Min 是一个典型的 Show HN 个人项目把 AI 和量化交易放在一起做一个属于自己的量化研究助手。这类项目的价值从来不是“模型多炫”而是把数据、信号、回测、执行和风控串成一条能长期跑的链路。这篇文章适合准备上手个人 AI 量化项目的人也适合那些已经写过几个策略、但总觉得流程很乱的读者。我会按实际搭建顺序把环境、数据、模块、参数判断和排查思路都过一遍。先说明一点个人量化不等于机构量化目标不是每天抓到涨停而是用一套可重复、可验证、可复盘的过程替代拍脑袋决策。1. 先想清楚Min 这类项目到底在解决什么问题1.1 个人量化的核心是流程自动化不是预测精度很多人一听到 AI Quant第一反应是预测明天的价格。真正做过一轮就会发现这个问题不仅难而且不稳定。再强的模型放在没有人管理的信号链路上也很难保证明天还能用。个人 AI 量化的核心是把“分析、决策、执行、复盘”变成固定流程。什么时候买入、买多少、什么时候退出、失败后怎么办这些都应该有明确规则。AI 在这里的价值是帮助你更快处理数据、更早发现异常、更客观地评估策略而不是替你保证收益。以 Min 这类项目为参考它的价值也应该这么看它能让你在一套环境里完成从数据清洗到回测验证的全部动作并且每次结果都可复现。做到这一条就已经超过多数手工盯盘的方案了。没有流程自动化最容易出现两个问题。第一个问题是重复劳动每次研究新策略都要重新整理数据、重新写代码、重新手动记录结果。第二个问题是不可复现同一个策略今天跑出一种结果明天换个时间段又变成另一种结果但你说不清变化来自哪里。固定流程之后这些问题会自然消失。1.2 它和普通行情软件、自动买卖插件的差别普通行情软件和插件给你的是信号比如“金叉买入”“放量上涨”。但你没有留下完整的、可回测的实验记录。个人 AI 量化项目不同它的基本单元是流程你换一个参数、换一个时间段整个结果可以重跑一遍。这个能力非常重要。它会逼你把策略写成代码而不是把判断留在脑子里。AI 的部分可以很轻也可以很重。轻量做法是用模型做因子合成、异常检测或者用大模型帮你读公告、生成研究摘要重量做法是搭一个 Agent让它按你设定的研究任务自己查库、跑回测、生成报告。无论轻还是重核心判断标准只有一个它产出的东西能不能被验证。我更推荐先把“研究环境”做起来再考虑要不要让 AI 自动决策。所谓研究环境就是你随时可以复现一个策略结果的能力。有了这个基础AI 不论扮演什么角色都不会变成不可控的黑箱。2. 跑起来之前先把环境和数据链路准备清楚2.1 本地环境四件套Python、数据库、调度器和依赖管理我一般建议先用一台能常年运行的机器不一定要多高配。行情数据和轻量回测8GB 内存的机器就能跑如果要做分钟级数据加机器学习模型内存和 CPU 核心数才需要往上加。环境上准备四样东西就够了。第一Python。直接用 3.10 以上的稳定版不要用系统自带的老版本。第二依赖管理工具。venv、pip 起步就可以项目复杂后用 poetry 或 uv 都行。关键是一开始就把环境隔离开避免不同项目互相污染。第三数据库。学习阶段用 SQLite 或直接存 Parquet 文件都够用数据量大了以后再考虑 PostgreSQL 这类数据库。第四调度器。定时更新数据或定时跑策略可以用系统 cron也可以用 APScheduler。调度器不是一开始就需要但项目一旦进入持续运行阶段它就是刚需。环境准备看起来是基础工作实际上决定了后面能走多远。依赖版本混乱、数据库结构不清晰、调度任务没有日志这三个问题会在项目中期集中爆发。与其到时候重写不如一开始就按简单规范来。2.2 数据是个人量化项目的咽喉整个链路里最容易被低估的就是数据。模型写得再漂亮数据不对回测全是噪音。个人项目起步至少要把三种数据分开。数据类型典型频率关键字段个人项目起步选择行情数据日线、分钟线open、high、low、close、volumeCSV 或 Parquet 文件基本面数据季报、年报营收、净利润、净资产、PE、PB手工整理或数据接口事件与情绪公告、新闻文本内容、发布时间、情绪分先做少量样本用 LLM 辅助摘要收盘价、开盘价、成交量这些字段命名最好统一。我一般会在一开始就固定成小写列名open、high、low、close、volume、date后面所有模块都按这套字段走。这样的好处是代码里不用到处处理中文列名也不容易出现大小写不一致的怪问题。还需要注意复权。股票分红、送转之后价格会跳空。如果不做后复权处理很多长期策略的回测结果都是假的。