AI搭建的量化系统,差点让我“亏光” | AI量化系列

每周定期更新 关注并星标

Hi，我是猫哥。

关注猫哥并设为星标，才能收到每周的推送。

前言：

熟悉我的粉丝知道，我之前一直在写数据分析的内容。

先说结果。

利用AI（主要是Claude ，买了20x的会员，用harness模式，每周基本都把额度打满的情况下）花了几个月时间，从零搭了一套AI量化交易系统（主要是二元合约，预测是Yes或No，具体哪个平台大家可以去问AI）。

4个引擎同时运行——做市、超短线、方向预测、套利捕捉。每天24小时自动扫描市场、自动下单、自动风控。

现在这套系统每天在跑，基本稳定盈利。

但今天我其实想讲讲自己踩的坑。因为这几个月里，我差点“亏光”。

一个人能搭一个量化系统吗？

先回答这个问题：能。

AI写了80%的代码，我写了20%的架构和核心逻辑。Claude帮我写交易引擎、做数据处理、搭监控仪表盘，代码质量比很多初级程序员好。

系统跑起来之后有几百个测试，全部通过。4个引擎独立运行，互不干扰。实时数据采集、自动下单、风控告警、仪表盘监控，全套。

以前这种系统需要一个小团队搭大半年。我一个人加AI，几个月搞定。

这是AI时代真正的降维打击——不是AI替代你，而是一个人加AI能干一个团队的活。

但前提是，你得知道坑在哪。

坑一：最漂亮的回测结果，是假的

这是我后背发凉最厉害的一次。

我在测试一个Google开源的时间序列预测模型。用90天历史数据训练，后18天做回测。

第一轮结果出来，某个资产在5分钟级别的Sharpe是7.30。

什么概念？全世界最牛的量化基金，文艺复兴的大奖章，常年Sharpe大概在6-7。我一个开源模型零样本跑出7.30？这不是扯淡吗？

我改了一个参数：把回测的步长从3改成1。

之前是每隔3个时间点预测一次，现在改成每个时间点都预测——这才是真实交易的场景。

结果：-0.08。

从7.30到-0.08。从”超越文艺复兴”到”还不如随机猜”。

原因：步长=3的时候，恰好”踩中”了有利的时间点。就像你考试只做第3、6、9题，全对了，然后说自己考了100分。统计偏差，不是模型能力。

我后来把这个模型在所有资产、所有时间级别上跑了一遍。真实场景下，没有一个组合的Sharpe超过0.5。

决策：这个模型一行代码都不接入系统。

如果我当时看到7.30直接上实盘，现在这篇文章的标题就变成”我是怎么亏光的”了。

AI给你的数字是”正确的”——在stride=3的设定下确实是7.30。但它不会告诉你”这个回测设计有问题”，它也不会判断“这个结果是否合理”。

它只在你画的框架里给你最好看的答案。

但是：框架对不对，是你的事。

这也是我深入使用AI之后，认为人在AI时代最核心的价值：判断力

关于判断力这点，后面的文章再聊。

坑二：60%胜率，还在亏钱

超短线引擎上线后，胜率稳定在60%左右。

60%。比扔硬币好不少。我以为稳了。

然后看了一眼总账——亏的。

怎么可能？

我拉了每一笔交易，发现了一个扎心的事实：赢的时候赚得少，亏的时候亏得多。平均盈利只有平均亏损的一半。

这是交易结构本身的问题。在接近50%概率的位置下注，赔率接近1:1。赢了赚一块，输了也亏一块。但手续费两头收，每笔交易先亏几个点。

算下来，需要70%以上的胜率才能打平。60%根本不够。

AI模型在”预测准不准”这件事上做得很好。但”预测对了能不能赚钱”，它根本不在乎。

准确率和盈利之间隔着三样东西：赔率结构、手续费、滑点。AI看的是第一个指标，你的钱包看的是后面三个加在一起的结果。

后来怎么解决的？

调整了进场条件，引入了因果推断模型来判断预测强度，只在赔率结构对我有利的时候才进场。

具体方法以后单独写，但核心思路就一句话：不要在AI”刚好有点把握”的时候下注，要在它”很有把握”的时候下注。

