claude如何培养量化

大家好，今天给大家分享一个 ai 量化研究的仓库，叫 qlab， 它是微软官方出品的，在 github 上拿了四点二万个 star 啊。开始之前我强调一下，本内容仅为技术研究分享，不构成任何抄袭建议。 我在 github 上翻遍了所有的量化研究仓库之后，发现 qlab 是 排名第一的啊。其他的仓库标过，包括这个 zip， line， 还有嗯， back trader， 这些都已经不更新了。然后 vnpy 呢，也是呃，标签很高，但它是做 cta 实盘系统的。 然后在量化研究的整体框架下面分为五个模块啊，是数据引擎，因子计算，然后模型预测 啊，策略的决策以及回测的分析。这五个模块呢？ qlab 它啊，分别的作用我给大家说一下。首先是数据的引擎啊，微软自研了一套这个数据的格式，它比传统的 mysql 快 五十倍，所以大家在回测的时候，测试的时候就会非常的快 啊，但是有个小的缺陷，就是它的数数据源比较老啊，大一的我们需要找第三方的最新的数数据进行接入。 第二个是因子的计算， qlip 提供了呃，一百五十八个 alpha 因子和三百六十个 alpha 的 因子，它是两套的因子，一百五十八呢，是那种计算过的，就比如说 pe 这种。然后三百 alpha， 三三六零呢，是那些价格啊，这些原始的一些数据的因子 啊。第三个是模型的预测， qlip， 它提供了二十七个内置的模型啊，包括 light， g， b， n， l， s， t， m 这些， 我们到时候选一个预测就行了。呃， light gbm 用的是比较多的，然后策略的决策就 qlab 的， 它会根据这个模型进行一个打分的排名，然后呃打得分比较高的就排在前面，我们就按照这个排名进行决策就 ok 了。然后最后一个是回测的分析，它会自动生成报告。 呃，量化因子我也简单说一下，就是分为公开的因子跟自研的因子。呃，自研的因子就是我们所熟知的量化的机构，它的一些核心的因子是不会分享出来的，是它们核心赚米的壁垒 啊。公开的因子就是颗粒开箱就可以拿到的，这个阿尔法幺一百五十八，还有阿尔法三百六十，就刚跟大家介绍了这两，这这些因子都是它里面自带的啊，可以用来给大家做一些基本的测试。而自研因子就是我们呃打开这个仓库进行研究探索的目的就研究出自己的一些因子。 呃，量化模型呢？ qlab 里面配了二十七个。呃，这四个，四种类型我就不不一一去念了，大家可以看一下。然后主流的会选择这个 light gbm， 这是百分之九十的场景都会用到的。它是一个问答决策流，就把一百假设，把一百五十八个因子呃逐个进行一个提问，然后一层层的筛选，最终给每个标题进行打 分。当然 qlab 它有明显的弱点，就是它的门槛比较高，需要同时懂 ml 还有量化研究 啊，不能实盘。然后呢，它只能做洁面的排名，然后它的这个抽象层也太多了。呃，这正是我们 cloud code 能够切进来的位置，就是它能够驾驭这些。当然，呃，除了这个实盘要找其他库啊，其他的这些层面就是 cloud code 都能啊，帮我们来驾驭 啊，怎么帮到我们呢？第一他能读懂这个代码库，包括这个因子的含义，就是你不知道这因子什么含义，你当然可以去呃，跟 code code 去探讨，还包括那些我刚解释介绍的二十七个模型，都可以一个个去探索啊。第二个是配置的文件， 呃， crosscode 的 可以直接去配置这个仓库进行换模型啊，调参，然后数据机啊这些进行这个操作。第三个是部署排错，排错这个是 ai 基本功能嘛，它都能搞定了啊， c c 完全没有问题。第四个是数据格式，就把第三方的数据的 c、 e、 s、 b 转换成至 q lib 的 二进置格式，上把上下游给打通。 总结来说就是数据我们需要再找一个靠谱的数据员去把大爷的数据导进去，然后流水线交给 qlab， 然后我们这辆赛车的副驾驶就交给了 cloud code， 然后真正的这个主驾驶还是留给自己， 这是一个从实战到出结果的过程，就是环境的搭建啊，我们用 cloud code 去把这个库导入之后就可以搭建了。然后数据的导入就是我们要给我们的 cloud code 的 一个一些数据员，让他去把 c、 s、 b 的 数据抓下来，我，我大概把二十年的数据都抓下来了，就是二十年五千个标地 的 k 线，日 k 线都可以拔下，大概一点四个 g。 然后第三个就是配置的生成，就 carl code 可以 就帮我帮我们写这个 y、 a、 m、 l 这些配置模型跑的文件，让这个 q、 l 去跑，选什么因子，选什么模型，然后什么策略去跑，这个包错修复就不说了。这个， 呃，然后他能达到的作用就是我不懂电话的人，他能用 carl code 当副驾驶，一个下午其实就能跑通完整的流程。 这是我一个回测的结果，就给大家简单展示一下，我测的是全 a 所所有的五千个标的，然后训练，呃，选择的因子是阿尔法幺五八，然后训练级是这个，然后验证级是这个区间，然后测试级是，呃，去年一月份到现在， 结果是 ic 是 零点零四一，然后 icr 是 零点四六七，这个策略的收益，这个收收益的百分比是这个 四十六点二，还是比较高的啊。但是这只是一个回测的结果啊，最终的这个结果肯定是要不急这个这个预期的啊，基本是十五点六，最近行情比较好，所以这个测试的结果也会比较好。 公开因子的局限呢，就是我们刚才回测的，我测的这个是四十六，这，这百分比啊，那其实你要打很大的折扣的才是实盘的预期，不能把那个当成一个预期。然后公开因子呢，他是用的人比较多，所以非常拥挤，超额的这个收益早就早就消失了，而因子呢，他本身用的多，也会消减的， 所以这个阿尔法一百五十八呢，它其实更像一个驾校的教练车，而不是赛车。我们就是要用这种 ai 量化的研究模型去找出自己的这个因子，跟之前的公开的因子结合起来啊，改造成把你的教练车改造成一个一辆赛车， 然后这个仓库的全称就是这个啊。好了，以上分享就到这里了，然后本内容仅为技术研究分享，不构成任何操作建议，欢迎大家点赞、关注跟评论。

