最近总有人拿着一张聊天截图来找我“你看AI都帮我选好股票了明天就买这个。”我每次都要先泼一盆冷水——如果你指望大模型直接告诉你买什么能赚钱那大概率会亏得很有节奏。这个系列的第一篇我想认真聊聊怎么把AI、量化、大模型、Prompt框架这几件事组合起来做真正有价值的事用大模型辅助量化研究而不是让它冒充股神。这篇文章适合已经会一点Python、想系统入门量化但卡在研究思路的同学也适合手里有策略但总觉得流程繁琐、想提效的从业者。我会把大模型能干的事、不能干的事以及一套我实测比较好用的Prompt框架一次讲清楚。先说结论大模型在量化研究里最大的价值不是“告诉你买什么”而是“帮你把研究做得更快、更细、更不容易漏坑”。它更像一个读过上万篇报告、写代码飞快、但偶尔会一本正经胡说八道的实习研究员。以下内容不构成任何投资建议纯属个人实践经验分享。1. 先把“AI股神”这个幻觉打碎1.1 大模型的本质决定了它不擅长预测股价我需要先给大模型的能力边界画个像。它本质上是一个超大型的文本概率模型训练目标很简单给定上文预测下一个词最可能是什么。你把“明天某只股票的涨跌幅是”这半句话丢进去它并不是在查询什么财经数据库也不是在做未来预测它只是在计算“训练文本里一个看起来最顺理成章的续写”。这个续写过程会被它读过的所有股评、公告、研报、论坛帖子带偏。换句话说它对股票的理解是“人类写在文本里的股票”而不是“市场上真实交易的股票”。这就带来一个很要命的问题大模型生成的预测无论多么自信本质都是基于历史语料的统计外推它没有“下一单就会成交”的体感也感知不到买卖盘口的真实压力。真让它每天报几个买入信号多数情况下跟掷骰子没有本质区别。更麻烦的是它还会为了让答案显得合理而编造理由这种“幻觉”在金融场景里特别危险因为你很难当场识破一段逻辑通顺的假分析。1.2 市场环境的“非平稳”让历史规律不断失效量化研究里有个很重要的概念叫“平稳性”。简单说一个平稳的时间序列它的统计特性均值、方差、自相关性不会随着时间发生剧烈变化。但股票市场显然不是这样。2015年的小票行情、2017年的核心资产行情、2020年的赛道股行情再到近几年反复切换的微盘与红利风格每隔一段时间市场的“脾气”就换一茬。这意味着任何从历史数据里学出来的模式都有保质期。大模型的学习过程恰恰是“大力出奇迹”式地从海量历史文本里提取模式它没有内置的机制去判断“这个模式今天还成不成立”。这和传统机器学习需要做样本外泛化检验是一个道理。你让模型基于过去十年的数据“总结”出一套选股逻辑它大概率会总结出一份“历史复盘报告”而不是“未来操作指南”。历史规律仅供参考所有策略必须经过逻辑检验和样本外验证这一点不会因为用了AI而改变。1.3 那它还值得用吗把定位从“操盘手”换成“研究员”说了这么多不是让你把大模型扔进垃圾桶。我的真实体会是如果你把它放在“操盘手”的位置上它几乎必输但如果你把它放在“研究员”的位置上它是个效率怪物。什么叫研究员研究员的工作是读资料、找思路、写代码验证、整理结论、找逻辑漏洞。这几件事恰好都是大模型比较擅长的。大模型可以在几分钟内读完大量研报摘要并提炼共性逻辑可以从行为金融理论出发给你列出一批可测试的因子方向可以把你的研究想法直接翻译成Python代码还可以扮演红队对你写好的策略发起一轮又一轮的刁钻提问。量化研究的核心瓶颈不在“生成信号”而在“生成经得起检验的假设”以及“把假设高效地变成可回测的代码”。这两件事正好是大模型可以实实在在帮上忙的地方。2. 大模型辅助量化研究的五种正确姿势先给一个排序下面五个用途是我在实际项目里反复用过的按投入产出比从高到低排下来。建议你先从“代码实现助手”开始用等熟悉了它的脾性再往研究思路和风险审查方向延伸。2.1 姿势一因子灵感挖掘器量化策略的第一步往往是找一个可能有效的“异象”或“因子”。很多人会卡在“不知道该研究什么”这时候大模型可以当你的脑暴伙伴。我给它的典型提示词长这样你是一位金融工程研究员。请基于行为金融学、市场微观结构和财报异象 帮我列出5个适合A股市场的候选因子方向。 要求 1. 每个因子给出学术名称、通俗解释和可能的实现思路 2. 