教训：AI优化的指标和你钱包关心的指标，可能根本不是同一个。

坑三：系统说亏了，其实赚了。方向完全反了。

有一天我看仪表盘，做市引擎显示亏损。

但我手动核对了几笔交易，感觉不对——明明是低买高卖了，怎么还亏？

查了一整天代码。最后发现：交易记录只存了一半数据。

做市的逻辑是同时挂一个买单和一个卖单，赚中间的差价。但AI写的代码在记录成交时只记了单边信息，另一边的数据直接丢了。PnL按残缺数据算，盈亏直接被扭曲了。

我重写了记录逻辑，把历史交易全部用完整数据重算。

结果：显示亏损的实际上是盈利。不是算多算少的问题，是方向反了。

最扎心的是什么？这段代码通过了几百个测试。测试全绿，一个报错都没有。

因为测试验证的是”代码能不能跑”，不是”业务逻辑对不对”。而你，关心的是后者。

AI不知道做市的盈亏必须用完整的双边数据算——这是行业里的基本常识，但常识不在任何代码规范里。

教训：几百个测试全过，不代表系统是对的。代码正确≠业务正确。

坑四：数据有问题的时候，AI选择了”假装没问题”

套利引擎有一天突然报出一大堆交易机会。

我一看，全是假的。

排查发现：API返回的数据里，有些合约的关键字段是空的。正常逻辑应该是”数据不全就跳过”。

但AI写的代码走了另一条路：它看到价格数据有值，就乐观地推断”这是一个正常合约”，然后放行了。

数据缺失的时候，系统没有报错，没有停下来，而是”假装一切正常”继续跑。

修复很简单：一行代码，所有”不确定”路径一律拒绝。

但这个Bug的模式才是最值得警惕的——AI写代码的时候习惯性处理正常情况（happy path），对异常情况的态度基本就是”能跑就行”。

在大多数产品里，这没什么大事。页面少加载一张图？用户刷新一下就好了。

但在交易系统里，一个”乐观的假设”直接变成真金白银的亏损。

四个坑，一个模式

坑1：回测假象 

AI：忠实执行了回测，跑出Sharpe 7.3 

问题：回测框架本身有统计偏差 

坑2：胜率陷阱

AI：预测准确率60% 

问题：赔率结构让60%不够盈利

坑3：PnL反了

AI：几百个测试全过

问题：业务逻辑（双边记录）是错的

坑4：乐观放行 

AI：数据缺失时继续跑 

问题：应该停下来而不是假装正常 

同一个模式：AI在每一步都做了”技术上正确”的事情，但最终结果是错的。

因为技术正确和业务正确之间，隔着一层只有人才有的理解。

那为什么系统现在能赚钱了？

备注下，以下内容是我在最开始的时候记录的，不代表现在修了这些坑还有效，只能说，当时有效。策略的alpha一直在变，edge也一直在被吃掉。这个系列的后续文章会逐步展开做了什么，如果粉丝感兴趣。

因为这四个坑都被我修了。

回测？stride改成1，加上Walk-Forward验证，不让统计偏差有藏身之处。

胜率陷阱？引入了因果推断模型和信号强度评估，只在赔率结构有利的时候进场。

PnL记录？重写了完整的双边交易存储，每一笔都能追溯。

乐观放行？所有不确定路径一律保守拒绝，宁可错过不可做错。

AI是引擎，我是方向盘和刹车。

引擎越强大，方向盘和刹车就越重要。你不会因为引擎马力大就不装刹车——但很多人用AI的时候，确实忘了装刹车。

之前看Reddit上有个帖子说：

“Trading is the hardest way to make easy money.”

我想加一句：用AI做交易，是把这句话的难度再乘以10——如果你不知道刹车在哪的话。

后记：

这套系统我还在持续迭代，后续会继续分享实战中的新发现和新坑。

如果你也在用AI做量化、做自动化系统，或者单纯想看”一个人+AI到底能走多远”——关注我，这个系列会一直更新。

有什么具体想了解的，评论区告诉我，我挑问得最多的专门写。