尧图网站建设 
如果你想在量化交易里少写一点代码多留一点时间看行情这个方向值得认真看一下模板、指标、提示词全部交给 AI 生成你只描述需求。这篇文章不聊玄乎的“AI 预测涨停”只聊一条能落地的工作流——用大模型把量化交易里最耗时间的模板搭建、指标编写、回测脚本和提示词设计自动化让你从“写代码的人”变成“提需求的人”。这套玩法的核心可以拆成四句话指标公式不用手写让 AI 根据自然语言描述生成。回测模板不用每次重搭用提示词让 AI 按固定结构输出。策略框架不用从零写用模板字符串和参数化设计批量复用。你只负责描述交易想法和控制风险剩下的交给模型。文中会给出完整的提示词模板、指标代码生成示例、回测框架示例、批量任务设计思路以及接入 LLM API 的通用调用方式。无论你是刚接触量化交易还是已经折腾了不少指标源码这套流程都能帮你把重复劳动压下去。先说明一点AI 生成策略代码不等于自动赚钱。量化交易的核心永远是逻辑、风控和数据质量AI 只是把“从想法到代码”这一段路的效率提上来。下面的内容按“能力速览 - 场景边界 - 工作流设计 - 环境准备 - 提示词模板 - 指标代码生成 - 回测框架 - 批量任务 - 性能观察 - 问题排查 - 最佳实践”展开你可以直接跳到最关心的部分。1. 核心能力速览能力项说明项目类型量化交易提示词工程 代码生成工作流输入方式自然语言描述交易想法、指标逻辑、回测要求输出内容指标公式通达信/Python、回测模板、策略框架、提示词模板适用模型支持代码生成的大语言模型本地部署或 API 调用均可关键依赖Python 3.9、pandas、numpy、backtrader 或 vectorbt、LLM API启动方式命令行 Jupyter Notebook / 脚本化执行是否支持批量任务支持可用目录扫描 参数化模板批量生成指标和回测是否支持 API支持LLM API 和回测引擎可以封装成 HTTP 服务显存要求本地部署模型时按模型规格而定API 模式无显存要求学习成本需要基础 Python 和基础量化概念不需要精通指标编写从材料看这个方向强调的是“一句话需求 - 自动生成整套模板、指标、提示词”所以下面所有示例都围绕这条链路来设计。2. 适用场景与使用边界这套方法最适合下面几种情况你有一个交易想法但不确定用哪个指标或者不知道怎么把想法写成代码。你想快速对比不同参数的均线策略、MACD 策略、布林带策略不想每次改代码。你需要批量生成多个股票或多种周期的回测模板手工写太慢。你想把常用指标整理成一套可复用的模板库方便后续直接调用。你正在做量化策略研究希望把“想法验证”的周期从几天压缩到几个小时。不适合的场景也很明显不要指望 AI 生成一个策略就能稳定盈利回测结果需要严格验证。不要用 AI 生成的高频交易代码直接上实盘延迟、滑点和风控都没验证。不要忽略数据质量AI 生成的代码跑出来的结果只能作为研究参考。使用边界和合规方面需要特别注意涉及股票、期货等真实交易数据时确认数据来源的授权。AI 生成的模板和代码可能存在逻辑漏洞实盘前必须人工复核。不要把策略信号视为投资建议相关决策风险自负。如果使用在线 LLM API避免提交未脱敏的隐私数据和商业敏感信息。3. 工作流设计从一句话到可用代码在动手装环境之前先把整条工作流的结构理清楚。只有先把流程拆开后面将每个环节改成提示词模板时才不会乱。更完整的流程设计如下。输入一句话交易需求 - AI 需求解析提示词模板 A - 输出策略逻辑、指标清单、参数范围 - AI 生成指标公式提示词模板 B - 输出通达信公式或 Python 指标函数 - AI 生成回测脚本提示词模板 C - 输出标准 Python 回测脚本 - 批量参数扫描模板字符串 参数配置文件 - 输出多组回测结果汇总 - 人工复核逻辑、风险、收益指标这个流程有四个关键节点每一个都需要对应的提示词模板来约束输出格式。第一需求解析。用户说的是“我想做一只股票的突破策略突破 20 日高点就买入跌破 10 日低点就卖出”AI 需要把它拆成入场条件、出场条件、参考指标、参数范围。第二指标生成。根据需求解析结果AI 生成对应语言的指标代码。如果你在通达信里用生成 THS/通达信公式如果你在 Python 里回测生成 pandas 向量化代码。第三回测脚本生成。这个环节最容易出问题因为回测框架不同代码结构差异很大。所以要让 AI 输出固定模板比如基于 backtrader 的格式字段名和函数名全部统一。第四批量参数扫描。把指标参数范围用 JSON 或 YAML 配置化用模板字符串填充回测脚本批量执行。后面几章会分别给出这些环节的具体提示词和代码示例。4. 环境准备与前置条件这一节不绑定某个具体项目但你照着做就能搭出一套可以运行这套工作流的最小环境。4.1 Python 环境建议使用 Python 3.9 以上版本推荐用 conda 或 venv 创建独立环境避免影响其他项目。# 创建独立环境 conda create -n quant-ai python3.10 -y conda activate quant-ai # 安装基础依赖 pip install pandas numpy matplotlib pip install backtrader如果你的回测偏向量化也可以安装 vectorbtpip install vectorbt4.2 LLM 模型接入这里有两种选择。第一种是调用在线 API只需要安装对应的 SDK 或直接用 requests 调 HTTP 接口不要求本地显卡。要准备好 API Key并在代码里配置好 base_url、model 名称和请求超时时间。第二种是本地部署开源模型例如 Qwen2.5-Coder、DeepSeek-Coder 等。本地部署的好处是数据不出内网但需要根据模型规格准备显卡显存占用因模型大小而异具体要以本机实测为准。本文示例以在线 API 为默认方式代码里有明确的请求参数你可以替换成自己的 base_url 和 model。4.3 数据准备回测至少需要历史 K 线数据。常见的数据字段包括date、open、high、low、close、volume。可以用 akshare 或 tushare 获取数据注意遵守数据源的使用条款。pip install akshare获取数据的示例import akshare as ak # 获取 A 股日线数据代码需要按实际标的调整 df ak.stock_zh_a_hist( symbol000001, perioddaily, start_date20230101, end_date20241231, adjustqfq ) print(df.head())实际使用时请根据数据源接口文档调整字段名并确认数据授权范围。5. 提示词模板设计让 AI 按格式输出这一章是整个工作流的核心。提示词模板设计的目标只有一个让 AI 的输出稳定、结构化、可直接入库。如果提示词写得模糊AI 输出就会五花八门后面的批量任务也就无从谈起。5.1 需求解析提示词模板这个模板负责把用户的一句话交易想法拆成结构化的策略描述。你是一名量化策略研究员。请把用户输入的交易想法拆解为结构化策略描述。 输出格式要求 1. 策略名称不超过 10 个字 2. 交易标的默认 A 股日线可补充 3. 入场条件明确给出条件表达式 4. 出场条件明确给出条件表达式 5. 参考指标列出需要用到的指标 6. 参数范围每个参数给出可选范围 7. 风险提示用一句话说明该策略的主要风险 用户输入{user_input} 请严格按照 JSON 格式输出不要输出额外说明。对应的调用代码import json import requests def parse_requirement(user_input, api_url, api_key, model): prompt f 你是一名量化策略研究员。请把用户输入的交易想法拆解为结构化策略描述。 输出格式要求 1. 策略名称不超过 10 个字 2. 交易标的默认 A 股日线可补充 3. 入场条件明确给出条件表达式 4. 出场条件明确给出条件表达式 5. 参考指标列出需要用到的指标 6. 参数范围每个参数给出可选范围 7. 风险提示用一句话说明该策略的主要风险 用户输入{user_input} 请严格按照 JSON 格式输出。 payload { model: model, messages: [ {role: system, content: 你是量化交易助手只输出结构化 JSON。}, {role: user, content: prompt} ], temperature: 0.2, max_tokens: 1024 } headers {Authorization: fBearer {api_key}} resp requests.post(api_url, jsonpayload, headersheaders, timeout120) resp.raise_for_status() content resp.json()[choices][0][message][content] return json.loads(content)这里把 temperature 设成 0.2目的是减少输出随机性。量化交易场景里代码和配置必须确定性高不要像聊天那样放飞自我。5.2 指标生成提示词模板这个模板负责把策略描述里的指标需求转换成 Python 向量化代码。