日线数据里还容易遇到停牌日、重复日期、时区偏移这些都要在数据进入库之前清洗干净。2.3 最小数据链路验证不要一上来就接一大堆数据源。先拿一个标的、一段日线数据把链路跑通。import pandas as pd df pd.read_csv(daily.csv, parse_dates[date]) df df.sort_values(date) df df.drop_duplicates(subset[date]).reset_index(dropTrue) df[ret] df[close].pct_change() df[mom_20] df[close].pct_change(20) print(df.tail())这段代码做的事情很简单读取数据、排序、去重、计算日收益率和 20 日动量。能正常打印出来说明文件、字段、日期格式都通了。打印不出来或者全是 NaN先看文件路径、列名和日期解析不要急着往下写策略。最小数据链路验证的意义是把“环境问题”和“策略问题”分开。如果连数据都读不对后面所有模块都会在同一层反复报错排查起来非常痛苦。3. 把 AI 量化助手拆成四个模块逐层跑通3.1 数据层清洗、对齐和缓存数据层是其他所有模块的地基。这里要做的不是简单读文件而是把数据变成统一格式按日期对齐并且把清洗过后的结果缓存起来。缓存的好处是你不会每次跑策略都重新解析一遍原始数据。对个人项目来说一份清洗后的 Parquet 文件往往是性价比最高的缓存方式。对齐是另一个容易踩坑的地方。多个指标如果日期不一致直接 merge 会产生大量空值。一般做法是先生成一个交易日历然后按这个日历左连接所有数据。对齐之后还要检查覆盖率某只股票在样本期内只有一半交易日有数据就要决定是补数据还是剔除。数据层还需要单独处理异常值。涨跌幅突然变成 100 倍、成交量变成负数、收盘价等于 0这些都是典型的数据异常。不要指望策略代码去容忍它们趁早把规则写在数据清洗阶段后面才省心。3.2 信号层因子、模型和 LLM 从哪里介入信号层负责把原始数据变成交易决策的依据。最简单的信号就是因子的数值比如动量、波动率、成交量变化。更复杂的做法是用机器学习模型把多个因子合成一个综合评分再通过模型输出决定买入或卖出。这里要强调一点AI 应该被你当成研究对象而不是黑箱。无论用梯度提升树还是大语言模型输出都必须能落到一个可回测的信号上。比如用 LLM 对新闻做情绪分情绪分需要和未来收益做相关性验证用模型做因子合成合成后的信号也需要经过样本外测试。如果 AI 产出的东西无法回测它就不应该进入策略链路。大模型在个人量化里比较适合的介入点是研究辅助读取公告、提炼事件、生成代码、写复盘报告。它能显著提高研究效率但关键参数和最终决策还是应该由明确规则控制。让 AI 直接决定买卖前提是你已经理解它为什么这么决定如果理解不了风险会成倍增加。3.3 回测层向量回测起步事件驱动兜底回测的作用是验证信号在历史数据上是否真的有效。个人项目初期用向量回测就够了这种方式计算快、逻辑简单适合日线级别的单因子策略。做法是把整个数据表一次性算完然后按信号持仓并计算收益。def simple_momentum_signal(df, lookback20, buy_threshold0.05): df df.copy() df[mom] df[close].pct_change(lookback) df[position] 0 df.loc[df[mom] buy_threshold, position] 1 df.loc[df[mom] -buy_threshold, position] -1 df[position] df[position].shift(1) df[strategy_ret] df[position] * df[ret] return dfposition 为什么要 shift(1)因为今天收盘后才能算出信号最早只能在下一个交易日执行。不 shift 就等于用了未来数据回测结果会虚高。这个细节是个人量化里最常见的错误之一。当策略开始涉及市价单、限价单、滑点、涨跌停时向量回测就不够用了需要换成事件驱动回测。事件驱动会逐笔处理订单、成交和费用逻辑更接近实盘。开源回测框架里backtrader、vectorbt 等都有各自的社区选一个自己看得懂维护得了的就行。不要为了追求功能齐全选一个自己完全不知道内部逻辑的框架。3.4 执行与风控层把最后一步想清楚策略跑完回测不等于任务完成。真正决定一个策略能不能活下去的是执行和风控。