注明每个因子可能失效的机制 3. 不要给具体的投资建议只做研究假设 4. 用表格输出。实测下来模型会给出诸如“低波动异象”“盈余公告后的漂移PEAD”“换手率反转”“质量因子”“供应链传导”等方向。这些方向本身不算新但好处是帮你快速建立了“研究备选池”尤其是刚入门的人不会被“我不知道做什么”卡住。市面上流传的各种神奇选股源码本质上也是某种因子是否有效要拿数据说话让模型帮你拆解它的逻辑和潜在缺陷往往比直接迷信源码更有用。拿到方向后你自己去查文献、用数据验证比让模型直接给明天买什么靠谱一万倍。2.2 姿势二策略代码实现助手这是我认为日常使用频率最高、也最不容易翻车的场景。你不需要让模型做投资决策只需要让它把你脑子里的研究逻辑变成可运行的代码。比如你想实现一个“量价背离”的选股信号你可以这样描述任务数据字段date, stock_code, close, volume, amount, return_1d 请用Python实现 1. 计算20日收益率和20日成交量均值 2. 当价格创20日新高但成交量低于20日均量时标记为信号 3. 输出每日信号股票列表 4. 用pandas实现注意避免未来函数不要用未来数据。这种任务几乎零风险因为代码对不对可以用数据直接验证模型的幻觉在这里不太容易造成致命伤害。真正要小心的不是模型写错而是“你没发现模型写错”。比如它为了求方便用了未来数据来计算信号这种未来函数在回测里会制造极其离谱的假收益。代码必须人工逐行审查尤其是数据对齐、位移shift、条件区间这类细节。2.3 姿势三研报与公告的智能摘要器做量化研究离不开读大量信息。一份券商研报几千字一个财报季几百份公告人工读又慢又累。把大段文本丢给大模型做摘要和结构化提取是性价比很高的用法如果研报里有图表多模态模型还可以辅助做图表信息的初步解读。常用的提示词模板请阅读以下文本用不超过200字概括其核心逻辑并输出 1. 核心论点 2. 支撑论点的关键数据 3. 风险提示 4. 该内容对量化策略可能产生的影响如有。 文本{这里粘贴研报或公告原文}需要提醒的是财报里有大量数字大模型在做数字提取时偶尔会“看走眼”。凡涉及关键财务数值我建议让它输出原文里的原始语句你再人工核对一遍而不是直接信任它的二次转述。用多模态模型看图时也要注意图表里的坐标轴刻度、数据单位都容易出错只能当草稿看。2.4 姿势四策略逻辑的“红队”答辩员一个常见现象你辛辛苦苦写了个策略回测收益高得吓人于是迫不及待准备上实盘。这种时候最适合让大模型来泼冷水。提示词可以这样设计你现在是量化私募的风控负责人请对下面这个策略进行尽调式提问 策略描述{策略逻辑} 请尝试找出 1. 可能存在的未来函数 2. 可能存在的幸存者偏差 3. 参数过拟合风险 4. 交易成本敏感性 5. 极端行情下的风险。 每个问题请给出具体检查方法。大模型虽然不会真的跑你的代码但它能基于常见的策略缺陷模式帮你列出一份“避坑清单”。我每次写完策略、正式回测之前都会先用这个提示词做一轮自查经常能发现之前忽略的细节。它就像是你请了一个免费的、且读过大量策略复盘报告的答辩老师。2.5 姿势五回测结果的归因解读器回测跑出来一堆指标——年化收益、夏普比率、最大回撤、胜率、换手率。这些数字单独看都认识但放在一起怎么解读大模型可以帮你梳理它们之间的“潜台词”。提示词示例以下是某股票策略的回测指标请帮我分析这些指标之间是否存在矛盾或不健康的地方 并给出重点关注方向 年化收益23% 最大回撤35% 夏普比率0.8 胜率45% 平均盈利/平均亏损2.1 换手率日均80% 持仓数量20只这类分析的可靠性取决于指标是否真实但至少它可以帮你从组合的角度发现异常。比如“胜率不高但盈亏比还行”意味着策略依赖少数大赢家那就该重点关注尾部风险“换手率过高但年化收益一般”意味着交易成本会吃掉利润。模型给出的不是结论而是值得你继续深挖的线索。3. 一套可直接套用的Prompt框架很多人在用大模型做量化研究时总觉得每次都要从零开始写提示词非常累。我后来把常用的交互方式沉淀成了一套框架核心是四个要素角色、任务、上下文、约束。