需要注意量化指标实现方式很多AI 容易写出风格不一的代码所以要强制规定输入输出格式。你是量化指标代码生成器。根据用户给出的指标描述生成 pandas 向量化代码。 要求 1. 输入 DataFrame 必须包含 high, low, close, volume 列。 2. 输出必须是一个函数函数名称为 generate_indicator(df, params)。 3. 指标列命名规范指标名称_参数值例如 SMA_20。 4. 不允许使用循环必须使用 pandas 或 numpy 向量化计算。 5. 代码中不能包含中文注释。 6. 返回添加指标列后的 DataFrame。 指标描述{indicator_description} 参考参数{params}这个模板有三个关键约束必须使用向量化计算避免 for 循环否则回测数据量大时性能会很难看。输出必须是一个固定函数名这样批量调用时可以统一入口。参数必须通过 params 传入而不是硬编码在函数里否则无法做参数扫描。5.3 回测脚本提示词模板回测脚本是所有环节里最容易出错的因为不同框架的写法差异很大。建议选一个固定框架这里以 backtrader 为例。你是 Python 回测脚本生成器。请根据策略描述生成一个基于 backtrader 的完整回测脚本。 要求 1. 使用 backtrader 框架导入方式统一为 import backtrader as bt。 2. 策略类名固定为 MyStrategy(bt.Strategy)。 3. 输入数据通过 CSV 文件加载列名包含 date, open, high, low, close, volume。 4. 打印回测结果时至少包含总收益率、年化收益率、最大回撤、夏普比率、交易次数。 5. 主程序中通过 cerebro.addstrategy(MyStrategy, params_dict) 传入参数。 6. 只输出 Python 代码不需要额外解释。 策略描述{strategy_description} 参数配置{params_dict}用固定的类名和固定的数据加载方式最大的好处是后面做批量任务时可以批量替换参数、批量执行脚本、批量解析输出。5.4 提示词模板的迭代规律第一批提示词生成的结果大概率不完美。这不是模型不行而是提示词约束不够。如果发现以下问题对应调整输出格式不稳定在提示词里增加“必须输出 JSON / 只输出 Python 代码 / 不要输出额外说明”等强约束。指标写法不统一在要求里明确“函数名固定为 generate_indicator”和“必须向量化”。参数扫描困难在参数部分增加 JSON 示例让 AI 照抄结构。回测结果无法解析要求回测脚本把结果输出为 JSON 或固定文本格式而不是一长串日志。记住一个原则提示词模板是一个持续迭代的资产不是一次写好的。每跑一轮批量任务就把不稳定的点回填到模板里越用越顺手。6. 指标代码生成与验证用自然语言让 AI 生成指标代码是本工作流最直观的价值点。下面用一个双均线策略作为例子展示从描述到代码再到验证的完整过程。6.1 输入描述假设你的需求是生成一个双均线指标短期均线 10 日长期均线 30 日金叉买入死叉卖出。6.2 AI 输出的指标代码按上面的指标生成提示词模板AI 输出可能如下。注意这是典型输出实际生成时可能略有差异需要根据模板约束微调。import pandas as pd import numpy as np def generate_indicator(df: pd.DataFrame, params: dict) - pd.DataFrame: short_window params.get(short_window, 10) long_window params.get(long_window, 30) df[SMA_short] df[close].rolling(windowshort_window).mean() df[SMA_long] df[close].rolling(windowlong_window).mean() df[signal] np.where(df[SMA_short] df[SMA_long], 1, 0) df[signal] df[signal].diff().fillna(0) return df这个函数输出三列短期均线、长期均线、信号列。signal 为 1 表示金叉买入点为 -1 表示死叉卖出点。用 diff() 把持仓状态转换成交易信号这样回测引擎可以直接使用。6.3 指标验证流程拿到指标代码后不要直接上回测先验证指标本身是否正确。import pandas as pd # 构造一小段测试数据 test_data { date: pd.date_range(2024-01-01, periods30, freqD), open: range(100, 130), high: range(101, 131), low: range(99, 129), close: range(100, 130), volume: [1000000] * 30 } df pd.DataFrame(test_data) # 调用 AI 生成的函数 params {short_window: 5, long_window: 10} result generate_indicator(df, params) print(result[[date, close, SMA_short, SMA_long, signal]])重点检查三点金叉位置是否出现在短线均线上穿长线均线的位置。signal 列的值是否为 1、-1、0 三种状态而不是连续出现多个 1。均线最后一行的数值是否等于对应窗口的最后 N 日均值。如果这三项都没问题指标代码基本可以放心使用。6.4 批量生成指标当你有几十个指标候选要对比时可以写一个批量脚本循环调用 LLM 接口把生成的代码保存到指定目录。import os indicator_list [ {name: dual_ma, desc: 双均线指标金叉买入死叉卖出}, {name: rsi_reverse, desc: RSI 超买超卖低于30买入高于70卖出}, {name: boll_break, desc: 布林带突破突破上轨买入跌破中轨卖出}, ] output_dir ./generated_indicators os.makedirs(output_dir, exist_okTrue) for item in indicator_list: prompt build_indicator_prompt(item[desc], {short_window: 10, long_window: 30}) code call_llm(prompt, api_url, api_key, model) file_path os.path.join(output_dir, f{item[name]}.py) with open(file_path, w, encodingutf-8) as f: f.write(code) print(fgenerated: {file_path})批量生成之后一定要做自动语法检查和基础测试不要只生成不验证。可以再用一次 AI 或写一个简单的 import 检查脚本来批量验证语法正确性。import py_compile for item in [dual_ma, rsi_reverse, boll_break]: file_path f./generated_indicators/{item}.py try: py_compile.compile(file_path, doraiseTrue) print(f{item}: syntax ok) except Exception as e: print(f{item}: syntax error - {e})7. 模板化的回测框架指标只是策略的一部分完整的回测框架同样可以让 AI 生成然后模板化复用。这里给出一个最小可用的 backtrader 模板适合做单标的日线策略回测。7.1 回测脚本模板把 AI 生成的回测脚本整理成下面的模板结构。以后每次跑新策略只需要替换指标函数、参数配置和数据文件。