文章目录前言一、个人做量化过去卡在哪二、为什么拿Codex举例2026年的它早已不是“代码补全”三、先泼一盆冷水AI不会给你Alpha四、实操用Codex从0搭一套个人量化系统第0步先回答“什么叫适合你”第1步建项目写好AGENTS.md第2步数据层——让它干最脏的活第3步回测引擎——简单、透明、可测试第4步策略实现——一个“普通人拿得住”的ETF轮动第5步稳健性验证——省不了也不该省第6步实盘——从“半自动”开始五、最大的坑AI会把过拟合放大十倍六、Codex使用心得2026年9月版七、合规个人程序化交易要注意什么八、写在最后P.S. 无意间发现了一个巨牛的人工智能教程非常通俗易懂对AI感兴趣的朋友强烈推荐去看看 传送门https://blog.csdn.net/qq_34419312前言先交代一下背景免得你们觉得我在吹牛。我写代码快十年了前几年在大厂做后端后来跳去一家私募搞量化研究和交易系统满打满算在这行也就四五年。算不上老兵但该踩的坑基本一个没落下未来函数、幸存者偏差、手续费算漏、实盘滑点把回测收益吃掉一半——别人踩坑是交学费我踩坑是交全款。这两年身边越来越多朋友问我同一个问题我不是科班也不在机构现在用AI能不能自己做量化以前我的回答基本是劝退三连不行、别试、早点睡。今天我的回答变了能而且这可能是普通人在AI时代能拿到的最实在的一份红利。只是这份红利不在大多数人以为的地方——不在“AI帮你选股票”上而在别处。一、个人做量化过去卡在哪我把个人做量化的障碍总结成三堵墙每一堵都曾经让我怀疑人生。第一堵工程墙。数据下载、清洗、复权、存储回测框架绩效统计实盘接口……这一整套系统在机构里是好几个人在维护。个人业余时间从零写大概率在“写回测框架”这一步就把热情耗光了。热情这东西跟健身卡一样办卡的时候最旺盛之后每况愈下。第二堵知识墙。什么是前视偏差为什么一定要做样本外夏普1.5到底算不算好这些知识散落在论文、书和老师傅的口口相传里。没人带的话你连该搜什么关键词都不知道——就像去图书馆找一本不知道书名的书。第三堵时间墙。上班族一周能挤出的有效时间也就十来个小时。一个想法从“灵光一闪”到“跑出可信的回测”过去常常要两三个周末。等你验证完兴趣也没了。兴趣这东西比爱情还经不起异地恋——隔两周不碰基本就黄了。这三堵墙里AI编程代理coding agent几乎直接推倒了第一堵大幅削低了第三堵还能在第二堵上当个随叫随到的助教。唯独有一样东西它给不了你——这个后面单独说先卖个关子。本文以Codex为例。考虑到国内订阅Codex确实有点困难可以参考一下这里claudemax.shop。二、为什么拿Codex举例2026年的它早已不是“代码补全”很多人对Codex的印象还停留在几年前以为它就是个高级点的自动补全。先帮大家把背景更新一下免得你拿着三年前的记忆来评判现在的它——那感觉就像拿诺基亚的键盘手感来评价现在的智能手机。简单梳理几个节点2025年4月OpenAI开源了Codex CLI——一个跑在本地终端里的编程代理能读写文件、执行命令一个月后又推出了云端版本。2026年上半年进入快车道2月推出桌面App专门用来同时管理多个长时间运行的代理任务底层模型先后换上GPT-5.3-Codex、GPT-5.4、GPT-5.53月加入插件体系可以把工作流、应用集成和MCP服务打包安装。用户规模OpenAI在6月公布周活超过500万8月又有OpenAI员工提到活跃用户达到2000万。这两个数字口径不同不宜直接比较但量级变化是明确的——就像说“我家客厅能站50人”和“我家小区能站2万人”都没错但意义不一样。最近的变化在9月月初发布了旗舰模型GPT-6 Astra9月22日推出GPT-6 Sol和GPT-6 Luna面向Codex和ChatGPT Work同时API价格砍了一半左右。对个人量化玩家来说最后这一条最关键——成本。按官方价格GPT-6 Sol每百万输入/输出token是2美元/10美元上一代GPT-5.6 Sol是4/20轻量的GPT-6 Luna只要0.10/0.50。这个价格放在两年前做梦都不敢这么做。如果不走APICodex本身没有单独收费跟着ChatGPT套餐走Plus每月20美元Pro分100美元和200美元两档200美元档从9月10日起暂停新购。按公开的估算Plus用户每个5小时窗口里GPT-6 Sol大约能用15~150条消息Luna则是几百到几千条。我的实际体感个人做中低频量化研究一个Plus账号基本够用。真正吃额度的是让它一次性读完一个巨大的仓库或者同时开很多并行任务——个人项目很少到那个量级就像家用车很少需要踩到200码。