一个 AI 工程师的量化交易系统调研笔记

师兄最近找我，想做一个"能跑回测、能自定义因子"的量化交易系统。

作为一个刚用一周时间徒手搭了 TideWatch（AI 投研 MCP Server）的人，我本能的反应是——"这活儿我能接"。但冷静调研了一圈之后，我的结论是：不需要从零搭，现有的免费工具已经够用了。

这篇文章把调研过程和结论整理出来。如果你也在犹豫要不要"自建量化平台"，希望能帮你省掉我花的这些时间。

量化系统的 5 个台阶

量化交易系统不是一个东西，而是一组自动化程度递增的工具。我把它分成 5 级：

大多数人——包括师兄——需要的是 Level 2。而 Level 2 到 Level 3 之间，是真正的分水岭：从"研究"到"交易"，从"免费"到"花钱"。

关键认知：先在 Level 2 验证策略有 alpha，再考虑往上走。一个在 Level 2 年化 20% 的策略，比一个 Level 4 的空壳系统有价值一万倍。

Level 2 的选择：云平台 vs 本地框架

在"能跑回测 + 自定义因子"这个需求上，有两条路线。

路线一：云平台（开箱即用）

我的推荐是聚宽，理由很简单：

1. AI 对聚宽 API 非常熟悉。用 Claude 或 GPT 说一句"帮我在聚宽上写一个双均线策略"，它能直接给出可运行的完整代码。对于不太会写代码的人，这等于零门槛。
2. 数据全且免费。A 股日K、分钟K、财务数据、行业分类、指数成分——全都有，而自建平台要自己对接 baostock/AKShare/TuShare，光数据层就要花好几天。
3. 一键回测 + 模拟盘。策略写好点"回测"就跑，收益曲线、Sharpe、最大回撤一目了然。

路线二：本地框架（最大灵活性）

如果你需要策略保密、需要极致性能、或者单纯喜欢"掌控一切"：

backtrader 是纯回测最强的选择——API 设计优雅，内置 100+ 技术指标（集成 TA-Lib），参数优化开箱即用。一个双均线策略的完整回测只需要 20 行代码：

import backtrader as bt

class DualMA(bt.Strategy):
    params = (('fast', 5), ('slow', 20))

    def __init__(self):
        self.crossover = bt.ind.CrossOver(
            bt.ind.SMA(period=self.p.fast),
            bt.ind.SMA(period=self.p.slow))

    def next(self):
        if self.crossover > 0:
            self.buy()
        elif self.crossover < 0:
            self.sell()

cerebro = bt.Cerebro()
cerebro.addstrategy(DualMA)
cerebro.run()
cerebro.plot()

但它也有硬伤：原作者已停止更新（社区 fork 活着），而且不支持实盘——回测完想实盘，还得迁移到 vnpy 或 miniQMT。

vnpy 走的是另一条路：回测、模拟、实盘一体化。它对接了 CTP（期货）、XTP（中泰证券）等 20+ 交易接口，是国内量化社区最活跃的开源项目。但学习曲线也最陡。

数据从哪来？

策略再好，没有数据就是空中楼阁。好消息是 A 股免费数据源已经相当完善了：

我在 TideWatch 里用的就是 baostock（日K线）+ AKShare（资金流向和新闻），零成本、零反爬、跑了一周没出过一次问题。

关于实盘：Level 3-4 的门槛

如果你的策略在回测中表现好，想走向实盘，需要了解券商量化接口：

支持 miniQMT 的券商：国金证券、华鑫证券、湘财证券等。开户流程不复杂，但需要先入金 10 万。

期望管理：关于"稍微盈利"

这一节我觉得比前面所有技术细节都重要。

回测 ≠ 实盘

回测中容易忽略的现实摩擦：

• 滑点：你想 10 块买，实际成交 10.05。年化吃掉 2-5%
• 涨停买不进：策略说"买！"，但涨停封板根本买不到
• 过拟合：参数完美匹配历史数据，但未来大概率失效
• 幸存者偏差：退市的股票没出现在回测数据里

合理的收益预期

一个诚实的基准：能持续 3 年跑赢沪深300、Sharpe 比率 > 1.0，就已经是前 10% 的水平了。

时间成本

从"学会用聚宽"到"有信心上实盘"，保守估计 6 个月。

我的结论

师兄问我能不能帮他搭一个量化系统。我的回答是：

不需要搭。注册一个聚宽账号，让 AI 帮你写策略。

原因很简单：

1. 平台是手段不是目的——先验证策略有没有 alpha
2. 聚宽免费版已经覆盖 Level 2 的全部需求
3. AI（Claude / GPT）对聚宽 API 非常熟悉，不会写代码也不是障碍
4. 当策略成熟需要实盘时，再迁移到 miniQMT 或 vnpy 完全来得及

量化交易最贵的不是平台，是策略研发的时间和认知。把时间花在理解市场、构建因子、验证想法上，比花在造轮子上，回报率高得多。

先有万钟粟，后有黄金屋。 策略是粮食，平台只是仓库。