import backtrader as bt import pandas as pd import json import sys class MyStrategy(bt.Strategy): params ( (short_window, 10), (long_window, 30), (printlog, True), ) def __init__(self): self.sma_short bt.indicators.SMA( self.data.close, periodself.params.short_window ) self.sma_long bt.indicators.SMA( self.data.close, periodself.params.long_window ) self.crossover bt.indicators.CrossOver(self.sma_short, self.sma_long) def next(self): if self.crossover 0: self.buy() elif self.crossover 0: self.sell() def stop(self): # 输出回测核心指标 result { total_return: self.broker.getvalue() / 100000.0 - 1.0, trade_count: len(self.stats.trade.count), } print(json.dumps(result, ensure_asciiFalse)) def run_backtest(csv_path, params_dict): cerebro bt.Cerebro() df pd.read_csv(csv_path, parse_dates[date]) data bt.feeds.PandasData( datanamedf, datetimedate, openopen, highhigh, lowlow, closeclose, volumevolume, ) cerebro.adddata(data) cerebro.addstrategy(MyStrategy, **params_dict) cerebro.broker.setcash(100000.0) cerebro.broker.setcommission(commission0.0003) cerebro.run() if __name__ __main__: csv_path sys.argv[1] params_json sys.argv[2] params_dict json.loads(params_json) run_backtest(csv_path, params_dict)这个模板用了 JSON 来传递参数好处是后面做批量参数扫描时每一条命令都是一个独立的任务互不干扰。7.2 运行回测python backtest_template.py ./data/000001.csv {short_window: 5, long_window: 20}执行后回测脚本会在控制台输出 JSON 格式的结果。输出结果应该包含总收益率、交易次数等关键指标方便后续批量汇总。7.3 多标的批量回测有了固定模板批量回测就变成一个简单的遍历任务。用目录和配置文件把数据、参数和结果分开管理。import subprocess import json import os data_dir ./data param_dir ./params result_dir ./results os.makedirs(result_dir, exist_okTrue) strategies [ { name: dual_ma_5_20, csv: f{data_dir}/000001.csv, params: {short_window: 5, long_window: 20}, }, { name: dual_ma_10_30, csv: f{data_dir}/000001.csv, params: {short_window: 10, long_window: 30}, }, { name: dual_ma_20_60, csv: f{data_dir}/000001.csv, params: {short_window: 20, long_window: 60}, }, ] for s in strategies: params_json json.dumps(s[params]) cmd [ python, backtest_template.py, s[csv], params_json ] proc subprocess.run(cmd, capture_outputTrue, textTrue, timeout300) # 输出转存为 JSON 文件保留 stdout 和 stderr 日志 result_file os.path.join(result_dir, f{s[name]}.json) with open(result_file, w, encodingutf-8) as f: f.write(proc.stdout) print(f{s[name]}: done)多标的批量回测的关键在于参数的 JSON 化。每个任务是独立进程即使某个标的数据异常报错也不会影响其他任务。8. LLM API 接入与批量任务设计如果你要做更大规模的“一句话生成策略 - 自动回测 - 输出结果”流水线光靠手动跑脚本不够需要把 LLM API 和回测引擎串起来。8.1 LLM API 通用调用封装前面的需求解析代码已经展示了最基本的调用方式。实际使用中建议封装一个通用函数用来处理普通的文本生成请求。下面给出一个更通用的封装示例。import requests import json class LLMClient: def __init__(self, api_url, api_key, model, temperature0.2): self.api_url api_url self.api_key api_key self.model model self.temperature temperature def chat(self, system_prompt, user_prompt, max_tokens2048): payload { model: self.model, messages: [ {role: system, content: system_prompt}, {role: user, content: user_prompt}, ], temperature: self.temperature, max_tokens: max_tokens, } headers {Authorization: fBearer {self.api_key}} resp requests.post(self.api_url, jsonpayload, headersheaders, timeout180) resp.raise_for_status() data resp.json() return data[choices][0][message][content]使用示例client LLMClient( api_urlhttps://your-llm-endpoint/v1/chat/completions, api_keyyour-api-key, modelyour-model-name, temperature0.2, ) parse_output client.chat( system_prompt你是量化交易助手只输出结构化 JSON。, user_prompt我想做双均线策略短期均线上穿长期均线买入下穿卖出。 ) print(parse_output)注意这里的 api_url、api_key、model 都需要按你的实际服务替换。不同平台的请求格式可能略有差异如果返回结构不对看返回 message 字段的层级。8.2 批量任务队列设计批量任务不只是“多跑几个脚本”还要考虑失败重试、结果汇总和中间状态记录。建议用 JSON 文件描述任务清单每个任务包含策略名称、数据路径、参数配置、状态、重试次数。{ tasks: [ { id: task_001, name: dual_ma_5_20, data_path: ./data/000001.csv, params: { short_window: 5, long_window: 20 }, status: pending, retry_count: 0 }, { id: task_002, name: rsi_15_70, data_path: ./data/600000.csv, params: { rsi_period: 15, buy_threshold: 30, sell_threshold: 70 }, status: pending, retry_count: 0 } ] }执行时按状态轮询失败的任务累计重试次数超过 3 次后被标记为 failed不影响后续任务。import time def run_task(task): print(frunning {task[id]} - {task[name]}) # 这里调用指标生成和回测脚本 # 执行成功返回 True失败返回 False return True def process_queue(task_file): with open(task_file, r, encodingutf-8) as f: queue json.load(f) for task in queue[tasks]: if task[status] ! pending: continue try: success run_task(task) task[status] done if success else failed except Exception as e: task[retry_count] 1 if task[retry_count] 3: task[status] failed else: task[status] pending print(ftask {task[id]} error: {e}) time.sleep(1) with open(task_file, w, encodingutf-8) as f: json.dump(queue, f, ensure_asciiFalse, indent2)批量任务设计的核心原则状态要持久化、失败要可重试、日志要完整。