你不需要成为程序员才能做量化

一个会计师的量化逆袭

李明是一家中小企业的会计师，今年35岁。他每天的工作就是和Excel打交道——核对账目、制作报表、分析现金流。和大多数上班族一样，他偶尔也炒股，但基本上都是听消息、看K线、凭感觉买卖，结果自然是亏多赚少。

有一天，李明在朋友聚会上听到一个词——量化交易。朋友说，量化交易就是用数学模型和计算机程序来做交易决策，不需要看盘，不需要盯盘，甚至不需要"感觉"。李明心动了，但随即又陷入了沮丧："我连Python都不会写，怎么做量化？"

这个场景是不是似曾相识？

如果你也有过类似的困惑，那么恭喜你——你来对地方了。因为在这个AI大爆发的时代，你不需要成为程序员才能做量化。你需要做的，只是清晰地表达你的交易想法，然后让AI帮你把它翻译成代码。

李明后来做了什么？他在两周内，借助ChatGPT，写出了自己的第一个量化策略——"当某只股票的收盘价跌破20日均线时买入，突破20日均线时卖出"。这个策略简单到令人发指，但它是一个真正的、可运行的、有明确规则的交易系统。更重要的是，李明在这个过程中，理解了什么是策略、什么是回测、什么是风险管理。他不再是那个凭感觉买卖的散户了。

量化交易的门槛，真的那么高吗？

在传统的认知里，量化交易是一个高不可攀的领域。你需要精通Python或C++，你需要深厚的数学功底，你需要统计学、金融学、机器学习……这套技能树长得让人望而却步。按照传统的学习路径，一个零基础的人要走上量化交易之路，大概需要这样的历程：

算下来，至少需要一年到一年半的时间，才能写出第一个真正属于自己的策略。而且这还假设你是一个全职学习者，每天能投入大量时间。对于上班族、有家庭的人来说，这个周期可能要拉长到三年甚至更久。

但等等，事情在2022年之后发生了根本性的变化。

AI带来的范式转移

大语言模型的出现，彻底改变了知识工作的生产方式。对于量化交易来说，AI带来的最大变化是：编码不再是瓶颈。

以前，你有一个交易想法，比如"我想在股价跌破布林带下轨时买入"，你需要：

1. 学习Python基础语法——变量、循环、函数，至少两周
2. 学习数据获取——如何用API获取股票数据，至少一周
3. 学习技术指标计算——布林带的数学公式，至少一周
4. 学习回测框架——Backtrader或Zipline的使用，至少两周
5. 调试和优化——让代码跑通并产生合理结果，至少两周

总共需要两个月，你才能验证这个简单的想法是否有效。

而在AI辅助的路径下，同样的过程只需要：

1. 向AI描述你的想法——用自然语言，5分钟
2. AI生成代码——30秒
3. 运行和验证——复制粘贴运行，10分钟
4. 与AI对话优化——调整参数、修改逻辑，30分钟

总共需要不到一个小时。

这个对比不是夸张，而是成千上万初学者正在经历的现实。AI把量化交易的入门门槛从"编程能力"降低到了"表达能力"。而表达能力，是每个人都具备的。

两条路径的本质区别

传统路径的核心假设是：你必须先掌握工具，才能使用工具。就像你学会开车之前，必须先理解发动机的工作原理、变速箱的齿轮比、悬挂系统的力学结构。这当然是一条有效的路径，但它太慢了。

AI辅助路径的核心假设是：你可以边用边学。就像现在的自动挡汽车，你不需要理解变速箱的工作原理就能安全驾驶。AI就是你的"自动挡"——它处理底层的技术细节，让你专注于更重要的事情：交易策略的逻辑、风险控制的规则、资金管理的纪律。

你真正需要掌握的是什么？

既然AI可以帮你写代码，那么作为量化交易者，你真正需要掌握的核心能力是什么？我们认为，有三项能力是AI无法替代的：

• 交易直觉与市场理解——你知道市场在什么状态下应该采取什么策略，这种"盘感"来自长期的观察和经验，AI只能模拟，无法真正拥有
• 策略逻辑的清晰表达——你需要能把模糊的交易想法转化为精确的规则，这是AI帮你实现策略的前提
• 风险意识和纪律——什么时候该停，什么时候该坚持，这涉及人性、心理和哲学，是AI无法替你做的决定

注意到了吗？这三项能力中，没有一项是"编程"。这就是为什么我们说：在AI时代，量化交易的大门向所有人敞开了。

与AI一起练习：把你的第一个想法写出来

理论知识看得再多，不如动手做一次。现在，让我们完成第一个练习：向AI描述你的交易想法。

练习1：描述你的交易想法

大多数人脑子里其实都有一些交易想法，只是从未把它们写下来。比如：

• "我觉得某只股票跌破20日均线的时候，可能会继续跌，这时候应该卖出"
• "如果一只股票连续三天上涨，而且成交量放大，说明有资金进入，可以追"
• "大涨之后必有回调，涨得越多，回调的概率越大"