3.1 框架四要素角色、任务、上下文、约束先说角色。给模型一个明确身份等于帮它锁定了一个“专业语料分区”。同样是“帮我分析一个策略”“你是一个量化风控负责人”和“你是一个理财博主”给出的答案风格和重点完全不一样。角色设定的本质是在提示词层面做一次概率约束让模型从更合适的“知识口袋”里取内容。再说任务。任务要拆到“一个明确的动词”级别。不要写“帮我研究一下动量效应”要写“请列出三个动量因子的变体并分别说明计算方式、适用周期和失效风险”。“列出”“计算”“比较”“挑错”这种动词模型执行起来才不容易跑偏。然后是上下文。好的上下文至少包括三类信息数据字段结构、策略逻辑描述、你希望它遵循的前置条件。上下文越具体模型的输出越贴合你的真实场景。上下文不足模型就只能在它最熟悉的假设里打转。最后是约束。约束包括输出格式约束表格、列表、代码块、长度约束以及安全约束如“不要给出具体投资建议”。约束的作用不是限制模型而是让输出更“可用”。拿到的结果可以直接复制、直接运行你才会真的愿意用这套框架。3.2 六个可直接复制的Prompt模板下面这些是我沉淀后保留的、最常用的模板你直接复制改参数就能用。模板一研究方向探索角色你是一名量化研究实习生熟悉金融学和行为金融。 任务基于当前热点与经典学术文献给出5个值得研究的候选因子方向。 上下文我的研究范围是A股候选股票池为沪深300成分股数据维度包括日线行情、财报和资金流。 输出约束每个方向用200字以内说明包含学术名称、通俗解释、可实现性评估、失效风险。请用表格输出。模板二因子计算代码生成角色你是一名Python量化开发工程师。 任务生成计算因子的Python代码。 上下文数据dataframe包含字段 date, stock_code, close, volume, amount, return_1d 因子定义为过去20日累计收益与过去20日波动率的比值。 输出约束输出完整可运行代码使用pandas避免未来函数计算完成后立即删除中间临时列附上调用示例。模板三研报摘要与结构化提取角色你是一名产业研究员助理。 任务把下面文本压缩成结构化摘要。 上下文{研报/公告原文} 输出约束输出格式为——核心论点、关键数据、风险提示、与量化策略的相关性。 关键数据必须引用原文原句。模板四策略漏洞检验角色你是一名量化私募风控负责人。 任务对以下策略进行尽调式挑错。 上下文策略逻辑{策略描述} 输出约束按未来函数、幸存者偏差、过拟合、交易成本、极端风险五个维度输出检查清单 每项给出可落地的检查方法。模板五回测指标解读角色你是一名资深量化分析师。 任务解读以下回测指标组合中不健康的地方。 上下文{回测指标列表} 输出约束先用表格标出每个指标的健康区间再列出可能的隐患与数据交叉验证方法 最后给出下一步建议最多5条。模板六代码报错调试角色你是一名Python开发者。 任务帮我修复下面代码的报错并解释原因。 上下文报错信息{报错全文}相关代码{代码原文} 我使用的Python版本是3.10pandas版本是2.0。 输出约束先给出修复后的完整代码再简要说明错误原因 最后提示是否有更容易踩坑的相关写法。3.3 Prompt使用的三个常见反模式使用模板并不等于万事大吉。我遇到过不少反模式最典型的三类如下。第一任务过宽。写“帮我设计一个量化策略”模型只能给你一份“教科书目录”。它并不知道你的数据长什么样、你打算做日频还是高频、能承受多大的回撤。任务描述必须收敛到“一个可以验证的具体产出”。第二上下文不足。只告诉模型“帮我算一个动量因子”却不告诉它你的数据字段是什么模型就只能按它最熟悉的假设来写于是你拿到的代码十有八九要对字段名大改。磨刀不误砍柴工把字段结构写清楚代码落地效率会高很多。第三不加校验地全盘接受输出。大模型输出的代码、数据、观点都必须当成“候选方案”来看待。尤其涉及数值计算时我会把输出结果与原始数据、官方文档反复核对。模型是一个很聪明的助手但它不是审计师更不是圣旨。4. 量化研究中的大模型工具链选型4.1 通用大模型与数据平台各干各的活我经常被问到“做量化到底该用哪家的大模型”。