock（免费提供日线周线数据，相对稳定）。这三个都被大量量化爱好者使用，可以满足中低频策略的基本需求。缺点是免费接口有时不稳定，历史数据可能缺失或复权不准确，数据质量需要自己验证。

进阶一点，付费数据会更稳定，数据覆盖也更全。比如专业金融终端的日线数据、分钟线数据、财务数据、龙虎榜数据、北向资金数据等。对个人玩家来说，没必要一上来就买最贵的数据包，先用免费数据把策略流程跑通，确认策略真的有潜力，再考虑升级数据质量。不然很容易变成“买了一堆数据，策略还没写好”。

数据存储和管理这块，个人的建议是：低频日线数据用Parquet格式按股票代码和时间分区存储即可，查询效率够用也不需要上重型数据库。随着数据量增大，再考虑ClickHouse或者DuckDB这类列式存储。不要为了“听起来专业”去搭一套复杂的数据中台，对个人研究而言，数据能快速读取、版本能追踪，就足够用了。

5.3 用AI编程助力和Agent提高效率

AI编程工具在量化开发里的作用，已经不只是“帮你查一个函数的用法”那么简单了。我的实际体验是，写数据清洗和特征工程这类繁琐代码，AI的表现相当可靠。但提示词的用法有讲究。

我总结出一个通用的写作公式：任务背景+数据格式说明+预期输出+约束条件。比如“我有一个Parquet表格，字段包括code, date, close, volume，按code和date排序。请帮我写一段代码，计算每只股票过去20日的量比因子。要求不改变原表结构，新增一个vol_ratio列，用pandas groupby实现。”AI输出的代码基本可以直接用。

但千万注意，AI生成的回测逻辑代码，尤其是涉及未来函数和资金曲线计算的部分，一定要人工审查。AI容易一本正经地生成一段逻辑看上去合理、实际包含前视偏差的回测代码。我现在的流程是：AI负责生成初稿和批量处理模板，我负责逻辑审查和参数校正，回测核心部分坚持自己一行行看。

AI Agent近几年也在量化研究流程里找到了一些应用场景。我自己最常用的方向是让Agent做研报和公告的信息抽取：把PDF原文喂过去，让它输出“核心观点、目标价、盈利预测变化、风险提示”的结构化摘要，再入库做检索，做基本面量化研究时效率提升非常明显。至于让Agent自动下单，我觉得目前还是算了，输出不可控，风险太大了。

参加量化比赛也是我很推荐的上手路径。不少券商和平台会定期举办量化比赛，提供标准化的数据、统一回测环境和排名反馈。比赛的价值不只是奖金，而是逼你在有限时间内完成一个完整的策略闭环，还能看到别人的公开策略思路（某些比赛有ftp共享），这种学习密度比自己瞎琢磨高很多。

6. 写在最后：大淘金时代的一点个人体会

说了一路的技术细节，最后聊点我自己的真实感受。这两年AI确实把量化的门槛拉低了很多，以前需要团队做的事情，现在一个懂点Python、愿意花时间研究的人就能做。但门槛降低不等于赚钱容易，恰恰相反，人人都能进场淘金，意味着挖金子的人变多了，沙子也变多了。

我个人现在最信奉的工作方式是：把AI当成一个无限耐心的初级研究员，让它负责批量读数据、写代码、跑实验、做会议纪要，但最终的模型判断、策略上线的开关，一定握在自己手里。因为AI能帮你提高效率，但不能帮你在风格切换的市场里扛住回撤，后者需要的是对策略逻辑本身的理解和信仰。

最后再给一个很实在的建议：不管你用AI也好，不用也好，量化交易的起点永远是纪律。回测里的数字再好，没有一套完整的资金管理规则和风险控制机制，实盘账户终究会教你重新做人。把这个前提牢牢记住，再去拥抱这个AI助力下的量化大淘金时代，你至少不会成为那个裸泳的人。