最近半年使用 cologod 安装了近百个 skr， 最后发现真正能提升工作效率的其实只有三个技能，今天免费分享给大家。第一个， superpowers， 这个 skr 改变了我用 cologod 的 方式。以前我是直接把需求交给 cologod 的， 让他来写代码，写出来虽然能跑，但是经常跑偏，改来改去浪费大量时间。 装了 superpowers 之后，我养成了一个新习惯，每次开弓前先跑一遍，不认英斯德尔敏。这个技能能让可洛的反过来问我问题，你打算怎么处理并发数据库选什么 等等等等。问完一圈，他会把讨论结果写成设计文档存到本地。听起来多了一步，但这一步帮我拦住了无数次的反攻。有些问题你自己都想不到，但是可洛替你想到了。 注意， superpowers 包含了二十多个紫技能，千万别全开，我只用 breamstorming， 头脑风暴， 其他的按需加载，要不然会浪费大量上下文。第二个技能， playing with fails， 这个技能解决了我被坑过无数次的问题。 cloud 有 个问题，它做到一半就失忆。不知道你们有没有遇到过 一个复杂的任务，聊了半个小时，可乐突然说，好的，让我们开始吧，然后就把之前做过的事情又重来一遍。根本原因是对话太长了，上下文被压缩，之前的计划全丢了。普莱因维的 flow 的 做法很聪明，就是别把计划写在脑子里，它是存在纸上 克拉的扣的。每次动手前会先建一个计划文件，每完成一步就在这个文件里打勾，就算上下文清空了，重新读一下文件就能接着干。 这个思路跟 minnes 很 像， minnes 做常任务为什么玩？因为它所有的中间状态都存在本地了。第三个技能， roughlop， 我 给这个技能起了个外号，监工 sky， 你一定体验过 cloud 的 摸鱼模式。写到一半突然说基础框架已经搭好了，你可以在此基础上继续完善。 翻译过来就是活我没干完，我先下班了。 raflopp 通过一个或可拦截 cloud 的 退出动作，他退出的时候或可会检查。你说的完成标准达标了吗？没达到，回去继续写。 我用它写过，完成过一个 c r u d 模块，设了条件，所有接口测试通过加 redmi 写完才算结束。 kloth 中间响停了三次，但都被塞回去了，最后确实把活干完了。但要注意的是，完成条件一定要写写具体做完用户模块这种话等于没说， kloth 分 分钟说服自己已经完成了写成。完成登录接口可用 单元测试，覆盖率百分之八十。加 redmi 包含 api 文档，它才没法浑水摸鱼。以上就是我常用的三个技能，今天希望能够对大家有所帮助，感谢观看，拜拜，下期见！

hello， 大家好，从今天开始我准备全程记录一下，我去开发一款量化交易软件， 并且在模拟盘进行模拟交易的整个过程。 那么今天跟大家分享的是量化交易系统开发流程。 首先开发流程的概览我们先来看，一共分为七步，第一步的话就是获取数据。 第二步，数据清洗。第三步，策略编辑，第四步，策略回测，第五步，策略优化第六步，模拟交易第七步，实盘交易。 首先第一步我们要获取数据，获取数据的来源主要分为以下四个方面，我们可以获取它的行情数据，也就是每一只股票的动态的 k 线，以及特定的一些技术指标， 比如说五日均线、十日均线等。第二个就是宏观的基本面上的数据，比如说央行利率的政策以及行业板块景气周期等等这一类的基本面数据。第三就是企业的财报透视数据， 比如说他的季度报、年度报等等。最后就是余情相关的数据，新闻及社交媒体的情感指数等等，每家公司的余情变化数据。那么数据的接入渠道目前有 网络上的下载数据客户端，比如说万德的数据，但需要购买会员 a p i 接入，这种一般都是比较稳定，但是需要收费。最后的话就是我们爬虫获取抓取数据， 那么数据来了之后，我们要有一定的数据清洗的规则，比如说我们要清除垃圾数据，要对控制数据进行处理填补，以及我们一些特定格式数据的转化， 比如说时间数据，我们就不能是文本的格式，另外还有数据对齐，通过数据清洗手段可以提高我们模型预测的准确度。 接下来是比较重点，我们需要去进行策略编写。信号捕捉逻辑是依靠技术算法或量化指标， 在嘈杂的持续中寻找微弱的预期差信号，过滤无意义的噪音，实现高精准度的探测。当我们进行信号捕捉之后，我们要进行交易， 交易呢就分为建仓以及平仓仓位的动态调度就是当触发条件时，精细执行开平仓指令，为了降低滑点和市场冲击，需要合理规划订单类型，并施加单笔限制。 第三就是主动止损保命线，在底层算法中将止损逻辑提升至最高优先级，一旦策略发生方向性错误，无条件迅速切出，保障核心资金的安全。这一步的策略编写 在不同的板块中会有不同的编写策略的逻辑， 而策略编辑完成之后，我们要进行策略回测。第一个就是我们要进行回测参数的设置，要精准匹配测试的本金， 引入与真实交易市场一致的交易税费用金比例，并加入代表执行滑点和流动性溢价的动态乘法缓冲区。 第二点的话就是我们要进行策略的实力化，也就是将书写完毕的交易逻辑载入回测仿真引擎沙盒， 将核心逻辑与代调参数因子进行解偶，构建高度隔离的安全推理环境。 第三就是进行历史数据的载入，导入经过严格清洗的历史行情数据加载流程，具备单向持续性，彻底隔绝信息向历史前推的时间反向回流污染。 第四步我们要进行回测的执行计算、盈亏计算、统计指标生成回测报告等等。 策略回测中的持续径直跟踪、绩效核心审计、极限压力测试以及生成综合回测报告等等， 都有具体的指标计算逻辑以及预期输出结果等。 完成策略回测之后，我们要持续地进行策略优化。 第一个点是要重视交易费用。回测中完美的虚拟高收益往往在真实盘中被手续费与划点残蚀。 调优的前提是用最苛刻的佣金惩罚和滑点模型审视策略。如果一个策略在叠加交易摩擦后优势不在，就果断要舍弃。第二种是要重视风险，重视退出 调优呢？是为了在极端行情中存活，而不是追求暴力，必须在底层代码中焊死最大单笔硬止损和多维度全局资金回撤熔断保护拥有主动优雅退出能力的算法，才能在长跑中获胜。 第三，禁止采用网格调优去寻找特定历史片段下的极限最优解。 接下来我们要进行的是第六步，模拟盘交易。在这个过程中，我们要强制设置至少六个月的模拟向前测试期， 迫使策略直面单边牛市、单边熊市以及横盘风险轮动转换等等。 并且要深度理解过去并不等于未来的真相。在历史回测中跑出再惊艳的数据，只要逻辑存在过度逆和数据泄露或无法感知新市场机制变化， 策略在生产环境跑动时，其概率优势便会逐渐漂移退化。模拟交易正是用于严苛的样本外前项测试， 唯有在横跨两个季度的模拟盲测中，系统未发生崩溃，执行延迟控制在毫秒级，且实际收益特征和胜率满足回测设定的基本期望，方可获取实盘准入。 我们认为模拟盘稳定收益要在百分之一百以上，再考虑实盘交易。 最后，我们要进行实盘交易。首先，我们要做好三个准备，第一，实盘交易首年不以财富多寡为成败标准，也就是我们要做好第一年会输的准备。 第二，不要急于扩大投资，增加杠杆，克制幸存者偏差下的规模膨胀。 首期几笔交易的偶然胜利极易引发非理性的自信爆棚，坚决克制快速追加资本规模甚至铤而走险增加杠杆的冲动。第三，要稳住心态， 置身事外，充当冷酷的系统监护者。量化交易软件的本质就是用确定性的数字和代码逻辑，帮助我们彻底隔绝人类贪婪、恐惧与临摹犹豫。 只要系统仍在预设风控安全边界内跑动，禁止任何人工主观干涉，保持绝对平和的局外人姿态， 用严苛纪律征服市场企服用程序规则重塑交易心态，保持对数据的敬畏，在绝境中规划好离场红线，最终由期望、胜率和数学概率去裁决。 感谢观看！另外，接下来的几期视频中，我会逐步使用 ai 的 工具， 如 vs code、 cloud code， 并接入 deep seek 大 模型去打造一款量化交易软件。在这个过程中，我会根据它的实际表现情况 进行算法以及策略的优化，并且在模拟盘中观察 打造一个相对适配我们个人投资领域板块特征的量化软件。 感谢支持！