否则跑几千个任务一旦中途断掉很难定位问题。8.3 结果汇总批量任务执行完后把每个任务输出的 JSON 合并成一张总表。import pandas as pd import glob import json files glob.glob(./results/*.json) rows [] for file in files: with open(file, r, encodingutf-8) as f: data json.load(f) rows.append({ strategy: file.split(/)[-1].replace(.json, ), total_return: data.get(total_return), trade_count: data.get(trade_count), }) df pd.DataFrame(rows) df.sort_values(total_return, ascendingFalse, inplaceTrue) print(df.head(10)) df.to_csv(./results/summary.csv, indexFalse, encodingutf-8-sig)汇总表可以直接用于初步筛选策略。注意这里只适合做研究阶段的横向对比不能直接当作实盘依据。9. 资源占用与性能观察“AI 量化交易”里最容易被忽略的是性能问题。这里的性能不单指 GPU 显存还包括 LLM API 延迟、指标计算速度和回测耗时。9.1 LLM 调用延迟如果用在线 API一次需求解析或代码生成请求通常需要几秒到几十秒取决于模型规模和输入长度。如果要批量生成几百个指标建议增加并发但要控制并发数避免触发限流。加入指数退避重试遇到限流时等待后重试。把生成结果缓存到本地避免重复请求消耗额度。import time import random def call_with_retry(client, system_prompt, user_prompt, max_retries3): for attempt in range(max_retries): try: return client.chat(system_prompt, user_prompt) except Exception as e: wait_time 2 ** attempt random.uniform(0, 1) print(fretry {attempt 1} after {wait_time:.1f}s, error: {e}) time.sleep(wait_time) raise RuntimeError(LLM call failed after retries)9.2 指标计算性能AI 生成的指标代码如果用了循环性能会很差。回测框架里批量跑几百个股票时每一行慢代码都会被放大。检查指标代码时重点关注是否使用了 pandas rolling、numpy.where 等向量化方法。是否在函数内部重复计算了不需要的列。是否把数据加载放在循环内部导致反复 I/O。9.3 本机部署模型的显存占用如果你不用在线 API而是本地部署开源模型需要重点观察显存占用。显存占用随模型参数量、量化精度和输入长度变化7B 级别模型量化后通常需要 6G 到 8G 显存具体以本机实际为准。14B 级别模型量化后通常需要 12G 到 16G 显存。如果显存不够可以尝试加载更小的量化版本或者把部分层放到 CPU。生成代码任务比普通对话更吃上下文窗口输入提示词越长KV Cache 占用的显存越多。建议用nvidia-smi观察显存变化。watch -n 1 nvidia-smi如果本地显存紧张最简单的方法就是切换到 API 模式把显存压力转移到服务端。9.4 回测耗时和磁盘空间回测耗时主要取决于数据量、策略复杂度和参数量。一般日线级别的单标的回测在几秒内完成分钟线或全市场扫描需要更长时间。回测过程中生成的中间数据、日志和结果文件也要预留磁盘空间建议输出目录按日期分目录管理。10. 常见问题与排查方法这套工作流看起来简单真正跑起来会遇到各种问题。下面整理几个高频问题。问题现象可能原因排查方式解决方案LLM 返回结果不是 JSON提示词约束不够模型自由发挥打印原始返回内容增加“只输出 JSON”强约束或用正则提取 JSON 片段生成的指标代码 import 报错函数内部使用了未导入的库查看错误堆栈在提示词模板里增加“不允许使用未导入的库”指标信号连续重复使用持仓状态直接做信号打印 signal 列检查用 diff() 把状态转成交易信号回测结果收益异常高数据存在未来函数或幸存者偏差检查指标是否用到未来数据逐行核对指标计算逻辑确认没有 shift(-1) 等操作批量任务到一半失败单个任务异常导致队列中断查看任务日志给每个任务加 try/except状态持久化API 请求超时模型响应过慢或网络波动查看请求日志增加超时时间加入重试机制本地模型显存不足模型规模超过显存容量nvidia-smi 查看显存切换到更小量化版本或 API 模式模板生成的代码无法复用模板里参数写死检查参数是否通过 params 传递统一用 JSON 传参禁止硬编码回测结果与预期差异大数据字段或复权方式不对检查数据源字段说明统一数据预处理流程确认字段名除了表格中的问题还有一个经常被忽略的坑提示词模板和代码模板版本不一致。比如你更新了回测模板的字段名但旧的提示词还在按老格式生成代码结果就是批量任务大面积报错。建议把提示词模板和代码模板放在同一个仓库里用 Git 做版本管理更新时同步提交。11. 最佳实践与使用建议11.1 先小后大先单后批第一次测试时不要一上来就跑全市场批量任务。先用一个标的、一组参数、一个简单的双均线策略把整条链路跑通。确认以下环节都没问题后再扩展LLM 输出能稳定解析成 JSON。指标代码能通过语法检查和基础验证。回测模板能正确读入 CSV、输出结果。批量任务的重试和日志机制正常。11.2 建立三个独立目录建议把输入、输出和中间代码分开管理避免文件混杂。project/ ├── data/ # 原始行情数据按标的和周期分目录 ├── generated/ # AI 生成的指标代码和回测脚本 ├── results/ # 回测结果 JSON 和汇总表 ├── templates/ # 提示词模板和代码模板 ├── config/ # 批量任务配置 └── logs/ # 运行日志11.3 用模板字符串管理参数批量任务里最容易出错的是参数拼接。建议用 JSON 或 YAML 管理参数避免在代码里硬编码。# config/dual_ma.yaml data_dir: ./data result_dir: ./results strategies: - name: dual_ma_5_20 csv: 000001.csv params: short_window: 5 long_window: 20 - name: dual_ma_10_30 csv: 000001.csv params: short_window: 10 long_window: 3011.4 人工复核不可省略AI 生成的指标和策略代码跑出来的收益曲线再漂亮也一定要人工复核以下几点策略逻辑是否符合原始想法。是否存在未来函数比如用当天收盘价计算信号后当天买入。交易成本、滑点和涨跌停限制是否考虑。参数是否存在过拟合换一段数据或换几个标的还能不能跑。数据来源是否合规是否涉及未授权数据。11.5 合规和安全提醒再次强调几条底线AI 生成策略仅用于研究和技术学习不构成投资建议。涉及真实资金交易前必须在仿真环境充分验证并明确风险责任。如果处理的是非公开数据或个人信息先确认隐私边界和授权。在线 API 调用时不要在提示词中提交未脱敏的隐私信息和商业敏感内容。12. 总结与下一步这套“AI 量化交易新玩法”的价值不在于让 AI 帮你预测行情而在于把量化研究里最烦琐的三个环节自动化写指标、搭回测、做参数扫描。你从写代码的人变成提需求和审结果的人工作方式会发生明显变化。其中最值得先尝试的是双均线策略的完整链路用一句话描述策略 - AI 生成指标代码 - 用模板回测 - 批量跑几组参数对比。这个链路覆盖了所有核心环节而且工作量小最适合用来验证整套流程是否顺滑。最容易踩的坑有两个一是提示词模板约束不够导致 AI 输出格式不稳定二是批量任务没有日志和重试机制跑到一半断掉后无法续跑。这两点在前期就要做好设计。后续如果想继续深入可以从这几个方向扩展把提示词模板和回测模板封装成一个内部工具支持 Web 界面或命令行交互。加入更多的策略模板比如 RSI 超买超卖、布林带突破、海龟交易法则。接入分钟级数据测试更高频策略的可行性。用 LLM 自动分析回测结果输出策略诊断报告。把批量任务队列接入消息队列比如 Redis 或 Celery支持更复杂的调度。建议先把文章里的最小链路跑通保存一套能稳定运行的提示词模板和代码模板。后续再逐步扩展效率会越来越高。 用AI生成量化交易模板与指标，从写代码到提需求
