——从“凭感觉下单”，到“规则 + 数据 + 模型 + 风控”的完整实战路线

很多人一听到“AI 量化交易”，脑子里就自动浮现出几个词：自动赚钱、机器收割、24 小时不停印钞。但真正能跑起来的系统，从来不是一个神奇模型，而是一整条流水线：先有数据，再有规则，再有回测，再有风控，最后才轮到 AI 上场。

普通人最容易踩的坑，不是不会写代码，而是顺序错了：一上来就训练模型，一上来就想做高频，一上来就想满仓实盘。正确路线恰恰相反：先做最小闭环，再做 AI 增强；先做模拟盘，再碰真资金；先学会少亏，再谈怎么赚。

1. 先把认知摆正：AI 量化系统不是“自动暴富机”，而是“自动决策流水线”

量化交易，本质上就是把人的交易判断拆成可以重复执行的规则。比如：什么情况下进场，什么情况下减仓，亏多少必须停，赚到什么位置要不要锁利润。传统量化做的是“规则程序化”，AI 量化做的是“让模型参与判断”。

所以，真正的 AI 量化系统，一般至少包含六个部分：市场数据、数据清洗、特征工程、模型或策略、风险控制、下单执行。缺任何一块，这个系统都不完整。

一句话记住：模型负责“看机会”，风控负责“保命”，执行负责“别跑偏”。

2. 第一步：别贪多，先选一个你能看懂、能拿到数据、能接 API 的市场

2.1 为什么第一套系统不要一上来就做全市场

普通人第一套系统，最怕的是复杂度失控。你同时做股票、期货、加密货币、外汇，看起来很厉害，实际上会把自己拖进数据格式、交易时段、手续费模型、滑点模型、风控规则完全不同的泥潭。

正确做法是：先选一个市场，再选一个简单频率，再选一个窄品种池。比如只做日线股票择时，或者只做少量高流动性加密货币。这样你才能尽快把闭环跑通。

2.2 选市场时，普通人最该看哪三件事

第一，看数据是否容易获取。第二，看有没有稳定的模拟盘或测试环境。第三，看交易接口是否成熟，文档是否清晰。只要这三件事过关，系统搭建难度就会大幅下降。

如果你连稳定数据都拿不到，或者根本没有模拟盘，那你不是在搭系统，而是在给自己埋雷。

3. 第二步：先把数据层搭起来，别急着训练模型

3.1 数据层到底要存什么

很多人以为数据层就是把 K 线下载下来。其实远远不够。一个最小可用的数据层，至少要有：时间、开高低收、成交量、复权处理方式、标的代码、交易日历，以及你后面要用的衍生特征。

如果还想让 AI 读新闻、财报、公告，那你还要把文本数据标准化，统一时间戳，和行情数据做对齐。否则模型看到的是“昨天的消息去预测前天的价格”，训练结果一定是假的。

3.2 普通人应该怎么搭自己的数据仓

最实用的办法，不是上来就建一个超级数据中台，而是先做“三层小仓库”：原始数据层、清洗数据层、特征数据层。原始层只负责留底；清洗层负责补缺失、去异常、统一格式；特征层只放模型真正要吃的数据。

你以后每次重训模型，只要能从原始层稳定重放到特征层，就说明这个系统是可复现的。可复现，比短期收益更重要。

4. 第三步：先写“规则策略”做回测，再把 AI 接进来

4.1 为什么不能一开始就直接上神经网络

因为你连最基础的交易逻辑都没证明能跑通，模型再复杂也只是在放大混乱。一个成熟系统的正确顺序应该是：先有基线策略，再让 AI 去增强它。

比如，你先做一个最简单的基线：趋势向上时允许开仓，趋势向下时禁止抄底；成交量异常放大时降低仓位；连续亏损几次后自动休息。等这个基线能稳定回测，你再让 AI 做信号打分、择时过滤、仓位微调，这样才是“模型为系统服务”，而不是“系统被模型绑架”。

4.2 回测时最容易出现的三个幻觉

第一，未来函数。你不小心让今天的策略看到了明天的数据。第二，忽略手续费和滑点。纸面盈利很好看，一上实盘马上变形。第三，参数试太多，只把最漂亮的一组留下来。表面上像“优化”，本质上往往是“挑中了一次幸运”。

回测不是为了证明你有多厉害，而是为了提前发现这套规则哪里会死。

5. 第四步：AI 到底该插在哪一层，才最适合普通人

5.1 最稳的做法：让 AI 先做“增强器”，不要做“独裁者”

AI 最适合做的，不是直接拍板“满仓买入”，而是做四种增强：第一，做信号过滤，把低质量信号拦掉；第二，做市场状态识别，判断当前是趋势市、震荡市还是极端波动市；第三，做多因子融合，把多个指标压成一个更稳定的综合评分；第四，做文本信息提炼，比如把新闻情绪和公告风险转成结构化特征。

换句话说，普通人最容易成功的路线，不是“让 AI 替你交易”，而是“让 AI 帮你少犯错”。

5.2 三种最适合新手上手的 AI 任务

第一种，分类任务：预测下一交易日更可能上涨、下跌还是震荡。第二种，回归任务：预测未来一段时间的收益强弱。第三种，排序任务：在一篮子标的里，排出相对更值得关注的前几名。