大家好，今天给大家分享用 cloud code 搭建大 a 稳定的数据源，我对 github 上七个数据源进行了实际的测试啊，下面给大家分享我测试的结论。我测试了七个数据源，最后留下了五个啊，数据源就包括这七个， 呃，这个是通达讯第一个，第二个是腾讯财经，财经财经，第三个是一跟艾文才一家的同化热点。 第六个是 to share， to share 因为要收费，它有积分墙，所以就免费，数据很少，所以我就把它给变掉了，然后 a share 这个基本上项目停更了，接口都挂了， 所以最终入选这五个啊，然后这是它的接入方式。然后下面我对这五个数据源的接口的数据进行详细的分析，分为五个板块。 首先第一个是行情层面的，呃，通达讯呢，它的优势就在于，呃它有这个实时的价格跟五档的盘口，然后 k 线的数据日周 月分钟级都是全的，还还包括主笔的成交数据。然后如果大家要调 k 线的话，用通达讯是最好的，然后它也不需要 api， 直接去连接就可以了。 然后第二个呢，也必须要接的就是腾讯财经，它是公开的 a p i， 然后它跟通达讯是互补的，通达讯是一些实时的交易的数据，然后腾讯财经呢，它是 pe， pb， 市值，换手率这些经过计算出来的数据，然后大家通过这两个数据库就能调取基本上全面的一些行情层面的数据了。 然后这个 excel 就是 淘汰掉的，就是大家也很多人也反馈说被东财给变掉了，封了 ip 经常失效，然后就这个就不用了。然后最后一个是同花顺，同花顺呢，有个比较 强势的原因，入选的原因就是他有这个当日强势股的题材归因啊，这个我就不具体说了，大家应该都懂什么归因，他说为什么这么强势，就给大家解释到这吧。呃，再多我也不好去细说啊。第二个模块呢，就是研报，就研报层面的数据我们从哪里获取？ a k share 里面有这个东财的，它这个研报的数据库，这个 api 其实是比较好用的，因为它的调取不会像那个日 k 那 么频繁，所以用这个接口是可以调取研报的，而且它都是 pdf 版的下载的。 然后这个是机构的一致预期，它是也是 a k share 里面的，但它是同花顺的这个接口的源头。呃， 然后艾文才呢，它比较独特的一点呢，它是支持这个羽翼的搜索，就比如说你搜人形机器人，然后加四杠，然后它能够跨主题解锁。它的缺点呢，就是需要你去登录这个艾文才的 skill hub。 呃，去拿个 api key， 然后才可以用，然后吐血呢，因为积分强啊，然后我就不推荐了。 呃，新闻层面就包括各股新闻快讯，还有全球的资讯 excel， 他 接的是东财的这个个股新闻，这个是 ok 的， 可以用的。呃，然后还包括财联社，财联社这个接口也是很好用的，它是分钟级的更新，属于最快的这个资讯员嘛，因为我们手机上有时候也会装这个财联社来获取新闻， 然后全球新闻也是接这个东财的这个接口就可以了，也挺好用的。然后通达讯呢，跟腾讯他们都没没有这个新闻的接口。 第四个模块就是基础的数据层，就是财报啊，这个 eps， 然后包括公司概括、股东这些，这个都是通达讯他可以接的，大家用通达讯去调取这些数据就好了。通达讯这个服务器很快也很好用 啊，但是有一些可能有些不一定齐的啊，在总市值里头，市值这些上市时间这些啊，也可以通过 a、 k、 c 进行补充。然后财务的话就不要走这个通达讯了，因为属于高频的数据。 第五个是公告层面，公告层面就是巨潮，巨潮它的接口是 excel 里面封装的啊，可以去里面调取出来。然后通达讯呢，它也有这个呃公告、分红、股东权益这些指标的信息，所以公告层面就用这两个接口也就可以了。 呃，六个层面的这个选型的汇总啊，我就给大家分享一下。就是首先第一个是我们刚才分析的，就是呃，通达讯跟腾讯财经的行情层面的， 这两个是互补的，不封 ip 的， 这个是 ok 的。 然后研报呢，就通财、 excel、 信号层，信号层就是，嗯，我放在行情层面在里面，就是这个特殊的热点归音，这个对某些选手来说是很重要的。然后第三个是新闻，然后记住数据公告啊，这几个加一起呢，就是大家需要的数据源吧，基本上都能覆盖完了， 覆盖了这这十五个接口，包括行情、研报，先要从这六个层面一共有大概十五个接口，就能把大家全都的需求全都覆盖了。 封装的话，呃，可以通过这六个数据源里面的接口数据进行一个啊合并的封装，封装成一个 crosscode 的 skill 啊，大家可以去拆解这些库来封装。 呃，如果大家就喜欢快一些用上这个 skill 的 话，我自己也封装了一个。呃， skill 就 把这些我刚才介绍的比较好用的接口统一封装成了这个 a stock date。 呃，需要的朋友可以去看我的首页介绍 啊。最终的方案呢，就是我们行情数据走了同大讯加腾讯财经，然后研报走了东财加 excel 羽翼的搜索呢，这个其实也挺重要的，就走了艾文才，然后热点归音呢，这个也对某些选手来说也很重要啊。 ok， 今天我的分享就到这里啊，欢迎大家的关注啊，谢谢大家。