如果你想在量化交易里少写一点代码多留一点时间看行情这个方向值得认真看一下模板、指标、提示词全部交给 AI 生成你只描述需求。这篇文章不聊玄乎的“AI 预测涨停”只聊一条能落地的工作流——用大模型把量化交易里最耗时间的模板搭建、指标编写、回测脚本和提示词设计自动化让你从“写代码的人”变成“提需求的人”。这套玩法的核心可以拆成四句话指标公式不用手写让 AI 根据自然语言描述生成。回测模板不用每次重搭用提示词让 AI 按固定结构输出。策略框架不用从零写用模板字符串和参数化设计批量复用。你只负责描述交易想法和控制风险剩下的交给模型。文中会给出完整的提示词模板、指标代码生成示例、回测框架示例、批量任务设计思路以及接入 LLM API 的通用调用方式。无论你是刚接触量化交易还是已经折腾了不少指标源码这套流程都能帮你把重复劳动压下去。先说明一点AI 生成策略代码不等于自动赚钱。量化交易的核心永远是逻辑、风控和数据质量AI 只是把“从想法到代码”这一段路的效率提上来。下面的内容按“能力速览 - 场景边界 - 工作流设计 - 环境准备 - 提示词模板 - 指标代码生成 - 回测框架 - 批量任务 - 性能观察 - 问题排查 - 最佳实践”展开你可以直接跳到最关心的部分。1. 核心能力速览能力项说明项目类型量化交易提示词工程 代码生成工作流输入方式自然语言描述交易想法、指标逻辑、回测要求输出内容指标公式通达信/Python、回测模板、策略框架、提示词模板适用模型支持代码生成的大语言模型本地部署或 API 调用均可关键依赖Python 3.9、pandas、numpy、backtrader 或 vectorbt、LLM API启动方式命令行 Jupyter Notebook / 脚本化执行是否支持批量任务支持可用目录扫描 参数化模板批量生成指标和回测是否支持 API支持LLM API 和回测引擎可以封装成 HTTP 服务显存要求本地部署模型时按模型规格而定API 模式无显存要求学习成本需要基础 Python 和基础量化概念不需要精通指标编写从材料看这个方向强调的是“一句话需求 - 自动生成整套模板、指标、提示词”所以下面所有示例都围绕这条链路来设计。2. 适用场景与使用边界这套方法最适合下面几种情况你有一个交易想法但不确定用哪个指标或者不知道怎么把想法写成代码。你想快速对比不同参数的均线策略、MACD 策略、布林带策略不想每次改代码。你需要批量生成多个股票或多种周期的回测模板手工写太慢。你想把常用指标整理成一套可复用的模板库方便后续直接调用。你正在做量化策略研究希望把“想法验证”的周期从几天压缩到几个小时。不适合的场景也很明显不要指望 AI 生成一个策略就能稳定盈利回测结果需要严格验证。不要用 AI 生成的高频交易代码直接上实盘延迟、滑点和风控都没验证。不要忽略数据质量AI 生成的代码跑出来的结果只能作为研究参考。使用边界和合规方面需要特别注意涉及股票、期货等真实交易数据时确认数据来源的授权。AI 生成的模板和代码可能存在逻辑漏洞实盘前必须人工复核。不要把策略信号视为投资建议相关决策风险自负。如果使用在线 LLM API避免提交未脱敏的隐私数据和商业敏感信息。3. 工作流设计从一句话到可用代码在动手装环境之前先把整条工作流的结构理清楚。只有先把流程拆开后面将每个环节改成提示词模板时才不会乱。更完整的流程设计如下。输入一句话交易需求 - AI 需求解析提示词模板 A - 输出策略逻辑、指标清单、参数范围 - AI 生成指标公式提示词模板 B - 输出通达信公式或 Python 指标函数 - AI 生成回测脚本提示词模板 C - 输出标准 Python 回测脚本 - 批量参数扫描模板字符串 参数配置文件 - 输出多组回测结果汇总 - 人工复核逻辑、风险、收益指标这个流程有四个关键节点每一个都需要对应的提示词模板来约束输出格式。第一需求解析。用户说的是“我想做一只股票的突破策略突破 20 日高点就买入跌破 10 日低点就卖出”AI 需要把它拆成入场条件、出场条件、参考指标、参数范围。第二指标生成。根据需求解析结果AI 生成对应语言的指标代码。如果你在通达信里用生成 THS/通达信公式如果你在 Python 里回测生成 pandas 向量化代码。第三回测脚本生成。这个环节最容易出问题因为回测框架不同代码结构差异很大。所以要让 AI 输出固定模板比如基于 backtrader 的格式字段名和函数名全部统一。第四批量参数扫描。把指标参数范围用 JSON 或 YAML 配置化用模板字符串填充回测脚本批量执行。后面几章会分别给出这些环节的具体提示词和代码示例。4. 环境准备与前置条件这一节不绑定某个具体项目但你照着做就能搭出一套可以运行这套工作流的最小环境。4.1 Python 环境建议使用 Python 3.9 以上版本推荐用 conda 或 venv 创建独立环境避免影响其他项目。# 创建独立环境 conda create -n quant-ai python3.10 -y conda activate quant-ai # 安装基础依赖 pip install pandas numpy matplotlib pip install backtrader如果你的回测偏向量化也可以安装 vectorbtpip install vectorbt4.2 LLM 模型接入这里有两种选择。第一种是调用在线 API只需要安装对应的 SDK 或直接用 requests 调 HTTP 接口不要求本地显卡。要准备好 API Key并在代码里配置好 base_url、model 名称和请求超时时间。第二种是本地部署开源模型例如 Qwen2.5-Coder、DeepSeek-Coder 等。本地部署的好处是数据不出内网但需要根据模型规格准备显卡显存占用因模型大小而异具体要以本机实测为准。本文示例以在线 API 为默认方式代码里有明确的请求参数你可以替换成自己的 base_url 和 model。4.3 数据准备回测至少需要历史 K 线数据。常见的数据字段包括date、open、high、low、close、volume。可以用 akshare 或 tushare 获取数据注意遵守数据源的使用条款。pip install akshare获取数据的示例import akshare as ak # 获取 A 股日线数据代码需要按实际标的调整 df ak.stock_zh_a_hist( symbol000001, perioddaily, start_date20230101, end_date20241231, adjustqfq ) print(df.head())实际使用时请根据数据源接口文档调整字段名并确认数据授权范围。5. 提示词模板设计让 AI 按格式输出这一章是整个工作流的核心。提示词模板设计的目标只有一个让 AI 的输出稳定、结构化、可直接入库。如果提示词写得模糊AI 输出就会五花八门后面的批量任务也就无从谈起。5.1 需求解析提示词模板这个模板负责把用户的一句话交易想法拆成结构化的策略描述。你是一名量化策略研究员。请把用户输入的交易想法拆解为结构化策略描述。 输出格式要求 1. 策略名称不超过 10 个字 2. 交易标的默认 A 股日线可补充 3. 入场条件明确给出条件表达式 4. 出场条件明确给出条件表达式 5. 参考指标列出需要用到的指标 6. 参数范围每个参数给出可选范围 7. 风险提示用一句话说明该策略的主要风险 用户输入{user_input} 请严格按照 JSON 格式输出不要输出额外说明。对应的调用代码import json import requests def parse_requirement(user_input, api_url, api_key, model): prompt f 你是一名量化策略研究员。请把用户输入的交易想法拆解为结构化策略描述。 输出格式要求 1. 策略名称不超过 10 个字 2. 交易标的默认 A 股日线可补充 3. 入场条件明确给出条件表达式 4. 出场条件明确给出条件表达式 5. 参考指标列出需要用到的指标 6. 参数范围每个参数给出可选范围 7. 风险提示用一句话说明该策略的主要风险 用户输入{user_input} 请严格按照 JSON 格式输出。 payload { model: model, messages: [ {role: system, content: 你是量化交易助手只输出结构化 JSON。}, {role: user, content: prompt} ], temperature: 0.2, max_tokens: 1024 } headers {Authorization: fBearer {api_key}} resp requests.post(api_url, jsonpayload, headersheaders, timeout120) resp.raise_for_status() content resp.json()[choices][0][message][content] return json.loads(content)这里把 temperature 设成 0.2目的是减少输出随机性。量化交易场景里代码和配置必须确定性高不要像聊天那样放飞自我。