这三种任务的共同点是：目标清晰，训练逻辑相对直观，容易和基线策略结合。相比之下，一上来就做强化学习、自动做市、超高频撮合，对普通人来说跨度太大，失败概率很高。

6. 第五步：系统真正的灵魂不是模型精度，而是风控引擎

6.1 为什么很多“神策略”死在实盘第一周

因为回测看到的是“过去的数据世界”，实盘面对的是“现在的对手盘世界”。一旦市场突然切换风格，延迟变大，成交变差，流动性下滑，再好的信号也可能被执行层拖死。

所以，成熟系统一定要做三层风控：模型层、交易层、账户层。模型层控制信号质量，交易层控制单笔风险，账户层控制整套系统的生死线。

6.2 三层风控具体怎么落

模型层可以设置置信度阈值、异常值拦截、数据质量检测；交易层可以设置单笔最大亏损、单标的最大仓位、连续亏损暂停；账户层可以设置日亏损上限、周回撤阈值、总资金熔断，以及人工接管开关。

请记住：真正让账户活得久的，从来不是“预测有多准”，而是“错的时候亏得有多慢”。

7. 第六步：从回测到模拟盘，再到小资金实盘，中间至少隔着三道门

7.1 第一门：历史回测

历史回测解决的是“过去是否讲得通”。这里你要重点看：收益是否稳定、最大回撤是否能接受、换手是否过高、不同年份和不同市场状态下是否都能活。

7.2 第二门：走样测试和滚动验证

真正靠谱的系统，不能只在一个时间段里好看。你要把数据切成训练期、验证期、测试期，按时间滚动往前推。只有不断在未知区间里还能维持稳定，系统才有资格进入下一阶段。

7.3 第三门：模拟盘

模拟盘解决的是“系统上线后会不会跑歪”。这时你要盯的不是模型准确率，而是订单是否正常发出、成交回报是否正确、日志是否完整、断线重连是否可靠、风控闸门是否真的会生效。

很多人回测能赚钱，模拟盘就露馅：一下单就报错，价格一跳就追不上，仓位一算就超限。说明问题根本不在模型，而在工程。

8. 第七步：普通人的最小可行技术栈，应该怎么选

8.1 最小可行版本，不求豪华，但求闭环

如果你现在从零开始，最小可行栈完全可以很朴素：Python 负责策略与训练，pandas/numpy 处理数据，Backtrader 之类的回测框架做回测，scikit-learn 或 XGBoost 做基础模型，数据库用 SQLite 或 PostgreSQL 先跑起来，日志和监控先用最简单的文件日志加告警。

等你把最小闭环打通之后，再考虑把数据平台、特征平台、模型注册、分布式训练这些“高级基础设施”一点点补齐。别一开始就追求机构级架构，普通人最大的优势是轻、快、能迭代。

8.2 什么时候该用 Qlib，什么时候该看 FinRL

如果你更想走“数据处理—特征工程—模型训练—回测分析”的经典机器学习路线，Qlib 这类面向 AI 量化研究的平台会更顺手。它更像一个研究流水线。

如果你想研究“让智能体在环境里自己学动作”的路线，再去看 FinRL 这类金融强化学习框架更合适。但请注意，对普通人来说，强化学习不该是起点，更适合作为你把基线系统做稳之后的进阶实验。

9. 一套普通人真能落地的 90 天路线图

9.1 第 1—2 周：只做市场与数据

选一个市场，确定标的池，下载历史行情，整理交易日历，把原始数据、清洗数据、特征数据分开存。这个阶段不碰模型。

9.2 第 3—4 周：做基线策略与回测

先写一个简单但可解释的规则策略，加入手续费、滑点、仓位上限、止损规则，把回测框架跑通。这个阶段的目标不是暴利，而是能稳定重跑。

9.3 第 5—8 周：接入 AI 做增强

把 AI 的任务限定为一个非常具体的小问题，比如“过滤低质量买点”或“给信号打分”。只改一个环节，你才知道收益提升到底来自哪里。

9.4 第 9—10 周：做滚动验证与压力测试

把模型丢到不同年份、不同波动环境里试，看看在极端行情下会不会连续犯错。必要时降低复杂度，而不是盲目加层数。

9.5 第 11—12 周：模拟盘 + 小资金试运行

先跑模拟盘，再做超小资金试单。这个阶段最重要的不是赚多少，而是日志是否完整、异常是否能报警、熔断是否真能触发、人工接管是否顺畅。

10. 普通人最容易踩的 10 个坑

1. 以为 AI 量化的核心是预测涨跌，其实核心往往是风险收益比。

2. 一上来就做分钟级甚至高频，结果被数据质量和延迟打爆。

3. 回测只看收益，不看最大回撤和换手。

4. 忽略手续费、滑点、停牌、涨跌停、成交不足。

5. 试了太多参数，只保留最好看的一组。

6. 把文本新闻随便丢给大模型，却没有做时间对齐和去噪。

7. 没有模拟盘阶段，直接上真资金。

8. 没有账户级熔断，亏损扩大后还让系统继续跑。

9. 看到模型准确率高，就误以为交易一定能赚钱。

10. 把量化系统当成一次性项目，而不是持续迭代的工程产品。

11. 结尾：普通人想搭 AI 量化系统，最正确的姿势不是“追神话”，而是“搭闭环”

你真正要做的，不是找到一个能预测市场的万能模型，而是搭出一套小而完整、能反复验证、能稳定执行、出错时能刹车的系统。

普通人搭 AI 量化，最值钱的能力不是数学有多深，也不是 GPU 有多强，而是你能不能把“市场—数据—策略—模型—风控—执行—复盘”这一整条链路串起来。

先做一套会走的系统，再做一套会跑的系统；先做一套不容易死的系统，再谈它能不能赚大钱。这个顺序一旦对了，你就已经超过大多数只会喊口号的人了。