很多老股民都知道啊， a 股有一个谣传，每逢周四大盘就下跌，那么我们可不可以设计一个策略，选定一个紧跟大盘的指数基金，每周三我就卖出去，每周四我再买进来，是不是这个策略就能挣大钱呢？哎，这就是一个典型的量化策略，今天我带你用五分钟把这个策略给搭出来。以前啊，我们想做这样的一个验证， 你必须得学 python， 你 必须学 pandas， 然后自己去搭回测系统，还得去爬历史数据。这些事情对于咱们 普通的散户来说，实在是没办法去做。今天呢，我用 cloud code， 我 只需要跟他说一句话，帮我验证 a 股的 黑色星期四效应。选定这只指数基金，每周三卖出，每周四买入，用历史数据回测，最后画一个收益曲线图，然后一回车，他就开始干活了，他先检查文件夹里边这个策略是不是已经存在了，有没有数据，如果没有数据，就自己去 a、 k、 c、 r 上面去下载数据。 接下来就是写回测和出报告的拍摄程序。代码写完了以后，它自动去运行，生成回测的曲线图，如果遇到错误，它还会自己去检查和修复。我们来看一下它的结论啊，它用二零一二年五月二十八号到二六年的四月三十号之间的三千三百八十四个交易日的数据进行了回 测。回测显示，黑色星期四效应明显减弱，整个这个过程大家可以看一下哈，一共四分三十八秒， 代码写好了，数据下载完毕，回车也跑完了，最后图也有了，结论也有了，整个过程全程不需要我写一行代码，你只需要一台电脑装好 cloud code， 你 就可以实现你自己的量化策略。关注我，带你走进量化的世界。

分享，使用 cloud code gemini vs code deepsea 做量化交易软件。先跟 gemini 说我们要做什么？ 跟他说我想做一个量化交易软件。应用 ai 编程软件，怎么写提示词呢？关注的是美股 ai 赛道，可以是存储芯片、 cpu、 gpu 软件应用核电龙头股，它会提供给 ai 编程工具的提示词 调整，告诉他模型是 api 接入到工具中的， 将提示词粘贴给 code code， 让他写代码。 发送前右下角勾选 play mode， ok， 开始编码了。这里调整界面颜色为白色，视频加速，全程大约用了二十多分钟。 好了，写完了， 按照它的提示打开项目，是 python 程序， 让它给出格式化的应用界面， 又用了十多分钟完成了。这次来看一下这个程序 产业链导因子计算因伟达和美光科技的三日栋梁，偏离度因伟达突破而美光之后时生成美光不长信号， 这里看回测分析中的最新信号是做空， 这里是数据管理，刷新设置等， 你们看懂了吗？问他几个跟指标相关的问题， 问他回测分析中的最新信号，做空是量化软件给出的交易建议，目前是做空的意思吗？ 他的回答为什么显示做空？两个因子叠加导致？一、产业链传导因子，当前 n v d a 的 三日动量，木的动量。存储股近期涨得比算力龙头快，偏离度为负值，按照因子逻辑， 这表示母已经补涨完成甚至超涨，触发的是反转信号，而非作多信号。 二、核电避险因子 c e g 当前背特只有零点三四，极弱关联，避险评分仅一百分之二高风险区，说明核电股已算力板块严重脱节，两个因子叠加综合信号等于负零点七八九，跌破负零点三的做空裕值 不构成投资建议。 对了，本次软件编程共花费八毛钱，是 deep seek 的 模型 tokens 费用。 谢谢观看，拜拜。

哈喽，大家好，继第一期视频我们讲了量化软件搭建的流程之后，我们本期将概述内的七个步骤进行一个详细的描述，让 ai 帮我们进行代码编辑。首先我们让 jimmy 将详细的量化软件搭建流程 转变成给 code code 的 开发任务书，将开发任务书粘贴给 code code， 并选择 play mode 模式 开始编码过程式获取数据数据清洗策略，编写策略回测策略优化行情数据。优先使用 deference 或 alpha vintage 获取上述六至标的的日线 daily 及一小时线 ollie k 线数据。 严禁使用未来数据填补。对盘中缺失指，使用 forward feel 前向填充 feel， 若开盘缺失则使用 backward feel 后向填充 feel。 核心交易策略逻辑，大盘风向标贝特过滤。只有当乌或 qqqm 的 价格位于二十日一码之上时，才允许对 vst 木 tsm 建立多头仓位。 仓位动态调度，风险评价偏置基础仓位初使资金平分为六份，动态调整引入 atr 倒数模型，各股波动率 atr 越高，分配的实际资金比例越低。 止，高波动的 v s t 和低波动的误对账户整体的风险贡献度对等。单笔限制，任何单只股票的持仓市值不得超过账户总资产的百分之二十五。 主动止损保命线最高优先级执行应止损。 hardstop 买入后价格跌破见仓价。二 a t 二、无条件无延迟试价单 market o 的 平仓 个股信号捕捉 alpha 触发，当个股五日 e 蒙向上经差十日 e 蒙且十四日 rsi 小 于六十五未过度超买时，触发建仓信号。程序编辑完成。我们来看一下这个软件， 首先是按照我们的需求，它将每一只个股单日是做多还是做空给出结论和可信度， 依据前一个交易日的数据作出的判断，如果做多看多到多少，如果做空看空到多少。 后续我们会让 code code 对 这个系统进一步优化，比如加更多因子引入机器学习强化风控系统。我们下期视频再见。

量化交易师的天塌了！ github 最新开源发布的量化丁格，一个具有自我进化能力的 ai 交易员，并且支持实盘。它覆盖了外汇、股市、期货和加密市场。 一个完全不会代码的普通人，只需要打出自己想要执行的策略， openai 会自动生成你的策略代码帮你回测，并且根据回测数据结果通过大模型进行微调参数，使策略更稳定。更离谱的是，它的交易雷达会自动爬取全球金融数据， 实时推送当前热门的交易机会，从基本面、财务数据和技术分析多维度告知你市场动态，并发送到你的手机上。它目前支持 windows、 linux 和 mac 系统。如果你也想部署体验，戳评论区。