仓位管理要回答一个问题这笔交易最多亏多少总资金。常见做法是固定风险比例比如单笔风险不超过总资金的 1%再根据止损距离反推仓位。最大回撤也需要监控回撤超过阈值就应该停止新增仓位。个人项目先别急着接实盘交易接口。可以直接先用模拟盘跑几周。模拟盘的意义不是看收益而是确认订单、持仓、资金记录和风控逻辑能正常工作。等模拟盘稳定了再考虑用很小的资金做真实交易验证。风控层的规则最好写成硬编码条件而不是靠人盯盘。比如单日亏损超过 3% 就暂停交易回撤超过 10% 就清仓等待重新评估。这些规则不复杂但要在策略开始运行之前就写好而不是亏了以后再去补。4. 判断结果不能只看“回测赚钱”参数和口径要盯住4.1 先把核心指标口径对齐回测报告里的漂亮数字第一步要先验证它的计算口径。很多新手只看总收益率这是不完整的。几个指标要一起看。指标计算口径解读年化收益率复利折算到一年比累计收益率更能反映长期水平最大回撤从高点回落到低点的最大幅度决定你拿不拿得住夏普比率超额收益除以波动衡量承担单位波动能换来多少收益卡玛比率年化收益除以最大回撤回撤视角下的性价比胜率与盈亏比盈利次数占比、平均盈亏比胜率不高也可能赚钱换手率交易频率的度量直接影响成本换手越高成本越重如果年化收益很高但最大回撤有 60%这个策略对个人账户来说基本不可用因为实盘很难坚持执行。判断策略能不能用我会先看最大回撤和交易次数再看年化收益。高回撤策略在心理上和经济上都难以承受。4.2 过拟合和未来函数回测最大的两个陷阱是过拟合和未来函数。未来函数在前面已经提到信号必须严格滞后一个周期。过拟合更隐蔽你在同一段历史数据上反复调参参数最终把历史的噪音也拟合进去了。结果就是回测曲线很好看样本外和实盘完全崩溃。简单有效的检验方法是样本外测试。比如用前 70% 的数据做参数研究后 30% 的数据做验证。参数确定之后在样本外只跑一次不看中间过程。另一个方法是滚动回测像滚动窗口一样不断前移每次用前面的数据定参在后面的数据验证。参数稍微动一点结果就剧烈变化这也是过拟合的信号。还有一个容易被忽略的问题幸存者偏差。如果回测用的股票池是“今天仍然上市的股票”那历史上的退市股票就被排除在外了回测结果天然偏高。个人项目做历史回测时至少要知道自己的样本池有没有这个问题。4.3 交易成本与滑点回测一定要把成本写进去。手续费、印花税、滑点、冲击成本都会吃掉收益。个人项目资金量小滑点可能不严重但手续费和买卖价差不能忽略。更保守的做法是再加一个固定滑点假设比如每笔成交多付几个基点。回测里很难精确模拟真实成交所以成本宁可高估不要低估。高换手策略尤其要小心。一个策略年换手 50 倍总收益率看起来不错扣掉手续费可能变成亏损。判断成本合理性很简单把佣金调高一倍再看策略是否还能盈利。如果能说明至少成本压力不大如果不能就说明这个策略对成本过于敏感。5. 从“能跑”到“能长期跑”批量任务、日志和失败重试5.1 批量扫描参数不要一次性把并发开满当策略从单个标的发展到一整个股票池或者要从几十组参数里选出较优解就需要批量扫描。这里最常见的问题是什么任务都往内存里扔最后机器被拖死。我一般会把参数扫描拆成多个小任务每个任务只跑一组参数、一个标的输出一个结果文件。先跑 5 组验证流程再扩大到全部参数。并发数要看机器内存和策略复杂度不要一上来就开满。批量任务不是越快越好能稳定跑完才是最重要的。批量扫描还要想好顺序。比如先跑单因子、单标的基础版本确认结果合理之后再跑多标的、多参数组合。如果基础版本结果都是错的后面批量跑出来的只会是一堆错误报告白耗时间。5.2 日志和输出命名个人项目最容易被忽视的地方是日志。没有日志报错的时候你只能猜。批量任务里每条任务都应当带一个唯一标识比如策略名、参数组、标的时间戳。日志里至少记录三件事任务开始、任务结束、异常发生时的堆栈。输出结果也按同样的规则命名这样后续复盘和重跑都很方便。结果文件不要全部堆在一个目录建议按日期或按任务类型建子目录。例如 results/mom_20/2025-06-01/xxx.parquet。目录结构一旦固定后面写复盘脚本就简单很多。命名规则也要统一避免出现 “final_final_v2” 这样的文件名。日志不只是写给自己看的也是给未来的自己看的。一周之后你可能完全想不起当时为什么选了这个参数。日志里顺手把参数、数据范围、版本都记下来能省掉大量回忆成本。5.3 失败重试和断点续跑批量任务一定会遇到失败。网络超时、数据源临时不可用、接口限流都是常态。对于这类临时错误做有限次重试是合理的重试之间加退避时间。