5.2 指标生成提示词模板这个模板负责把策略描述里的指标需求转换成 Python 向量化代码。需要注意量化指标实现方式很多AI 容易写出风格不一的代码所以要强制规定输入输出格式。你是量化指标代码生成器。根据用户给出的指标描述生成 pandas 向量化代码。 要求 1. 输入 DataFrame 必须包含 high, low, close, volume 列。 2. 输出必须是一个函数函数名称为 generate_indicator(df, params)。 3. 指标列命名规范指标名称_参数值例如 SMA_20。 4. 不允许使用循环必须使用 pandas 或 numpy 向量化计算。 5. 代码中不能包含中文注释。 6. 返回添加指标列后的 DataFrame。 指标描述{indicator_description} 参考参数{params}这个模板有三个关键约束必须使用向量化计算避免 for 循环否则回测数据量大时性能会很难看。输出必须是一个固定函数名这样批量调用时可以统一入口。参数必须通过 params 传入而不是硬编码在函数里否则无法做参数扫描。5.3 回测脚本提示词模板回测脚本是所有环节里最容易出错的因为不同框架的写法差异很大。建议选一个固定框架这里以 backtrader 为例。你是 Python 回测脚本生成器。请根据策略描述生成一个基于 backtrader 的完整回测脚本。 要求 1. 使用 backtrader 框架导入方式统一为 import backtrader as bt。 2. 策略类名固定为 MyStrategy(bt.Strategy)。 3. 输入数据通过 CSV 文件加载列名包含 date, open, high, low, close, volume。 4. 打印回测结果时至少包含总收益率、年化收益率、最大回撤、夏普比率、交易次数。 5. 主程序中通过 cerebro.addstrategy(MyStrategy, params_dict) 传入参数。 6. 只输出 Python 代码不需要额外解释。 策略描述{strategy_description} 参数配置{params_dict}用固定的类名和固定的数据加载方式最大的好处是后面做批量任务时可以批量替换参数、批量执行脚本、批量解析输出。5.4 提示词模板的迭代规律第一批提示词生成的结果大概率不完美。这不是模型不行而是提示词约束不够。如果发现以下问题对应调整输出格式不稳定在提示词里增加“必须输出 JSON / 只输出 Python 代码 / 不要输出额外说明”等强约束。指标写法不统一在要求里明确“函数名固定为 generate_indicator”和“必须向量化”。参数扫描困难在参数部分增加 JSON 示例让 AI 照抄结构。回测结果无法解析要求回测脚本把结果输出为 JSON 或固定文本格式而不是一长串日志。记住一个原则提示词模板是一个持续迭代的资产不是一次写好的。每跑一轮批量任务就把不稳定的点回填到模板里越用越顺手。6. 指标代码生成与验证用自然语言让 AI 生成指标代码是本工作流最直观的价值点。下面用一个双均线策略作为例子展示从描述到代码再到验证的完整过程。6.1 输入描述假设你的需求是生成一个双均线指标短期均线 10 日长期均线 30 日金叉买入死叉卖出。6.2 AI 输出的指标代码按上面的指标生成提示词模板AI 输出可能如下。注意这是典型输出实际生成时可能略有差异需要根据模板约束微调。import pandas as pd import numpy as np def generate_indicator(df: pd.DataFrame, params: dict) - pd.DataFrame: short_window params.get(short_window, 10) long_window params.get(long_window, 30) df[SMA_short] df[close].rolling(windowshort_window).mean() df[SMA_long] df[close].rolling(windowlong_window).mean() df[signal] np.where(df[SMA_short] df[SMA_long], 1, 0) df[signal] df[signal].diff().fillna(0) return df这个函数输出三列短期均线、长期均线、信号列。signal 为 1 表示金叉买入点为 -1 表示死叉卖出点。用 diff() 把持仓状态转换成交易信号这样回测引擎可以直接使用。6.3 指标验证流程拿到指标代码后不要直接上回测先验证指标本身是否正确。import pandas as pd # 构造一小段测试数据 test_data { date: pd.date_range(2024-01-01, periods30, freqD), open: range(100, 130), high: range(101, 131), low: range(99, 129), close: range(100, 130), volume: [1000000] * 30 } df pd.DataFrame(test_data) # 调用 AI 生成的函数 params {short_window: 5, long_window: 10} result generate_indicator(df, params) print(result[[date, close, SMA_short, SMA_long, signal]])重点检查三点金叉位置是否出现在短线均线上穿长线均线的位置。signal 列的值是否为 1、-1、0 三种状态而不是连续出现多个 1。均线最后一行的数值是否等于对应窗口的最后 N 日均值。如果这三项都没问题指标代码基本可以放心使用。6.4 批量生成指标当你有几十个指标候选要对比时可以写一个批量脚本循环调用 LLM 接口把生成的代码保存到指定目录。import os indicator_list [ {name: dual_ma, desc: 双均线指标金叉买入死叉卖出}, {name: rsi_reverse, desc: RSI 超买超卖低于30买入高于70卖出}, {name: boll_break, desc: 布林带突破突破上轨买入跌破中轨卖出}, ] output_dir ./generated_indicators os.makedirs(output_dir, exist_okTrue) for item in indicator_list: prompt build_indicator_prompt(item[desc], {short_window: 10, long_window: 30}) code call_llm(prompt, api_url, api_key, model) file_path os.path.join(output_dir, f{item[name]}.py) with open(file_path, w, encodingutf-8) as f: f.write(code) print(fgenerated: {file_path})批量生成之后一定要做自动语法检查和基础测试不要只生成不验证。可以再用一次 AI 或写一个简单的 import 检查脚本来批量验证语法正确性。import py_compile for item in [dual_ma, rsi_reverse, boll_break]: file_path f./generated_indicators/{item}.py try: py_compile.compile(file_path, doraiseTrue) print(f{item}: syntax ok) except Exception as e: print(f{item}: syntax error - {e})7. 模板化的回测框架指标只是策略的一部分完整的回测框架同样可以让 AI 生成然后模板化复用。这里给出一个最小可用的 backtrader 模板适合做单标的日线策略回测。7.1 回测脚本模板把 AI 生成的回测脚本整理成下面的模板结构。以后每次跑新策略只需要替换指标函数、参数配置和数据文件。