换句话说一个月20美元你就拥有了一个不会累、不嫌问题蠢、能直接在你电脑上跑代码的“初级量化工程师”。这在五年前是不可想象的。五年前20美元能买到什么一杯咖啡加一个“我建议你报个班”的销售。三、先泼一盆冷水AI不会给你Alpha讲怎么做之前必须先说清楚一件事否则后面讲得越爽你亏得越惨。Codex能把你的想法变成代码但它不能替你找到一个真正能赚钱的想法。原因很简单大模型的知识来自公开资料公开资料里能找到的“策略”要么早被套利干净要么本来就是回测幻觉——就像网上那些“年入百万的副业”等你入场的时候镰刀已经磨好了。你让AI“帮我写一个年化30%的策略”它一定写得出来——在回测里。它会非常努力地满足你包括在不知不觉中帮你过拟合。这感觉就像你问理发师“剪完能变帅吗”他说“能”然后给你剪了个只有他自己觉得帅的发型。所以我对“AI量化红利”的定义是红利不是AI替你赚钱而是把“想法→可信验证”的成本降到接近零让普通人第一次有条件用科学方法对待自己的钱。这也是“适合你的策略”的含义——不是最赚钱的策略而是你看得懂、拿得住、和你的资金量/时间/性格匹配、并且经过严格验证的策略。翻译成人话不是开得最快的车是你开得最稳的那辆。四、实操用Codex从0搭一套个人量化系统下面是我自己在用的流程。示例以A股ETF为主因为对个人来说ETF有几个天然优势卖出免印花税、没有个股暴雷风险、流动性好跨境、债券等部分品种还支持T0。ETF这东西就像方便面——简单、管饱、还不担心哪个厂家突然暴雷把你的胃一起带走。第0步先回答“什么叫适合你”打开Codex之前先拿张纸写下这几项。这一步AI替不了你——就像体检报告不能替你做体检。问题我的答案示例投入资金20万亏损30%以内能接受每周可投入时间研究5小时执行≤10分钟/天交易频率周频或月频调仓标的范围宽基 行业 跨境ETF约40只最不能忍受的事连续一年跑输沪深300 / 最大回撤超过25%最后一行最重要。很多人的策略不是亏死的而是在回撤期被自己手动关掉的——亏损30%你眉头都不皱跑输沪深300你半夜爬起来删代码那这策略就不适合你。跟找对象一个道理先想清楚你最忍不了什么比想清楚你想要什么更重要。你能坚持执行的策略才是适合你的策略。第1步建项目写好AGENTS.mdCodex会读取项目根目录下的AGENTS.md把它当成这个项目的“员工手册”。我觉得这是最被低估的功能——量化项目里很多坑都可以在这里一次性写死省得每次重新踩。我的AGENTS.md大致长这样# 项目个人ETF轮动研究 ## 硬性规则任何代码都必须遵守 - 所有信号只能使用 t 日收盘及之前的数据在 t1 日开盘执行。禁止前视。 - 收益计算一律用后复权价格展示用前复权。 - 回测必须计入佣金万1.5最低5元、单边滑点0.1%。 - 任何新策略必须同时输出样本内(2015-2021)与样本外(2022至今)两段绩效。 - 每跑一次回测把参数和结果追加写入 experiments/log.csv带时间戳。 ## 目录约定 - data/raw 原始数据只读data/clean 清洗后数据parquet - src/backtest 回测引擎src/strategies 每个策略一个文件 - tests/ 核心函数必须有单测尤其是信号与价格的时间对齐 ## 风格 - Python 3.12 pandas不引入重量级框架 - 修改回测引擎前先说明改动理由请记住“实验日志”那一条讲过拟合的时候你会知道它有多重要——现在先记下就当提前剧透。第2步数据层——让它干最脏的活我给Codex的第一个任务通常是用akshare下载config/universe.yaml里的ETF池自2014年以来的日线数据存为parquet。再写一个数据质量检查脚本检查缺失交易日、价格为0或负数、单日涨跌幅超过20%的异常值、上市日期之前的脏数据输出一份报告。这种活人写起来又烦又容易漏Codex做得又快又全——它会自己跑报错了自己改最后交给你一份检查报告。你要做的是看报告而不是逐行看代码。让AI干这种活就像让实习生去贴发票脏、累、必须有人干而且它干完还不会在背后骂你。两个提醒免费数据源偶尔会改接口让它把“下载”和“清洗”分成两层写出问题只改一层——别让它在一条泥路上修车。在沙箱的网络设置里只放行包管理源和你实际用到的数据源域名不给代理任何多余的网络权限——信任是好的但密钥这种东西还是锁保险柜里踏实。第3步回测引擎——简单、透明、可测试个人做中低频向量化回测完全够用没必要一上来就上事件驱动——又不是开F1代步车先跑起来再说。