我敢说，百分之九十九的人刚刚安装好的 call 扣，第一步就做错了。就是很多人会着急让 call 扣直接开始干活，然后会发现，哎，为什么好像有些时候还挺难用的呢？ 但实际上并不是说模型不会做，而是他根本不知道你的规则。 ok？ 大家好，我是 fred， 专注从普通小白的视角分享怎么从零到一，用 ai 和 web 扣领提升自己的生活和工作效率。 我建议安装好 cloud 后的呢，第一步不要着急让他直接开始写，而是把 cloud md 配置好。你把规则讲的越清楚，他在后面才会更懂，你也不太容易反攻， 就很多时候很多重复的工作啊，其实问题都差不多，就要么是你讲太多，要么是你改太多，要么就是你每次都会觉得他风风格都不太稳定，对吧？ 你本来只想让他改一个点，他却顺手改了一大片。你本来想让他按照项目的习惯来，他却给你一套看起来通用但正确的，但是又不太符合你要求的一些答案。 这些问题的背后，很多时候不是说模型不行，而是你没有把这个默认的规则交给他。那怎么样才能让他按照你的默认规则来呢？也就是很重要的一个点就是 cloud md。 什么是 cloud md 呢？你可以把它理解为 cloud code 的 一个默认的规则文件写进去之后呢，它不是一个一次性的聊天备注，而是 cloud 开工前就会先读的一个写作的边界。所以说它的真正的价值不是说 多一个文件，而是你终于不用每次再重新去解释。同样的话，一次写好之后就后面会默认去生效。 但这里面还有一个很关键的点啊，就是很多人一上来就在想，我要往 cloud md 里面去写什么，其实第一步不应该想怎么写，而是先想， 呃它有哪些层级？就是正常 cloud md 会有一个全局的层级，一个是项目的层级，也就是通用层和项目层。通用层就是写，写到你在每个项目都不会变的一些长期的习惯和规则。项目层就是写，写到你在每个项目这个仓库它独有的一些规则， 你把这两层分清楚之后，后面写起来才不会乱。 ok， 大家可能会问，哎，那你应该怎么写呢？对吧？通用层应该写什么？呃，像我自己的话，一般会有一些语言的规范、安全红线、工作流程和用户偏好。 我可以给大家看一下我整体的一个配置的一个情况，就比如说语言会要求他用中文跟我沟通，但是代码还是用英文，然后会有一些安全红线的问题， 不要去提交一些我自己的一些 api， key 啊，或者一些密钥。工作流程呢？就是一定要强调， 呃，完成报告之后，然后有报错就得报错。然后且修 bug 之前需要先写一些失败的测试用力，包括说代码标准不能够写得太大，如果写得过多大过长，如果后面要修改，那包括一些用户偏好的一些问题， 包括说其实像我的 cloud md 和我的 codex 所用的 agent md 其实完全是一样的，也就是我在切不同模型之间，它实际上的效果也是很不错的。然后面还会有一些上下文管理的一些问题， 所以说你会发现这些都不是某个项目特有的一些细节，而是我希望 cloud 在 任何项目里面都默认遵守的一些写作习惯，所以说如果在这种我在哪都一样的这样的一些规则，就应该写到通用层里面， ok， 那 项目城里面应该写什么呢？就比如说拿我先 free talk 这个剪辑视频的项目来说，项目城最应该典型的就是，哎，比如说每一层级你的唯一的入口， 你的输入输出怎么放，你的内容生产怎么交接，包括你的一些发布和一些安全的规则，其实这些规则离开这个项目其实就不一定成立了，但是如果只是在这个项目在成立的规则，那就应该写在项目城里面， ok， 如果你也想要开始配，我建议大家理解完这三层的东西之后，然后就够用了。然后如果怎么配置呢？其实很简单，一是我呃在视频后面会分享到相关的一些配置到呃我的粉丝群里面， 然后如果大家呃不感兴趣，也可以去搜索一些，比如说像 tiktok 上面一些高新的一些配置，比如说像 everything cloud code 啊，然后把你这种当做下来的一些规则文件发给 cloud code， 然后它可以根据你的通用层和项目层帮你去抄一份属于你自己的 cloud md。 但是呢，呃，你可以在后面跟它按照你的一些项目细节去补充 啊。写完之后他会有什么变化呢？就最直接的变化，不是说他会马上帮你把这个页面做的好看，或者说帮你把这个项目做的很很厉害，对吧？而是说他会让你的写作更顺，也就是写之前你可能反复在解释，然后他可能会给你一些泛泛的建议。 写之后呢，他会更更容易按照你的项目节奏直接去开干，以及按照你定义好的边界和风格来做，所以他 不会变得完美，他会更像一个更懂你的一个项目的写作者。所以说，总结下来， cloud md 的 本质就是把你反复叮嘱 cloud 的 话一次性写清楚，先分先分成，再定规则，再让 cloud 干活， 然后他才会越来越懂你。 ok， 我是 fred， 后面我会持续用真实的案例告诉大家怎么把 ai 用进自己的工作流里面，我们下期再见。