对于逻辑错误比如参数非法、字段不存在不要去重试重试多少次都会失败反而隐藏问题。断点续跑也很重要。当任务是按标的拆分的已经跑完的标的要能够被识别并跳过。最简单的做法是每次跑完后在结果目录里写入一个标记文件或单独维护一个 done 清单。任务中断后从清单里没出现过的任务继续跑。对个人项目来说这个设计能省下大量重复计算时间。判断重试是否有效就看一个原则这次失败重跑一遍是否可能成功。网络超时可以代码逻辑错误不行。把这两类错误分清楚任务调度就会稳定很多。6. 常见问题和排查顺序6.1 信号全是空值或完全没有交易这是新手最常遇到的问题。先看数据范围历史数据是不是太短20 日动量至少需要 21 天数据才能算出第一个值。再看日期数据排序是否正确日期字段有没有解析成年月日。最后看列名代码里写的是 close数据里却是收盘价光这一项就能浪费一个小时。排查顺序建议固定为数据范围、日期排序、列名、空值数量。还有一个常见原因是信号阈值设置得太苛刻。比如 limit 阈值设成 20% 动量历史数据里几乎没有几次超过这个条件自然就没有交易。这种时候先降低阈值看看信号是否出现再回看是不是阈值问题。6.2 回测很好实盘不赚钱回测结果漂亮实盘一塌糊涂原因通常集中在几个地方。成本假设太低滑点没有考虑标的样本选择有幸存者偏差只回测了后来还活着的股票策略在样本内过拟合市场风格发生变化原本有效的因子衰减了。处理方式不是急着改参数而是先把成本和样本偏差修正再做样本外验证。实盘表现也会受执行质量影响。信号计算时间、订单提交时间、成交价格偏差每一项都可能把理论收益吃掉。如果实盘和回测差距稳定在一个固定值优先检查手续费和滑点假设如果差距忽大忽小再检查执行逻辑和数据更新延迟。6.3 接口报错、任务卡住、权限异常定时任务偶尔断掉问题往往不在策略逻辑而在外部依赖。数据接口限流、密钥过期、依赖版本升级导致接口变化、磁盘满了、输出目录没有写权限都会让任务中断。遇到卡住的任务先看进程是否还活着再看资源和输出目录最后查接口返回。顺序不能反过来否则容易被表面报错带偏。排查接口问题时把接口返回原文完整打印到日志里不要只打印状态码。很多接口的错误信息里已经写明了具体原因。还要确认依赖版本是否一致本地环境升级之后老代码可能突然就不能跑了。先确认版本再改代码能防止很多误操作。7. 新手落地清单和边界提醒7.1 先做最小闭环如果现在要从零开始搭一个像 Min 这样的个人 AI 量化项目不要一上来就追求大而全。我建议按这个顺序走第一准备一份可信的单标的日线数据第二写一个简单的动量因子第三用向量回测验证信号第四把回测结果、参数、日志保存下来第五扩大到一个包含几十只标的的小股票池。每一步跑稳了再进入下一步。先做到这个程度你的项目就已经超过了大多数停留在“看行情”阶段的人。最小闭环的关键是控制变量。每次只改变一个条件比如只改参数、只改数据范围、只改标的选择。这样才能知道结果变化来自哪里。如果一次性改了一堆东西报错和收益变化都很难定位。7.2 哪些能力可以后补多标的组合、分钟级数据、机器学习模型、大模型 Agent、通知提醒、券商实盘对接这些都可以在最小闭环之后逐步加。需要特别注意的是每加入一个模块都要给上一个模块留出验证空间。比如加入实盘对接之前先确保模拟盘稳定跑过一段时间。加入 LLM 之前先明确它产出的内容如何被记录和检查。考虑模块优先级时我会先做对流程稳定性提升最大的部分比如日志和失败重试再去做看起来很酷的部分比如 Agent 和自动报告。原因是一个能稳定跑完的小项目比一个三天两头中断的复杂系统有用得多。7.3 边界和合规提醒个人 AI 量化项目适合用来做研究和自有资金的管理不适合公开承诺收益也不适合代客操盘。回测结果只代表历史数据上的表现不能保证未来收益。真正参与实盘之前要了解所在市场的交易规则包括涨跌停、T1、最小交易单位、税费和资金门槛。杠杆尤其要谨慎个人量化项目中因杠杆导致账户快速亏损的案例并不少。先把风险控制放在收益前面这个项目才能长期做下去。还要保留一个认知边界你的项目再完善也只是个人研究工具。它不能覆盖所有市场状态也不可能验证所有未来场景。把回测当成研究手段把实盘当成风险实践这比追求短期收益更重要。把数据、信号、回测、风控这四块搭完Min 这类项目才算有了真正的骨架。你不用一上来就把所有能力都做齐先把最小闭环跑稳。这样后面加模型、加批量任务、加实盘对接时你才知道每一行代码到底改了什么。踩过几次坑之后你可能会同意个人 AI 量化项目最难的从来不是模型而是那条能长期稳定运行的流程。