我让Codex写一个300行以内的回测核心并要求先写测试、再写实现尤其是这三个测试用一段人工构造的价格序列手算出应有收益验证引擎结果完全一致故意把信号往前挪一天断言测试会失败——这是抓前视偏差的“金丝雀”验证小资金下“最低5元佣金”是否真的生效。这是AI最省时间的地方也是最需要你盯紧的地方测试的期望值必须由你来确认不能让它自己出题、自己判卷。自己出题自己判卷那不叫测试那叫“我宣布我这次考了全班第一”。第4步策略实现——一个“普通人拿得住”的ETF轮动举一个经典、逻辑清楚、个人也拿得住的框架动量轮动 趋势过滤。一句话逻辑每周最后一个交易日收盘后在ETF池里挑过去N日涨幅最高的K只但只在它自身处于长期均线之上时才参与排名都不满足就空仓或换成货币/短债ETF下一个交易日开盘调仓。核心代码大致如下Codex生成我精简过importpandasaspddefmomentum_rotation(close:pd.DataFrame,lookback60,top_k2,ma_len120):close: 行交易日, 列ETF代码, 后复权收盘价momclose.pct_change(lookback)trend_okcloseclose.rolling(ma_len).mean()scoremom.where(trend_ok)# 趋势不达标的不参与排名rankscore.rank(axis1,ascendingFalse)weight(ranktop_k).astype(float)weightweight.div(weight.sum(axis1),axis0).fillna(0)# 每周最后一个交易日生成信号自动处理节假日datespd.Series(close.index,indexclose.index)is_rebaldates.groupby(close.index.to_period(W)).transform(max).eq(dates)weeklyweight[is_rebal]# 下一个交易日执行这一行 shift(1) 就是防前视的关键returnweekly.reindex(close.index).ffill().shift(1).fillna(0)注意最后的.shift(1)它就是AGENTS.md里那条硬规则的落地。我见过太多“年化50%”的回测毛病就出在少了这一行。少了这一行你的回测就像开着上帝视角打游戏——谁都能通关问题是现实里没有上帝视角。给Codex布置策略任务时我有个固定句式实现momentum_rotation并接入回测引擎输出样本内外净值曲线、年化收益、最大回撤、夏普、换手率和分年度收益。然后扮演一个挑剔的风控列出这个结果可能不可信的5个理由并逐条写代码验证。“扮演挑剔的风控”这一句非常好用。更进一步另开一个会话或者开一个独立的worktree让一个没看过开发过程的代理专门审查前视偏差和数据泄露。自己写的东西自己审人和AI都容易灯下黑——让AI审自己的代码跟让渣男评价自己的专一程度是一个效果必须换个“没见过世面”的来。第5步稳健性验证——省不了也不该省这一步我的时间投入几乎没有因为AI而减少因为判断是我的活。AI能帮你把饭做熟但好不好吃、能不能吃坏肚子得你自己尝。参数平原lookback从20到120、top_k从1到4画一张收益热力图。好策略应该是一片“高原”而不是一根“针尖”。如果只有lookback63那一格特别亮基本可以判定是过拟合——一根针尖亮在那里那不是策略那是你家的WiFi信号图。滚动样本外walk-forward用过去N年选参数下一年检验一路滚到现在。换个市场试试同样的逻辑放到港股、美股行业ETF上是否大致成立逻辑真实的策略通常有一定普适性。成本敏感性把手续费和滑点翻倍策略还活着吗还活着才说明它是真身不是美颜滤镜。第6步实盘——从“半自动”开始我强烈建议个人先做半自动程序在每周最后一个交易日收盘后生成调仓清单推到手机你自己手动下单。花不了几分钟却能让你在真金白银里感受策略的节奏——就像学车先开自动挡别一上来就挑战手动挡加山路。Codex可以帮你写好整条链路定时拉数据→生成信号→生成调仓清单→推送。用它自带的自动化任务或者用codex exec挂进你自己的定时任务都可以。跑稳三个月、实盘和回测的偏差可控之后再考虑接入券商提供的量化交易终端做全自动。券商账户的密钥永远不要交给AI代理也不要写进代码仓库。全自动一时爽密钥泄露火葬场——这句话请刻在工位上。