我用国产的 web 编辑工具配合国内的大模型 deepsea 微四开发了一款量化交易的工具，然后这款量化交易工具呢，整体已经可以呃全部跑通。嗯，最近一段时间呢，我们正在对整个工具进行深入的升级。 嗯，工具方面的话我跟大家说一下，我主要开发的是用 trend 开发的，然后最近 kolabili 也支持了这个，呃，以照上下文的，然后整体用起来感觉还可以。呃一些基础的业务可以交给他。 然后底层的加固呢，我们主要是用 color code 再进行检测和进行升级啊，对一些比较深入的加固性的复杂的问题，可能会让他去帮我们整体进行评估，然后交给圈或者是 color code 或者 code body 进行那个 修改。我们来这。嗯，今天呢我们来说一下就是，嗯，我们整体的想法呢，是把传统的选股公式啊，过去的我们做股票的方法把它因子化，然后呢采取多因子的方式，然后今天呢我们就，嗯把这个功能啊进入进行了生化啊，在这里呢我们引入了大模型啊， 大圆模型，然后，嗯，在这里我们可以把传统的啊，就是我们过去用什么，呃，用什么样的颧骨方法，然后把它炼化成一个一个的条件啊，这些条件呢，我们可以一条一条用自然语言把它说出来，自然语言说完以后， 嗯，然后我们用这个大圆模型把它翻译成我们这边的啊因子，然后这边的因子呢？嗯，会，嗯，会做成 python 的 语言和进行说明。然后我们啊我们的一个传统的选股策略呢，可能是有很多条件组成的，那这些条件的话可能是，嗯， 我们一句话的一条一条的条件啊，在这边都会变成一个一个的啊，一个一个的，就是啊量化的一个啊因子，然后这些因子的话我们把它进行组合，变成多因子组合，那这样的话，这样这个多因子组合就能够实现我们过去的啊，就是颧骨的一个思路。 然后在这种情况下呢，我们会对这些因子呢进行预处理啊，量化的预处理，进行啊因子的组啊，因子组合的这种啊评估啊，对他进行整体的分析， 来确定一下我们就是过去的选选股公式是否是可行的。然后呢我们把这个选股选股的就是多因子的这个选股公式呢，放到这个因子回测里面啊，因子回测里面呢，我们可以把这个我们做的这个 啊，就是这个组合，比如说我们做了一个这样的组合，那这个组合呢，就是其实是我们过去的一种选股方式吗？然后我们设置啊，我们嗯电话里面的一些 啊，数据化的处理啊，对他进行风控啊，对仓位啊进行整体的控制啊，市场啊或者说就是指标本身进行进行调整，调整完以后呢我们就对他进行回测，回测的数据呢就可以反映出来我们的啊 就是我们过去的交易思路啊，是否真的可行？他在各个数据方面表现的到底怎么样？嗯，然后嗯，我们对这些模型呢可以反复的进行不断的调整他参数进行推演。那 嗯前几天呢，我们一直在说一个事情，就是啊我们一定要嗯把我们的过去的选股的做股票的方法啊，进行量化，进行因子化，然后我们过去做股票呢，可能更多的是依赖于经验啊，我们可能是通过图形啊，量能啊，啊，通过一些指标啊，或者是啊 k 线啊，裸 k 啊这种结构啊， 那通过这种方式啊，来去，嗯，做股票，但是这样一种方式，他实际上你可以理解成他是一个黑箱， 但是股票的长期盈利呢，它实际上是是一个概率，那面对更多的复杂的情况的时候，那我们如何去应对呢？嗯， 我们一直说把量化的思路引入，那量化的思路呢？其实啊，我们可以看出来，就是啊，我们刚才把那个我们的传统的交易方式进行了因子化以后，我们对它进行对我们的交易方式进行回测，读出来我们的一些数据，那我们就知道我们的这个方式到底在啊，预期预期值啊，或者是 呃对未来的预测预测性啊，怎么样的这种都可以通过数据去去显示出来，那我们也可以看出来我们我们的方式和传统的交易方式他存在着很大的区别啊，你要考虑这个佣金的问题啊，考虑一些划点的问题，然后你要你要考虑这种大盘的环境啊， 啊对你仓位的一些影响，个股的风控呢，要严格的去执行系统，去严格的去能够严格的去执行啊，仓位控制也是要能够真正的去根据市场的情况，根据我们实际的情况进行啊， 这个仓位的去分配，那我们实际上在啊，在操作的时候其实是非常难难做到的啊，但是这种自动化交易的部分啊，去量化工具里面的自动化交易部分就可以帮我们去做到这一点。那我们也可以看出来 啊，我们的就是过去的交易方式跟量化交易的啊一些区别，当然我们这个量化的交量化的方式呢，可能还只是啊日限级别的这种啊， 然后我们把这个回测完以后呢，我们确定这个方式要进行反复的调整，确定可行的话，我们会把它放到我们的啊实盘，然后先进行模拟盘，然后我们啊好的， 就是多因子策略以后我们会进行盘后的这个啊数据的啊引入，然后在啊第二天实际交易的时候，系统去自动的去执行啊，我们也可以部署一些新的策略啊，一些新的因子的啊，多因子的一些组合我们，嗯， 我们自己手里面有些交易方式都可以进行组合，组合完以后我们来对它进行啊，啊，半手工或者是手工的啊，手工的去执行，我们也可以就是人为的去啊去执行，也可以全部由交易系统啊自动来执行，然后如果这个符合我们的啊策略生命周期的话，我们会把它转入实盘，对实盘进行交易 啊，实盘就是，嗯，手工交易或者是自动化去交易啊，那这里呢我们也做了很多的优化，深入的优化，这几天我们一直在啊，对我们的格式化啊，还有我们的数据员，嗯，整体的数据员进行那个优化， 所以呢还是大家可以看一下我前前面的视频，就是一定要把我们的交易思路转化，转化到去就是用量化的交易速度去做，而不是像过去一样。就是啊，一个黑箱式的一个操作的一个思路，凭经验、凭感觉，这个在量化面前是没有任何的优势的， 现在整个市场已经完全被量化影响了，所以必须要尽快的调整自己的教育策略。嗯，要把它列出来。

没想到这么容易可以当老板，靠什么 cloud 怎么做呢？先说一下我这个宏大的商业计划，就是通过淡化策略模型，在袋里面掏金币。那我要怎么招人帮我干活呢？就是通过 cloud， 首先招的第一个是超古专家， 他呢得对整个大 a 非常的熟悉，而且有实战经验。第二个呢就是量化分析，他就是需要把这个专家的经验数据化，搭建成一个量化策略模型， 然后一直丝丝叠带，丝丝叠带。最后呢就是这个模型可以在牛熊市都可以赚钱。第三呢就是工程师，我需要他把这个模型搭建成一个自动化的交易系统。是不是做老板很简单，但是 我需要喂金币，也就是偷啃给到他们他们才愿意给我干活。也就是在这个项目利润打正之前，我需要打工赚钱养他们，但是我现在连自己都养不活，我怎么养他们？

