xingwudao
14 KiB
前言
最新书稿已更新至 XQuant 量化课堂页。 想阅读最新版官方书稿，请前往图书页。
你不是来背量化术语的，也不是来硬学编程的。你来学会一件事：把一个投资想法，借助 AI 做成实验，再用数据判断它是否站得住。这就是本书想带你完成的事。
你可能没有金融基础，不知道 ETF、回测、最大回撤是什么意思；你可能没有编程基础，看到 Python、代码、报错就头疼；你也可能没有 AI 使用经验，不知道怎样把自己的想法讲给 AI。没关系，这本书就是为这样的读者写的。
过去，量化投资听起来像少数专业人士的工具。它和数据、模型、程序、交易系统绑在一起，普通投资者很容易觉得：这东西很好，但离我太远。现在，AI 编程工具正在改变这件事。
你不必一开始就成为程序员。你可以先用自然语言说明自己的想法，让 AI 协助你写代码、跑实验、画图表、排查错误。你真正要学的，不是背下每一行代码，而是学会提出清楚的问题，设计可验证的规则，看懂实验结果，并对结果继续追问。这也是量化投资最重要的能力。
为什么写这本书
很多人第一次听到量化投资，都会有类似的感觉：它听起来很厉害，但离自己很遥远。
你也很可能已经在互联网上看过一些量化内容。有人让你先学 Python，有人让你研究因子，有人让你理解回测框架；有人让你装回测软件、交易软件，名字一个比一个陌生，比如 QMT、pTrade；又有人告诉你数据源最重要。他们说每一个重要，每一个都必须学。
什么都要学的压力，再加上不知道先后顺序的混乱，让很多人停在门口张望，迈不进量化的门槛。你不是没有兴趣，也不是没有投资想法，而是不知道怎样把想法变成一次可以验证的实验。更具体一点，常见的卡点有三个：
- 不知道从哪里开始，只能在教程和名词之间来回打转。
- 想测试一个策略，却被代码、环境、报错挡住。
- 看过很多单个策略，却始终搭不出一套可以持续改进的方法。
其实，我认为，初学者并不怕要学的内容多，真正让人踌躇不前的，是三个疑问：这些东西之间有什么关系？第一步做什么，才能先找到手感？最后怎样把零散知识组装成一套系统？
这就要分享一下我的故事了。我是算法工程师出身，过去十多年一直做 AI 和算法相关工作，有数学和编程基础。刚接触量化投资时，我也是从业余时间跟着教程跑几个简单策略开始。后来我发现，算法工程里常用的“拆问题、提假设、用数据验证”这一套方法，在投资里同样成立。不同的是，这里要解决的是金融问题。
也就是说，量化投资至少需要三块能力：数学、编程、金融。我已经有前两块，还差金融这块。后来我认识了「一硕」——一位有十几年量化交易经验的搭档。他有统计学和财务背景，也长期在真实市场里打磨策略。我们把他做过的策略一层层拆解：一个想法从哪里来，怎样变成规则，怎样用数据检验，怎样落到真实买卖，怎么迭代策略。
随着拆解的策略越来越多，我渐渐意识到，这些疑问背后其实是同一个问题：初学者真正缺的，不是又一个“神奇策略”，而是一条能走通的路径。于是，我和一硕决定把这条反复拆解、验证、改进的路径写出来。
此外，这本书能写出来，还有一个背景：从 2025 年到 2026 年，AI 编程能力突飞猛进。在 2024 年之前，“让 AI 替你写量化代码”还不太稳定，代码经常跑不通，逻辑也容易出错。但从 2025 年下半年开始，以 Claude Code、Codex、TRAE、Cursor 为代表的 AI 编程工具和编程大模型一起在持续进步，已经能比较稳定地读懂自然语言需求，拆解任务，写代码，调试错误，并连续处理较长的上下文。
这意味着，普通投资者不必先花很长时间学编程，才有资格做第一轮量化实验。你可以把精力先放在更重要的问题上：想法是否清楚，规则是否能执行，结果是否可信，策略是否还能继续改。
这就是我们写作本书的初心：让一个没有编程基础、没有系统量化经验的读者，也能从第一章开始动手，逐步搭出自己的量化交易系统。
这本书为谁解决什么问题
这本书主要写给两类人：
- 有兴趣，但没实操：刚刚对量化产生兴趣，想试试，却不知道从哪开始。
