我用ai构建了3个2年超10倍收益的量化策略--Stockflow-V3.4

上一篇说到，ai研究交易策略的流程是：

ai先做research，构建策略量化模型
ai再用策略量化模型做影子交易，真实的跑历史数据，一天一天的循环跑，看看产出的交易信号，是不是真的有正向收益。
如果有稳定的正向收益，再进入到实盘虚拟交易，看真实数据环境下（绝对无未来数据干扰）的表现是不是和影子交易一致。

只有这三项一致，那么这个策略才值得信任才，才值得实盘接账户自动交易。

1.目前进行到哪了

v3.0：把 Stockflow 从“历史研究可审计”推进到“交易研究可验证”。

v3.1：把 v3.0 的验证链路产品化成 AI Trader 自助 ResearchOps，让 AI Trader 能自己发起研究、准备资产、运行能力、查看日志、处理 warning，并继续 thesis 修订或下一步研究。

v3.2：进一步规范研究流程，让研究流程按不同研究形态、source truth、preflight 和 run-control 来组织，减少“一条固定流程套所有问题”的限制。

v3.3：把自定义研究推进到产品化，让ai能够自主构建研究规格、自主组合研究流程，适配多市场模型的研究，比如你是技术派，可以让ai自主构建基于多种技术指标的市场分析模型，你是价值投资派，可以支持ai自主构建基于基本面分析的市场模型，比如我是短线情绪投机派，可以支持让ai自主构建基于情绪、题材分析的市场模型，从而让ai能够懂你的交易语义，从而正确帮你构建属于你交易语言的交易策略，远期还支持美股、加密数字货币。

v3.4：把源数据管理收口，能被 GUI / Agent / CLI 共同读取和验证。已于 2026-05-07 shipped，这里重构了源数据入库管理，因为一旦真的开始跑策略，必须要有可靠可信的数据源，目前数据源是通达信，但通达信的数据日k是全的，还缺少1min、5min数据以及竞价数据、还有历史涨停数据，这个我直接淘宝上买了一套，这里就涉及到数据清洗，也做了很多流程。为此还做了web页面，以便我能自助完成源数据的检查、入库、更新操作。

现在进入 v3.4 live ops，用真实 AI Trader 使用，构建交易框架研究树以及策略。

2.构建研究树

构建的目的是让我对整个研究进度有个overview。

3.同时进行三个策略

高盈亏比、高胜率、高收益

v3.4发布之后，又在使用过程中打了10个补丁包，才真正让ai trader开始构建策略。

目前ai根据我的思路构建了3个策略

1）科创/创业板市场的高盈亏比策略10倍

迭代了很多版本，v1.3

主要加速段在 2025，2026 开始后权益曲线有明显回撤，这也印证了前面说的“策略不是稳定线性赚钱，而是右尾集中 + regime 敏感”。

2）沪深主板市场的高胜率策略-2年10倍

初始资金：1,000,000

最终权益：12,810,327

全仓复利收益：1181.03%

交易笔数：74

最大回撤：-22.48%

3）沪深主板市场的高收益策略-2年29倍

这是全仓复利收益图，如果看单利：

所以不算复利也仍然是正的，而且 2024、2025 都比较强；2026 的胜率明显下降，但靠单笔盈亏比仍然保持正收益。

4.离真正可投入的策略产品还有多大的差距

说实话以上三条策略还只是一个策略胚子，并且只是我提出一个想法，ai在Stockflow的支持下构建的策略实验包，里面还没有真正放入我的主观交易模型，比如说择时、择股的详细纠正。

离真正投入到实战使用还很远，

一个策略从想法到实盘，完整链路应该有12步，后期我准备把以下步骤固定到Stockflow中，这样以后每次构建一个策略，按流程走即可的，当然这需要我自己先跑出来一版真实可用的过程才行，否则就不能叫产品，只能叫玩具。

1. 市场假设

先说明它为什么可能有效。

解决的问题是：这不是乱试参数，而是有交易逻辑。

2. 规则定义

把想法写成可复算规则。

解决的问题是：以后每个人、每次运行，选出来的票都一样。

包括入场条件、过滤条件、排序方式、买入时间、卖出时间、仓位、止损、跳过规则。

3. 字段与可见性检查

确认规则用到的数据在当时真的可见。

解决的问题是：防止未来函数。

D0 开盘买入时，只能用 D-1 已知数据和 D0 开盘时已经出现的数据，不能用 D0 收盘、未来收益、后面几天走势。

4. 历史回测

用历史行情跑规则。

解决的问题是：这个想法有没有最基本的统计优势。

看收益、胜率、盈亏比、回撤、年份分布、月度分布、是否只在某一段行情有效。

5. 稳健性压力测试

故意把条件变坏。

解决的问题是：收益是不是太脆。

包括滑点、成交失败、手续费、止损、不同参数、不同年份、去掉最大盈利票、容量限制、低价/小市值/流动性偏置。

6. 资金与容量建模

从“理论全仓”改成“真实能买多少”。

解决的问题是：收益能不能真实承载。

比如从全仓复利改成每笔 10万/20万固定本金，看成交额能不能容纳，回撤是否可控。

7. 历史 paper-session

把回测变成逐日交易记录。

解决的问题是：策略是否能像真实交易一样每天执行。

每天有盘前材料、开盘决策、订单、成交、持仓、退出、复盘，而不是只有一条收益曲线。

8. Role Review / 质量闸门

让不同视角检查它。

解决的问题是：防止自己算错或漏掉关键风险。

Data 看数据和未来函数，Validation 看回测和账本是否可靠，Trader 看交易逻辑和材料是否可用。

9. Prospective 纸面观察

从未来真实交易日开始，只观察不下真钱。

解决的问题是：历史假设在真实当天是否还能成立。

重点看开盘能不能成交、滑点多少、是否经常 partial/unfilled、当天材料是否足够支持判断。

10. 小资金试运行

用很小资金跑真实账户或接近真实的执行。

解决的问题是：真实交易成本、排队、撤单、情绪、纪律、系统流程是否会破坏策略。

这一阶段不追求赚大钱，追求验证“能稳定照规则执行”。

11. 正式上架

策略进入真实账户常规运行。

解决的问题是：把策略变成可控生产系统。

要有仓位上限、停手机制、回撤阈值、异常暂停、复盘节奏、版本管理和下架规则。

12. 持续监控与迭代

实盘后继续看它是否失效。

解决的问题是：市场会变，策略不能一劳永逸。

如果成交质量恶化、亏损结构变化，就要降权、暂停、重测或下架。

一句话总结：

策略不是从“回测赚钱”直接到“实盘交易”，而是要依次证明：逻辑成立、规则可复算、数据无泄漏、历史有优势、压力下不崩、真实能成交、小资金能执行、风险可控，最后才允许上真实账户。

也欢迎同样做量化的可以一起交流，也许不久的将来直接把策略做成可订阅的每天邮箱推送交易标的，或者接上openclaw 和微信直接推送。