哈喽，大家好，上期视频我们创建了量化软件初试版本，这一期我们将对交易策略部分进行优化，并查看回测效果。我们先来查看初试版本的情况，提问该版本策略是否先进， 然后他说这个问题问的好，就是基础可用，但远算不上先进。他要逐步的进行拆开来讲清楚，也就是当前的策略真实水平。策略的核心是金叉过滤止损， 这就是教科书级别的趋势跟踪。打开任何一本技术分析入门书的第一章都讲的是这些，它的原理并不复杂。 嗯，说实话，不是什么秘密武器，是量化交易领域最基础最经典的趋势跟踪框架。我的回测百分之一百二十五收益，能不能信？能信，但具体要看如何去理解。 嗯，本策略它确实嗯跑赢了标普五百，但是基本和那只持平， 也就是我的超额收益来源。并不是神秘的 ai 因子，而是我选的这六只股票本身就是 ai 产业链强势趋势股，也就是股票好选的标的好，而不是策略有多聪明。 嗯， ai 说存在，嗯，最大的三个缺陷是，第一，没有趋势正道识别。第二，没有多周期确认。第三，没有真正的 alpha。 alpha 是 真正的 alpha， 应该是别人没发现或者别人不用的信息优势，我们现在的信号来源，嗯，全部都是公开的，所有人都能算的，没有信息壁垒。 如果要提升，哪些方向最值钱？提升方向，你想往哪个方向提升？这个系统我可以立即开始改造，多因子推荐的是，然后继续学习。等会我们再看一下成品， 这里要跟我确认策略内容，四种市场状态 不依赖深度学习，纯统计学的方法。那么，嗯，趋势牛市分为趋势牛市，震荡式、高波动和危机。 判定条件为，标普五百大于 ema 二十二，且 a d x 大 于二十五，且 v i x 小 于二十。这是趋势牛市的一些判定条件。策略响应式，正常做多仓位百分百。 震荡式 a d x 小 于二十，或价格在布林带内仓位降低至百分之五十收紧止损。 高波动的话， atr 大 于历史百分之八十分位或 vx 大 于二十五，仓位降低至百分之三十扩大至损。危机价格小于 ema 二十且周跌幅大于百分之五，空仓仅持有现金。 这是示态识别器，实现的是每日计算 adx 布林带宽度， atr 分 位数，周跌幅规则引擎输出当前状态。 第三，强化风控功能， vr 风险预算，凯利仓位相关性矩阵，黑天鹅预案，动态止损 啊。我们根据他的这几个给的策略，我们再重新的让他继续编码， 他按照刚刚的优化策略又重新给我进行了一版一个版本的更迭， 这个版本的更迭给我猎取了这个第一版本和第二个版本回测对比的结果，嗯，整体来说就是最新的版本在震荡式和高波动式会自动进行降仓，危机是空仓保命， 所以他的话就是会更稳妥一些。但是年化收益我看是下降了，从百分之十三降到百分之九点三， 年亏比提升了，因为他这些算法的参数都是在后台程序写死的，我们看一下能不能加一些，加一个参数设置页面，把指标参数的设置的情况能我们自己灵活的去控制。 看一下这个版本啊，他在页面的最左侧增加了一个参数设置的模块， 嗯，分为激进模式跟稳健模式。激进模式全仓跟随 e m a 金叉不回撤，保护牛市赚的多，但跌得很。稳健模式使用 v 二三引擎试探自适应，仓位回撤减半，下铺更高。 可调节的参数分为快线周期、慢线周期，嗯，范围是三到十五，三到十五信号更敏感，交易更频繁。慢线周期六到三十，信号更稳健。 过滤甲突破路场风控 rsi 超满线，设置的是五十到八十的区间，默认是六十五，更保守，不追高。止损 a t r 倍数一到四默认是二， 止损更宽，不容易被震出去。单票仓位上限 百分之十到五十，百分之二十五是默认值更集中。单票赚的多，但风险大，因子权重。这里 量价确认，波动率，板块轮动趋势强。 这中间他突然出了出现一句话， v 三回调入场太保守了，牛市中等不到回调就涨上去了，反而踏空换个思路，不改入场，改止损和过滤 策略。三是高确定性入场，加紧止损加让利润。奔跑 思考的过程中说了，过滤器太多，反而把好交易也过滤掉了。 换回第一个版本的核心逻辑，只优化出厂和仓位。他给我提出的方案是最快的优化是加入动量排序机制，因为 我们回测的数据是二一年到二六年，这期间包含的是二零二二年的美美股的熊市。那么用这八只票纯做多策略的话，百分之二十的研换难度就很大。 他给的最快优化是加入动量排序机制，每半个月把八只票按近期涨幅排序，只做多前四名，空仓后四名，这样资金集中在最强的标地上。我们同意这个策略，然 在这个过程中回测又发现了这个组合反而更差了。其实做策略的这个优化就是这个过程，他，嗯 想了一个好的这个方法，但是呢，用实际数据在测试的过程中发现它的效果并不好，那么这个策略我们就需要放弃。 目前其实最优方案还是最初那个版本，也就是激进模式百分之十三的年化。结语， v 零点二版本增加了交易策略参数配置， 主播认为个人交易者由于资金体量不大，不适用高频量化，收益还不够交手续费。后续想针对个人交易者中长线做策略优化及界面改造。感谢观看，祝发财！