- 有尝试，但没系统：读过量化书、看过教程、跑过别人的示例代码，但始终没有做出过一套自己的系统。
本书会按一条清楚的成长路径，帮你解决三个问题。
问题 1：想学量化，却不知道从哪里开始。
网上内容很多：Python、因子、回测、策略、数据源……每个方向似乎都重要，但初学者最需要的不是一次性学完所有知识，而是知道第一步先做什么。本书会从一个最小可运行的策略开始，让你先把完整流程跑通。
问题 2：想做量化，却被编程门槛挡在门外。
传统量化需要写代码、处理数据、搭回测框架、调接口。很多人不是不会思考投资，而是不会把想法写成程序。本书借助 AI，让你用自然语言描述策略，把更多精力放在策略思考和结果判断上，而不是卡在代码实现上。
问题 3：学了很多策略，却始终搭不出自己的量化系统。
常见的公开量化内容都在讲一个技术指标、一个单策略、一个交易技巧。这些的确吸引眼球，尤其是再配上一个半真半假的实盘收益，很多人就蜂拥而至。但真正能长期发挥作用的，不是某个单点技巧，而是一套能持续迭代的流程。本书会带你走过数据获取、策略生成、回测验证、风险控制、交易执行和持续优化全过程，最终形成属于自己的量化交易系统。
如果你按“周末半天 + 工作日两个晚上各 1.5 小时”的节奏走，每周大约 5-6 小时，2-3 个月可以走完全书。当然，你也可以更快。重点不是速度，而是每章都动手做完，并且能解释自己做了什么、为什么这样做、结果说明了什么。
本书的核心理念
在正式进入学习地图之前，先说明本书的三个设计原则。
第一，问题驱动。 量化交易不是背概念，而是做研究：先提出问题，再提出可以检验的假设，然后用实验验证。全书每一章都从一个具体问题开始，问题解决后，再自然引出下一章。
第二，先动手，再认知。 很多概念只有在你亲手跑过一次之后，才会真正理解。书里不会先堆一大串术语，而是先让你做一个实验，看到结果，再解释为什么这样做。
第三，先把任务说清楚，再让 AI 写代码。 你不需要先学会自己写程序，但你必须学会把想法说清楚。描述你想让 AI 完成什么、做到什么程度的文字，泛泛地说叫任务说明书，英文是 specification，简称 spec；具体到量化策略实验里，就是策略规格说明书。
学习地图
正式动手之前，我先把全书地图展示出来。这样后面 9 章每做一步，你都知道自己走到了哪里。
量化交易听起来复杂，但可以先记成一句话：四个阶段，每个阶段三个环节。
四个阶段，是一个策略从想法到复盘通常要经过的过程，也是进化出一个量化交易系统的过程；三个环节，是每个阶段都要走的实验链。看懂这张地图，你后面就不会被单个术语带乱。
四个阶段：确定候选 → 制定规则 → 执行交易 → 评估归因
一个量化策略，通常会经过四个阶段：
- 确定候选 · 选什么 —— 先确定一组值得长期跟踪的资产。你不应该在整个市场里乱找，而是先圈出一个观察范围，建候选。
- 制定规则 · 怎么买卖 —— 持续观察这些候选的数据表现，把买什么、买多少、什么时候买、什么时候卖写成清楚规则。
- 执行交易 · 怎样实现 —— 策略规则生成的是理论交易计划，计划还需要变成现实，比如怎么面对交易不成功、成交价不等于理论值、交易本身还有成本等问题。
- 评估归因 · 为什么赚或亏 —— 无论盈亏，原因都应该追踪到每个阶段的指标和逻辑，找到是什么在真正起作用，否则，赚了也无法复制，亏了也无法改进。
这四个阶段不是走完一次就结束。评估归因得到的结论，会反过来改进下一轮确定候选、制定规则和执行交易。
三个环节：做 / 看 / 疑
每个阶段都要按同一条实验链推进，才不会变成凭感觉做投资。
这条实验链由三个环节组成，可以简单记成三个字：做 / 看 / 疑。
- 做 —— 把模糊的投资想法，写成可验证的策略规格说明书。规则、数据、时间范围、买卖条件、输出结果都要尽量清楚，这样 AI 才能把它翻译成可执行的 Python 程序。不能执行，就无法验证。
- 看 —— 程序用历史数据跑完实验后，会输出一组指标。你要学会看每个指标代表什么，也要判断这些数字处在什么水平。