五、最大的坑AI会把过拟合放大十倍现在来说那个“AI给不了你”的东西以及AI时代个人量化最危险的陷阱。以前手写代码一个周末顶多试十几组参数。现在一个晚上让Codex批量跑上千组参数、几十种变体毫不费力。问题就在这里试的次数越多纯靠运气“跑出好看结果”的概率就越大。这不是玄学是有数学公式的。Bailey和López de Prado提出过一个“多重检验下期望最大夏普”的近似公式。假设5年日频数据你测试的所有策略真实夏普都是0完全没有Alpha并且相互独立。结果是只试1次期望的最高夏普是0很合理试100次从纯噪声里挑出来的最好那个夏普期望约1.1试1000次约1.5试1万次约1.7。夏普1.5的回测拿出去很多人会觉得“挺不错”。但如果它是从一千次尝试里挑出来的它很可能什么都不是。猴子在键盘上敲一万年也能敲出莎士比亚——你在回测里试一万次也能试出一个“夏普1.7”。区别是猴子不知道自己敲的是什么而你也不知道自己跑的是什么。现实中策略之间高度相关实际的膨胀会比这个理论值小一些但方向完全一致。所以我的应对办法记录所有尝试这就是AGENTS.md里要求写experiments/log.csv的原因。你得知道自己一共试了多少次——连自己试了多少次都不知道就敢说“我发现了圣杯”这不叫自信叫失忆。样本外只能用一次一旦看了样本外结果又回头改参数样本外就变成了样本内。相当于考试前偷看了答案然后宣称自己裸考满分。先有逻辑再有回测先写下“这个策略为什么应该赚钱、赚的是谁的钱”再去验证。让AI批量生成因子然后挑最好的本质上是在批量制造幻觉。给夏普打折让Codex帮你实现Deflated Sharpe Ratio把试验次数纳入评估。打完折还好看的才是真好看。六、Codex使用心得2026年9月版一些零碎但实用的经验都是拿真金白银和时间换来的模型怎么选日常开发用GPT-6 Sol足够改文档、补单测、整理数据这类杂活用Luna便宜、额度多遇到真正棘手的问题比如回测和实盘死活对不上再切到Astra。另外GPT-5.5计划在10月14日从Codex下线还在用老模型的记得迁移——别等到下线那天才发现自己还在用那感觉跟发现公司要搬家你还没找房子一样。任务要小、要可验证不要说“帮我做个量化系统”而要说“实现X函数满足这3个测试”。可验证的任务代理完成质量高得多——给AI一个模糊需求你只会得到一堆模糊代码。善用worktree并行想同时试两个策略方向就开两个独立工作区各跑各的互不污染。让它解释而不只是让它写遇到不懂的概念为什么用对数收益、什么是换手惩罚直接问。这就是在推倒第二堵墙——知识墙。代码你必须读得懂不要求你能从零写出来但每一行关键逻辑你都要说得清。读不懂的代码别拿真钱去跑——闭着眼睛开车出了事不能怪导航。七、合规个人程序化交易要注意什么这几年监管对程序化交易的规则明显完善了。2025年7月7日起沪深北交易所的程序化交易管理实施细则正式施行核心是报告制度首次进行程序化交易前要通过券商报告账户、资金、策略类型、交易软件等信息。高频交易单独从严管理——单账户每秒申报、撤单达到300笔以上或单日达到2万笔以上就会被认定为高频。对个人来说按交易所在试运行期间的说法触发异常交易指标的主要是量化私募、券商自营等机构中小个人投资者基本没有出现相关情况。周频、月频调仓的个人策略离这些阈值非常远——远到监管的雷达都懒得看你一眼那点动静还不够它打个盹的。但只要你接入券商接口实现自动下单就属于程序化交易范畴请按券商要求完成报告别抱侥幸心理。半自动程序出清单、人工下单是最省心的起步方式。具体请以交易所和你开户券商的最新要求为准——别问我是怎么知道“以最新要求为准”这几个字有多重要的。八、写在最后回到开头AI时代最大的红利是什么我的答案是AI把量化的门槛从“会写代码”降到了“会想清楚问题”。以前一个有想法但不会写代码的人和一个会写代码的人之间隔着巨大的鸿沟。现在这道鸿沟基本被填平了。但“想清楚问题”——你的钱承受得起什么、你的策略凭什么赚钱、你的回测里有多少水分——这件事的门槛一点都没降甚至因为AI让试错变得太便宜而变得更重要了。所以如果你一直想试试量化现在确实是最好的时候。花20美元拿出几个周末按上面的流程搭一套属于自己的小系统。哪怕最后的结论是“这个策略不行”你也会比绝大多数凭感觉看K线交易的人更了解市场也更了解自己。别人亏钱亏出的是教训你亏钱亏出的是认知这波不亏。这份认知才是真正属于你的红利。P.S. 无意间发现了一个巨牛的人工智能教程非常通俗易懂对AI感兴趣的朋友强烈推荐去看看传送门https://blog.csdn.net/qq_34419312