我用国产的 web booking 工具 train 配合国内的大模型 tiktok v 四开发了一款量化交易的工具啊，然后这款量化交易工具整个流程已经跑通了。我们啊现在正在对策略，就是把我们传统的选股的策略，然后把它进行量化处理啊，进行量化处理以后，然后对它进行回测， 嗯，昨天的时候我们因为整个框架有点问题，我们觉得在模拟实盘，在模拟实盘的时候，然后，嗯，速度比较慢，嗯，速度比较慢，因为我们是个人电脑，就是相当于普通的散户在使用这个系统，然后速度比较慢，所以我们就用可乐扣的， 嗯，对整个框架进行了更新，然后呢数据员也重新，嗯，就是进行了优化啊，包括回测的数据员，然后那个私盘的啊，私盘的数据员都进行了进行优化，然后现在整体的速度可以达到日常的啊模模拟私盘的要求啊，但是我们没办法进行那种高频交易， 嗯，但呢那个就是机构的那种高频交易，也不是我们研究的一个方向，因为我们呃散户啊，用量化交易工具， 嗯，进行高频交易整整体是不现实的，因为他呃就是成本是非常的水润呢。我现在整体的想法是啊，对传统的选股策略啊进行优化，然后进行数据化， 然后呢我第一个拿过来的，呃，就是我过去经常用的一个叫空中加油的一个形态，这个形态呢？然后在，嗯，在，嗯，很多年的啊，这多年的这种回测里面，我们觉得都 效果比较好，然后成功率也比较高。然后对于市场里面的热点呢，挖掘热点呢？嗯，抓住热点也比较有有效，然后这种方式呢？嗯，当然也有失败的案例也比较多，整体成功率还是蛮高的。但是呢我再把它进行量化处理的时候呢，就是遇到了很大的困难， 那这里呢我也总结了一些经验，然后今天呢大概给大家说一下吧。啊，就是很多朋友可能会问 啊，说啊，就是我们散户怎么去啊？用量化的思路来规范我们日常的操作，那我我说就是最基础的 啊，最基础的东西，我们就是啊两个，第一个呢就是我们的啊止损止盈和啊仓位的控制，这点呢其实看起来非常简单，很多散户却很难做的到，但是这个呢我们是就是做股票的时候是必须要做到的， 嗯，就是如果如果你仓位控制不住的话啊，或者止损止损没有控制住的话，那你实际上是很难盈利的啊。这里牵涉了什么问题呢？就是股票的盈利他实际上是一个数学的概率的问题， 就是他不是说啊，我看好一支股票，我买了以后啊长期拿的，或者是啊怎么用别的方法，或者用涨停干散的方法可以盈利的，他不是这样一个啊，就是，嗯，是和否赚和亏的一个，呃，一个，嗯，事情他实际上是一个概率，概率的，连续的概率性的事情，嗯， 所以的话就是，嗯，我们需要设定自己的啊，就是评估自己的一个交易系统的时候，我们要要先确定自己的系统的，就是你的止损点是多少啊，你的仓位控制是多少，那只有这样的话你才能够，嗯， 那个在就是在产生错误的时候啊，你能够控制住亏损，在正确的时候你能够让自己的盈利去啊扩大，那这样的话我们就需要一个数据，这样就产生了一个数据呢，就是啊，我们的那个呃 盈亏比，盈亏比的话跟另外一个数据是配合使用的，就是胜率，就是你要评估一下啊，你自己的这个策略的胜率是多少，那在电话里面呢，就是他会进行通过回测啊，通过回测产生到这个数据啊，来来确定啊。你这个， 嗯方案就是这个策略啊，你的策略啊，你的那个多因子组合，你的胜率在各个不同的板块里面啊，到底是多少啊？这里面还涉及到一个过滤盒的问题。那我们实战里面过滤盒是什么回事呢？就是 你觉得自己的这个，嗯，方案，你的你的这个，呃就是做股票的这个策略，他的，嗯在某一段时间他可能是有效的，但是他可能放到别的时间或者别的阶段他就是没有用的啊，他可能就开始失效，就开始就开始产生亏损。那在这种情况下你就要通过这个 啊，仓位的，仓位的管理，亏损止损，止损来决定来减少你的亏损。那在你做出正确的判断的时候，比如说一只股票，你你，你在他启动的时间点，你进去了，然后并且在启动没有被挣出来以后，然后你可能啊抓到这个就是吃到这个整体的涨幅，那 很多人可能就会说，哎，我我我知道这些道理，但是我做不到。但是你现在如果，嗯，我们从整个市场的量化，对整个市场已经产生这种颠覆性的影响的时候，如果你做不到的话，你就想一想啊，机构或者师母他们 再跑这样一个策略，再跑一个，嗯，胜算非常高的，胜率非常高的一个策略，或者是胜率不高，但是他的盈亏比很高的一个策略。那他们在用一个电脑啊，在无情的去执行这个策略，他们亏损的时候可以出来，盈利的时候可以吃到很大一段涨幅， 如果你做不到的话，那你只可能会被市场去淘汰啊，然后，所以，所以就是我们必须要就是控制好我们的胜率和我们的呃，那个盈亏比，然后 如果你就是，嗯，没有办法去啊，像用工具一样去解决这个问题的话，那你就把你过去的啊，这个交割单，把所有的交易的记录都拉出来啊，看看你啊亏损的是怎么产生的，然后盈利的是啊，是什么情况下产生的盈利？然后你有没有吃到一整段的啊？ 就是大幅的这种上涨，你到底吃到了多少利润？翻倍的，甚至翻三倍的行情，你到底能吃到中间的百分之二十还是三十？然后为什么拿不住？那这些交割单啊，统计下来可能就能够得出来你你的这个交易方法，那很很多人可能会觉得啊，我没有交易，交易的策略，没有交易的原则， 嗯，那我只能就是说你可能在未来这个量化对市场产生这么大冲击的情况下，你可能几乎没有盈利的可能性啊，你的仓位控制变来变去的，你感觉好的时候重仓，感觉不好的时候清仓，嗯， 然后你的止损本来设置的是十个点止损啊，百分之三十的仓位，十个点止损，你可能也就损失两个点，三个点，但是呢，如果你不能严格的执行的话，你可能要到百亏到三十个点啊。股票在长期下跌的过程中，你一直是拿着这这支票，那在这种情况下的话，你其实是， 嗯，没有胜算的，没有任何胜算的。所以我们要评估一下我们的交易系统，评估一下我们的交易系统，然后确定一下我们的交易原则，然后就像机器一样去执行。

定就是我认为 cloud code 比较擅长执行分工明确的工程任务，并不太适合就是自由发挥的科研任务。所以说 我认为指定必须是数据目标，数据评价、指标停止方案，缺一不可。第一个要素就是我们需要明确数据结构，要告诉可拉的我们的数据在哪处，在哪个位置，我们每个时段的含义，每天代表什么，然后目标变量是什么，我想要哪个时段，还有训练级和测试级如何区分。 然后我会指定他的参考项目，我会给他一个先有的就是开源项目，让他学习代码的风格，就让他更好的掌握一些知识。第三的话我会就是给出就是量化指标，就比如我想要我的目标精度达到多少，用什么用什么指标来衡量。 最后会设置一个停止条件，因为 cloud 对 一个错误的话，他可能会无限，无限的调参就是无限，就是不不断的 重复，呃，最后可能也解决不了这个问题，这样的话就是它会烧 token， 这样的话我们成本会非常高。因此的话我会设置一个标准，就比如劫持多少轮之后，如果还没有完成就停止。

这是我用 vs coclock code stick sec 4 开发的一套 a 股量化交易系统，从数据抓取、因子打分、 策略回测到模拟盘交易和可实时管理，一条链路全部打通了。架构上分了四层，最底下的数据层用 ok 希尔拉沪深三百的日线行情，本地做了四外短存， 不用每次都去怕。网上是因子层，拆成了量价、均线，资金流和换手率五个维度，各自独立打分。再网上是策略层，这里用了一个模板方法的思路 积累，把仓位管理、止盈止损、趋势判断这些通用的事情全做了。新策略上来只写买卖信号就行，平均四十行代码搞定一个，最上面是 flux 代码，前端用 chart js 画图。策略方面一共做了六个， 而且经过反复调试，六个全部跑出了正收益。第一个多因子波段就是把五个因子加权汇总，年化收益三点三算是基准线。第二个量价突破找相近整理之后的放量突破点，年化二点三五。第三个情绪资金流 用 c score 检测资金长流入，再加上板块聚集确认，年化五点四六，进攻性很强。第四个军线共振是表现最好的四条军线，必须至少三条同时看多才开仓。年化五点九一， 回撤也只有百分之十点七，综合排名第一。第五个均值回归，专门做超跌反弹，胜率高达百分之五十八，回撤压到了不到百分之一，防御属性拉满。第六个进阶组合是前三者的动态融合，根据牛熊震荡自动切换权重配比。 风控也不含糊，单票最多占两成仓位，总仓位不超过八成，一旦组合回撤到百分之十五就强制清仓冷却五天。各股层面百分之十五止盈， 百分之五止损，高位回落三个点就触发跟踪止盈。外部端做了六个页面，仪表盘看整体状态， 策略页展示全部可得参数。回测页按策略切换资金曲线和月度热力图，模拟盘看值仓和交易明细。策略对比页用雷达图和指标表做横向比较。最后还有一个实盘开关回测是从二零二三年一月跑到二零二四年四月， 出使十万均线共振策略做到了十二点一万，跑赢了大盘，也验证了这套多策略框架的可行性。好，以上就是目前这个系统的介绍，系统还在不断优化，谢谢！