我的建议是不要把大模型当成一个“量化软件”来选而是把它当成“一个聪明的同事”它需要和实实在在的数据、回测平台配合才能干活。数据这块免费或低成本方案里Tushare和AkShare比较常见适合做研究和原型验证聚宽、米筐这类平台自带数据与回测环境适合快速验证策略逻辑。大模型的选型则要看使用方式需要最新金融知识的任务选联网搜索能力强的模型需要写长代码的选代码能力扎实的模型涉及策略代码和数据隐私再考虑本地部署。4.2 API调用与本地部署怎么选这里一定要提一个很多人容易混淆的点量化交易里的“量化”和大模型部署里的“量化”是两个概念。前者是研究数据和信号后者是压缩模型体积比如把大模型从FP16压缩成INT8或4bit以降低显存占用。如果你只是调用API基本不用关心这些如果自己做本地部署就要注意量化后的模型在生成代码时偶尔会出现“低精度带来的逻辑跳变”尤其是使用4bit这种激进压缩时可能影响代码生成的稳定性。本地部署的主要理由是隐私和成本。策略代码、因子定义、持仓信号都是核心资产走API意味着要把这些内容发给第三方服务。在意这一点的可以用Ollama、vLLM这类工具在本地跑一个开源模型。本地部署的代价是要自己维护环境而且小参数模型的能力上限通常比商用API低一截所以我的选择逻辑是日常研究用API图效率涉及核心策略细节时把问题抽象成不泄露完整逻辑的片段或者干脆用本地模型。4.3 私有知识库与RAG的扩展做到后面你会发现通用大模型不知道你的因子库也不了解你的历史实验记录。一种扩展思路是RAG检索增强生成把你自己的研报、策略文档、因子说明、历史回测结论切成块存入向量数据库检索后作为上下文喂给大模型。这样你问“我之前做过哪些低波动相关的实验结论是什么”时它就能基于你的私有知识库回答而不是凭空编造。RAG的落地工具有很多比如LlamaIndex、LangChain等也可以配合LlamaFactory这类微调工具对模型做特定领域的轻量适配。但我的建议是别一上来就搭一套复杂的Agent系统。先把手上的研究流程跑通再逐步加知识库。量化研究里最重要的始终还是人的判断力工具只是放大镜。5. 实战案例用Prompt框架跑通一个动量因子研究这一节我拿一个常见的研究场景——动量因子选股——完整走一遍流程让你看看Prompt框架是怎么落到实处的。下面的案例数据是为了演示流程构造的示例结果不代表任何真实收益承诺。5.1 第一步用Prompt生成研究思路我先用“研究方向探索”模板让大模型帮我拆解动量因子的变体。它列出了纯价格动量、波动率调整动量、双资产动量、残差动量、行业动量等方向。我最终选了“波动率调整动量”因为逻辑上它比纯动量更容易规避个别高波动股票而且实现复杂度适中。提示词是在模板一的基础上把研究范围改成“A股选股池为沪深300成分股”并额外要求它“针对波动率调整动量给出详细计算方法和可能的注意事项”。这一步的意义是让我能快速从“一个话题”收敛到“一个可实现的假设”。5.2 第二步用Prompt生成因子代码并人工审查研究假设确定后就进入代码实现。我按模板二改进提示词把数据结构和因子定义说清楚数据表字段date, stock_code, close, volume 因子定义Rolling 20日年化收益率 / Rolling 20日收益率标准差 输出要求不要用未来数据每个股票的因子需要对齐到当日收盘后可用信息大模型很快给了一版代码主体逻辑没问题但我发现它用一个全局的滚动窗口计算收益率时没有按股票分组导致收益率跨股票串味了——这属于典型的“代码能跑但逻辑错了”。我让它改为按stock_code分组后再计算同时要求它输出列名规范。这个例子说明模型负责提速但正确性审查必须你自己来。另外我自己补了一小段数据边界检查保证滚动窗口不足的股票直接被置空不参与选股。这种小细节模型很难主动替你想到但在真实数据里几乎一定会出现。5.3 第三步回测解读与迭代因子算完后我在本地用Backtrader做了一版简单回测按因子值从高到低取前30只股票等权持有每月调仓一次。示例结果显示年化收益在15%左右最大回撤却接近25%夏普比率只有0.6左右。