import backtrader as bt import pandas as pd import json import sys class MyStrategy(bt.Strategy): params ( (short_window, 10), (long_window, 30), (printlog, True), ) def __init__(self): self.sma_short bt.indicators.SMA( self.data.close, periodself.params.short_window ) self.sma_long bt.indicators.SMA( self.data.close, periodself.params.long_window ) self.crossover bt.indicators.CrossOver(self.sma_short, self.sma_long) def next(self): if self.crossover 0: self.buy() elif self.crossover 0: self.sell() def stop(self): # 输出回测核心指标 result { total_return: self.broker.getvalue() / 100000.0 - 1.0, trade_count: len(self.stats.trade.count), } print(json.dumps(result, ensure_asciiFalse)) def run_backtest(csv_path, params_dict): cerebro bt.Cerebro() df pd.read_csv(csv_path, parse_dates[date]) data bt.feeds.PandasData( datanamedf, datetimedate, openopen, highhigh, lowlow, closeclose, volumevolume, ) cerebro.adddata(data) cerebro.addstrategy(MyStrategy, **params_dict) cerebro.broker.setcash(100000.0) cerebro.broker.setcommission(commission0.0003) cerebro.run() if __name__ __main__: csv_path sys.argv[1] params_json sys.argv[2] params_dict json.loads(params_json) run_backtest(csv_path, params_dict)这个模板用了 JSON 来传递参数好处是后面做批量参数扫描时每一条命令都是一个独立的任务互不干扰。7.2 运行回测python backtest_template.py ./data/000001.csv {short_window: 5, long_window: 20}执行后回测脚本会在控制台输出 JSON 格式的结果。输出结果应该包含总收益率、交易次数等关键指标方便后续批量汇总。7.3 多标的批量回测有了固定模板批量回测就变成一个简单的遍历任务。用目录和配置文件把数据、参数和结果分开管理。import subprocess import json import os data_dir ./data param_dir ./params result_dir ./results os.makedirs(result_dir, exist_okTrue) strategies [ { name: dual_ma_5_20, csv: f{data_dir}/000001.csv, params: {short_window: 5, long_window: 20}, }, { name: dual_ma_10_30, csv: f{data_dir}/000001.csv, params: {short_window: 10, long_window: 30}, }, { name: dual_ma_20_60, csv: f{data_dir}/000001.csv, params: {short_window: 20, long_window: 60}, }, ] for s in strategies: params_json json.dumps(s[params]) cmd [ python, backtest_template.py, s[csv], params_json ] proc subprocess.run(cmd, capture_outputTrue, textTrue, timeout300) # 输出转存为 JSON 文件保留 stdout 和 stderr 日志 result_file os.path.join(result_dir, f{s[name]}.json) with open(result_file, w, encodingutf-8) as f: f.write(proc.stdout) print(f{s[name]}: done)多标的批量回测的关键在于参数的 JSON 化。每个任务是独立进程即使某个标的数据异常报错也不会影响其他任务。8. LLM API 接入与批量任务设计如果你要做更大规模的“一句话生成策略 - 自动回测 - 输出结果”流水线光靠手动跑脚本不够需要把 LLM API 和回测引擎串起来。8.1 LLM API 通用调用封装前面的需求解析代码已经展示了最基本的调用方式。实际使用中建议封装一个通用函数用来处理普通的文本生成请求。下面给出一个更通用的封装示例。import requests import json class LLMClient: def __init__(self, api_url, api_key, model, temperature0.2): self.api_url api_url self.api_key api_key self.model model self.temperature temperature def chat(self, system_prompt, user_prompt, max_tokens2048): payload { model: self.model, messages: [ {role: system, content: system_prompt}, {role: user, content: user_prompt}, ], temperature: self.temperature, max_tokens: max_tokens, } headers {Authorization: fBearer {self.api_key}} resp requests.post(self.api_url, jsonpayload, headersheaders, timeout180) resp.raise_for_status() data resp.json() return data[choices][0][message][content]使用示例client LLMClient( api_urlhttps://your-llm-endpoint/v1/chat/completions, api_keyyour-api-key, modelyour-model-name, temperature0.2, ) parse_output client.chat( system_prompt你是量化交易助手只输出结构化 JSON。, user_prompt我想做双均线策略短期均线上穿长期均线买入下穿卖出。 ) print(parse_output)注意这里的 api_url、api_key、model 都需要按你的实际服务替换。不同平台的请求格式可能略有差异如果返回结构不对看返回 message 字段的层级。8.2 批量任务队列设计批量任务不只是“多跑几个脚本”还要考虑失败重试、结果汇总和中间状态记录。建议用 JSON 文件描述任务清单每个任务包含策略名称、数据路径、参数配置、状态、重试次数。{ tasks: [ { id: task_001, name: dual_ma_5_20, data_path: ./data/000001.csv, params: { short_window: 5, long_window: 20 }, status: pending, retry_count: 0 }, { id: task_002, name: rsi_15_70, data_path: ./data/600000.csv, params: { rsi_period: 15, buy_threshold: 30, sell_threshold: 70 }, status: pending, retry_count: 0 } ] }执行时按状态轮询失败的任务累计重试次数超过 3 次后被标记为 failed不影响后续任务。import time def run_task(task): print(frunning {task[id]} - {task[name]}) # 这里调用指标生成和回测脚本 # 执行成功返回 True失败返回 False return True def process_queue(task_file): with open(task_file, r, encodingutf-8) as f: queue json.load(f) for task in queue[tasks]: if task[status] ! pending: continue try: success run_task(task) task[status] done if success else failed except Exception as e: task[retry_count] 1 if task[retry_count] 3: task[status] failed else: task[status] pending print(ftask {task[id]} error: {e}) time.sleep(1) with open(task_file, w, encodingutf-8) as f: json.dump(queue, f, ensure_asciiFalse, indent2)批量任务设计的核心原则状态要持久化、失败要可重试、日志要完整。