- 疑 —— 检查实验过程和结果是否可信：数据有没有问题，时间段是不是太特殊，参数是不是碰巧有效……只有结果可信，才能进一步判断它是支持了假说，还是推翻了假说。
这里的“疑”不是情绪，也不是一句口号，而是一组必须做的复查动作。会做、会看，但不会疑，最容易被漂亮结果骗到。
把四个阶段和做 / 看 / 疑叠起来，就是本书要帮你建立的量化地图（如图 I-1 所示）。
9 站旅程
接下来，我们要在这张地图上一共经历 9 站旅程。这 9 章，每一章解决一个问题。
表 I-1 9 章主题与学习地图对应
| 章节 | 问题 | 所在阶段 | 主要训练 |
|---|---|---|---|
| 第 1 章 | 跑通第一个策略 | 走一遍完整流程 | 做 + 看 + 疑 |
| 第 2 章 | 先选买什么：从 3 只 ETF 开始 | 确定候选 | 做 |
| 第 3 章 | 决定各买多少：3 种分法实测 | 制定规则 | 做 |
| 第 4 章 | 决定何时买卖：再平衡、止损、止盈 | 制定规则 | 做 |
| 第 5 章 | 判断策略好不好：4 个关键视角 | 评估归因 | 看 |
| 第 6 章 | 别高兴太早：防止过拟合 | 评估归因 | 疑 |
| 第 7 章 | 从理想到现实：执行交易 | 执行交易 | 做 + 看 |
| 第 8 章 | 策略跑起来以后：监控、诊断、迭代 | 评估归因 | 疑 + 做 |
| 第 9 章 | 持续寻找机会：因子研究入门 | 评估归因 + 确定候选 | 做 + 看 |
注意第 1 章。它不会先讲一堆概念，而是直接带你走完整流程：拿到数据、写出规则、跑出结果、再发现一个典型问题——回测里看着赚钱，换一段时间就不行。这个安排是故意的：你要从第一章开始就知道，量化不是只看一次漂亮结果，而是要反复检查结果是否可靠。
当这 9 站旅程走完，你就完整经历了这四个阶段，而且做、看、疑三个环节你也都练过。这就是你真正获得的能力。
你能获得什么能力
读完这本书，你学到的不是某一个固定策略，而是一套把想法变成实验、再用实验改进想法的方法。具体来说，你会获得三类能力：
- 养成量化思维：把市场里的现象和自己的投资想法，转成可以验证的假说；再把假说写成规则和指标，即策略规格说明书，而不是停留在“我觉得会涨”。
- 会做量化实验：把策略规格说明书交给 AI，让它写代码、跑程序、画图表；然后读懂实验结果，判断结果是支持假说，还是推翻假说。
- 会搭建量化交易系统：不再只看一个指标、一个策略、一个技巧，而是把数据获取、策略生成、回测验证、风险控制、交易执行和持续优化串成一套可迭代流程。
怎么使用这本书
这本书不是用来“看完”的，而是用来“跟着做”的。你可以这样使用每一章：
- 阅读本章开头，先知道这一章要解决什么问题。
- 跟着正文，看我们怎样把问题拆成一份 spec。
- 把写好的 spec 交给 AI，让它生成代码并尝试运行。一次写不好也没关系，可以继续修改 spec，直到 AI 明白你的要求。
- 查看实验结果。对照书中的图表和解释，看懂每个结果说明了什么。
- 试着改一个小条件，比如时间段、参数，再观察结果是否变化。
- 遇到报错，把错误信息发给 AI，让它帮你排查。
如果你一开始不知道怎么写，也可以直接使用配套仓库中的示例 spec。你的目标不是永远复制示例，而是先照着跑通，再逐步看懂它为什么这样写，最后能改出自己的版本。
全书会穿插两类辅助内容：
- 📌 要点 —— 总结写 spec 和做实验时最重要的提醒。
- 提示 / 注意 —— 说明容易踩坑、容易误解或需要临时补充的地方。
配套资源
本书的免费资源包（扫书末二维码即可拿到），包含：
- 所有章节的示例 spec
- 配套的 Jupyter Notebook（含可运行代码和完整运行结果）
- 第 2 章起使用的量化框架 open-xquant
也可以从 GitHub 直接获取（适合熟悉 git 的读者）：
前言就到这里。下一章“准备工作”会带你把 AI 编程工具和 Python 环境准备好，并用“装环境”这件事，第一次完整练习怎样写 spec。准备好之后，第 1 章我们就直接跑实验。