看到这个结果我先用“回测指标解读”提示词让大模型分析。它提示我年化收益与夏普偏弱回撤偏高策略可能只在特定行情里有效需要检查分年度收益是否稳定。随后我用“策略漏洞检验”提示词自查很快发现两个问题一是我的回测没有考虑涨跌停导致的不可成交情况二是月度调仓时按收盘价成交实际上更接近“用未来信息”会高估收益。这两个问题让我出了一身冷汗。改正后重新回测收益显著下降但也更接近真实。这就是为什么我坚持说大模型不能替你做决策它只能帮你更快地暴露问题——发现问题然后由你来判断和修正。5.4 这个案例带给我的复盘从案例可以看到大模型在整个流程里扮演了三个角色研究方向探索的助手、代码草稿的生成器、回测结果的提问者。人类扮演的角色则是设定方向、审查代码、修正假设、决定是否继续。这个分工很重要——AI负责撑开可能性人负责把关决定性。你要是准备参加量化比赛用这套流程做快速迭代也会比纯手工效率高很多但该做的风险检查一步都不能省。6. 常见问题与排查技巧实录6.1 大模型生成的代码一跑就报错怎么办我的经验是把报错信息原样粘回去让它“基于这个报错修正代码”。大多数情况下模型可以自己纠错。如果连续两次不行我会检查是不是因为字段名、版本差异导致模型猜错了环境。把环境信息Python版本、pandas版本、数据字段说明写进上下文报错概率会低很多。另一个技巧是把大任务拆小。不要让它一次生成一个几百行的完整回测系统而是先让它生成“数据读取”“因子计算”“信号生成”三个小函数你逐一验证后再拼起来出问题也容易定位。6.2 大模型输出“专业但空泛”怎么办有一种情况很常见模型回了一堆正确但无用的废话比如“建议关注风险注意回撤”这种正确无比又毫无信息量的话。这说明你的任务约束太松了。这时候回到Prompt框架把任务改得更具体要求它列出五个具体检查点每点给出一个可执行的计算方法并要求输出格式为表格。当你把评价标准从“看得舒服”改成“可操作”模型的输出质量会立刻上一个台阶。6.3 回测很好、实盘不对如何让大模型帮自己做体检回测结果好但实盘亏损往往不是大模型能一句话解决的但它可以帮你做一份“策略体检清单”检查未来函数、幸存者偏差、数据前视偏差、滑点手续费估计是否过低、参数是否做了样本内优化。你可以让大模型针对你的策略生成一份尽调问题清单然后逐项自查。我见过太多人栽在“回测把跌停板当成可以卖出的价格”这种细节上大模型虽然不知道你的数据细节但它知道这类常见坑。把模型当作“经验库”而不是“算盘”这种时候反而能发挥大作用。6.4 常见问题速查表现象可能原因处理办法模型输出空泛任务太宽、上下文不足用“角色任务上下文约束”四要素重写提示词生成代码报错未说明环境/字段补充数据字段、Python版本后重新提问把报错信息回贴回测收益高到不真实未来函数/前视偏差让它生成漏洞检查清单逐条核对模型编造数据训练语料里没有真实的实时数据要求引用原文或提供来源用官方数据源核对提示词太长被截断超过上下文窗口拆成多个子问题或使用RAG外挂私有知识库本地部署效果差模型量化精度不足或参数量过小优先用API验证逻辑再决定是否本地部署最后说点和技术无关但很重要的体会。我刚开始用大模型辅助量化研究的时候总有一种幻觉好像什么都变快了离“躺着赚钱”也更近了。做了一整轮实战之后我才意识到AI真正改变的不是“收益”而是“迭代速度”。以前一个研究想法从灵感到验证需要一周现在可能半天就能跑完初版。但这种速度也会放大人的盲目自信——你会更快地产生一个“看起来不错的策略”也会更快地掉进回测陷阱里。所以我给自己定了一条规矩凡是模型生成的代码、数据、结论默认全部“不可信”必须经过我自己的逻辑审查和数据验证才允许进入下一步。AI不是股神它是一个放大镜放大的不是收益而是你的研究能力和风险偏好。用好了它让你的勤奋更值钱用不好它让你亏钱亏得更高效。再分享一个小技巧把你自己最常用的一套提示词整理成一个固定模板每次新任务只改“任务”和“上下文”两个位置。这样既能保持输出质量稳定又能节省大量重复描述的时间。这个系列后面我还会继续拆解更多量化研究场景欢迎在评论区聊聊你正在用AI研究什么方向。