否则跑几千个任务一旦中途断掉很难定位问题。8.3 结果汇总批量任务执行完后把每个任务输出的 JSON 合并成一张总表。import pandas as pd import glob import json files glob.glob(./results/*.json) rows [] for file in files: with open(file, r, encodingutf-8) as f: data json.load(f) rows.append({ strategy: file.split(/)[-1].replace(.json, ), total_return: data.get(total_return), trade_count: data.get(trade_count), }) df pd.DataFrame(rows) df.sort_values(total_return, ascendingFalse, inplaceTrue) print(df.head(10)) df.to_csv(./results/summary.csv, indexFalse, encodingutf-8-sig)汇总表可以直接用于初步筛选策略。注意这里只适合做研究阶段的横向对比不能直接当作实盘依据。9. 资源占用与性能观察“AI 量化交易”里最容易被忽略的是性能问题。这里的性能不单指 GPU 显存还包括 LLM API 延迟、指标计算速度和回测耗时。9.1 LLM 调用延迟如果用在线 API一次需求解析或代码生成请求通常需要几秒到几十秒取决于模型规模和输入长度。如果要批量生成几百个指标建议增加并发但要控制并发数避免触发限流。加入指数退避重试遇到限流时等待后重试。把生成结果缓存到本地避免重复请求消耗额度。import time import random def call_with_retry(client, system_prompt, user_prompt, max_retries3): for attempt in range(max_retries): try: return client.chat(system_prompt, user_prompt) except Exception as e: wait_time 2 ** attempt random.uniform(0, 1) print(fretry {attempt 1} after {wait_time:.1f}s, error: {e}) time.sleep(wait_time) raise RuntimeError(LLM call failed after retries)9.2 指标计算性能AI 生成的指标代码如果用了循环性能会很差。回测框架里批量跑几百个股票时每一行慢代码都会被放大。检查指标代码时重点关注是否使用了 pandas rolling、numpy.where 等向量化方法。是否在函数内部重复计算了不需要的列。是否把数据加载放在循环内部导致反复 I/O。9.3 本机部署模型的显存占用如果你不用在线 API而是本地部署开源模型需要重点观察显存占用。显存占用随模型参数量、量化精度和输入长度变化7B 级别模型量化后通常需要 6G 到 8G 显存具体以本机实际为准。14B 级别模型量化后通常需要 12G 到 16G 显存。如果显存不够可以尝试加载更小的量化版本或者把部分层放到 CPU。生成代码任务比普通对话更吃上下文窗口输入提示词越长KV Cache 占用的显存越多。建议用nvidia-smi观察显存变化。watch -n 1 nvidia-smi如果本地显存紧张最简单的方法就是切换到 API 模式把显存压力转移到服务端。9.4 回测耗时和磁盘空间回测耗时主要取决于数据量、策略复杂度和参数量。一般日线级别的单标的回测在几秒内完成分钟线或全市场扫描需要更长时间。回测过程中生成的中间数据、日志和结果文件也要预留磁盘空间建议输出目录按日期分目录管理。10. 常见问题与排查方法这套工作流看起来简单真正跑起来会遇到各种问题。下面整理几个高频问题。问题现象可能原因排查方式解决方案LLM 返回结果不是 JSON提示词约束不够模型自由发挥打印原始返回内容增加“只输出 JSON”强约束或用正则提取 JSON 片段生成的指标代码 import 报错函数内部使用了未导入的库查看错误堆栈在提示词模板里增加“不允许使用未导入的库”指标信号连续重复使用持仓状态直接做信号打印 signal 列检查用 diff() 把状态转成交易信号回测结果收益异常高数据存在未来函数或幸存者偏差检查指标是否用到未来数据逐行核对指标计算逻辑确认没有 shift(-1) 等操作批量任务到一半失败单个任务异常导致队列中断查看任务日志给每个任务加 try/except状态持久化API 请求超时模型响应过慢或网络波动查看请求日志增加超时时间加入重试机制本地模型显存不足模型规模超过显存容量nvidia-smi 查看显存切换到更小量化版本或 API 模式模板生成的代码无法复用模板里参数写死检查参数是否通过 params 传递统一用 JSON 传参禁止硬编码回测结果与预期差异大数据字段或复权方式不对检查数据源字段说明统一数据预处理流程确认字段名除了表格中的问题还有一个经常被忽略的坑提示词模板和代码模板版本不一致。比如你更新了回测模板的字段名但旧的提示词还在按老格式生成代码结果就是批量任务大面积报错。建议把提示词模板和代码模板放在同一个仓库里用 Git 做版本管理更新时同步提交。11. 最佳实践与使用建议11.1 先小后大先单后批第一次测试时不要一上来就跑全市场批量任务。先用一个标的、一组参数、一个简单的双均线策略把整条链路跑通。确认以下环节都没问题后再扩展LLM 输出能稳定解析成 JSON。指标代码能通过语法检查和基础验证。回测模板能正确读入 CSV、输出结果。批量任务的重试和日志机制正常。11.2 建立三个独立目录建议把输入、输出和中间代码分开管理避免文件混杂。project/ ├── data/ # 原始行情数据按标的和周期分目录 ├── generated/ # AI 生成的指标代码和回测脚本 ├── results/ # 回测结果 JSON 和汇总表 ├── templates/ # 提示词模板和代码模板 ├── config/ # 批量任务配置 └── logs/ # 运行日志11.3 用模板字符串管理参数批量任务里最容易出错的是参数拼接。建议用 JSON 或 YAML 管理参数避免在代码里硬编码。# config/dual_ma.yaml data_dir: ./data result_dir: ./results strategies: - name: dual_ma_5_20 csv: 000001.csv params: short_window: 5 long_window: 20 - name: dual_ma_10_30 csv: 000001.csv params: short_window: 10 long_window: 3011.4 人工复核不可省略AI 生成的指标和策略代码跑出来的收益曲线再漂亮也一定要人工复核以下几点策略逻辑是否符合原始想法。是否存在未来函数比如用当天收盘价计算信号后当天买入。交易成本、滑点和涨跌停限制是否考虑。参数是否存在过拟合换一段数据或换几个标的还能不能跑。数据来源是否合规是否涉及未授权数据。11.5 合规和安全提醒再次强调几条底线AI 生成策略仅用于研究和技术学习不构成投资建议。涉及真实资金交易前必须在仿真环境充分验证并明确风险责任。如果处理的是非公开数据或个人信息先确认隐私边界和授权。在线 API 调用时不要在提示词中提交未脱敏的隐私信息和商业敏感内容。12. 总结与下一步这套“AI 量化交易新玩法”的价值不在于让 AI 帮你预测行情而在于把量化研究里最烦琐的三个环节自动化写指标、搭回测、做参数扫描。你从写代码的人变成提需求和审结果的人工作方式会发生明显变化。其中最值得先尝试的是双均线策略的完整链路用一句话描述策略 - AI 生成指标代码 - 用模板回测 - 批量跑几组参数对比。这个链路覆盖了所有核心环节而且工作量小最适合用来验证整套流程是否顺滑。最容易踩的坑有两个一是提示词模板约束不够导致 AI 输出格式不稳定二是批量任务没有日志和重试机制跑到一半断掉后无法续跑。这两点在前期就要做好设计。后续如果想继续深入可以从这几个方向扩展把提示词模板和回测模板封装成一个内部工具支持 Web 界面或命令行交互。加入更多的策略模板比如 RSI 超买超卖、布林带突破、海龟交易法则。接入分钟级数据测试更高频策略的可行性。用 LLM 自动分析回测结果输出策略诊断报告。把批量任务队列接入消息队列比如 Redis 或 Celery支持更复杂的调度。建议先把文章里的最小链路跑通保存一套能稳定运行的提示词模板和代码模板。后续再逐步扩展效率会越来越高。