这些想法有什么问题？它们太模糊了。什么叫"跌破"？是收盘价跌破还是最低价跌破？什么叫"连续三天上涨"？是收盘价连续三天高于前一天吗？什么叫"大涨"？涨幅超过5%算大涨，还是超过10%？

AI需要精确的指令。你的任务，就是把模糊的想法翻译成精确的规则。

练习2：让AI把这个想法翻译成策略描述

打开你的AI助手（ChatGPT、Claude、文心一言都可以），使用以下Prompt：

我想设计一个量化交易策略，请帮我把它写成规范的策略描述。

我的想法是：当一只股票的价格从上方跌破20日均线时，我认为趋势可能转弱，应该卖出；当价格从下方突破20日均线时，我认为趋势可能转强，应该买入。

请帮我：
1. 把这个想法写成规范的交易策略描述，包含入场规则、出场规则、仓位管理
2. 指出这个想法中可能存在的模糊之处，让我补充
3. 建议我应该如何回测这个策略

AI会给你一份规范化的策略描述，类似这样：

策略名称：20日均线趋势跟踪策略

入场规则（做多）：当收盘价从下方突破20日简单移动平均线（SMA20）时，于次日开盘价买入。

出场规则：当收盘价从上方跌破SMA20时，于次日开盘价卖出。

仓位管理：每次交易投入总资金的20%。

回测区间：建议至少覆盖一个完整的牛熊周期（如2018-2024年）。

练习3：对比AI生成的策略描述和你原始想法的差异

这个练习非常关键。对比你自己的原始想法和AI生成的规范化描述，你会发现很多之前没有考虑到的细节：

• "跌破"的定义：你的原始想法可能只是"价格低于均线"，但AI会问你：是收盘价跌破，还是盘中最低价跌破？
• 交易时点的选择：信号出现后，是立即交易还是等下一个开盘？这会影响实际收益率
• 仓位管理：你之前可能从没想过每次投入多少钱，但这直接决定了风险大小
• 回测区间：一个好的策略应该在不同市场环境下都表现稳定，而不是只在牛市有效

通过这三个练习，你已经完成了从"模糊想法"到"精确策略"的关键一跃。这是量化交易最重要的一步，比写代码重要得多。

动手实践：你的第一个Python代码

虽然我们强调"不需要成为程序员"，但了解一些基础的代码结构和运行方法，会让你与AI的协作更加高效。本节提供一段50行的Python代码，用于获取股票数据并计算20日均线。你不需要理解每一行，但你需要知道它能做什么、怎么运行。

import yfinance as yf
import pandas as pd
import matplotlib.pyplot as plt

# 获取股票数据
def get_stock_data(symbol, start='2020-01-01', end='2024-12-31'):
    """下载指定股票的历史价格数据"""
    stock = yf.download(symbol, start=start, end=end, progress=False)
    return stock

# 计算移动平均线
def calculate_ma(data, window=20):
    """计算简单移动平均线"""
    data['MA20'] = data['Close'].rolling(window=window).mean()
    return data

# 生成交易信号
def generate_signals(data):
    """根据均线交叉生成买卖信号"""
    data['Signal'] = 0
    data['Signal'][data['Close'] > data['MA20']] = 1  # 买入信号
    data['Signal'][data['Close'] < data['MA20']] = -1  # 卖出信号
    data['Position'] = data['Signal'].diff()
    return data

# 主程序
if __name__ == '__main__':
    # 1. 获取数据（以苹果公司股票为例）
    df = get_stock_data('AAPL')
    
    # 2. 计算均线
    df = calculate_ma(df, window=20)
    
    # 3. 生成信号
    df = generate_signals(df)
    
    # 4. 查看最近10天的数据
    print(df[['Close', 'MA20', 'Signal']].tail(10))
    
    print("\n✅ 策略数据准备完成！下一步可以添加回测逻辑。")

这段代码展示了量化策略的四个基本步骤：获取数据、计算指标、生成信号、输出结果。每一个量化策略，无论多么复杂，本质上都是这四个步骤的扩展和组合。

真实案例：两个普通人的量化初体验

案例A：会计师的均线策略

前面提到的李明，就是我们这本书的第一位"学员"。他的经历颇具代表性。作为一个只用Excel的会计师，李明对编程一窍不通。但他有一个优势：对数字敏感，对规则执着。

李明的第一个策略是"双均线交叉"。他向ChatGPT描述了自己的想法，AI生成了完整的Backtrader回测代码。第一次回测结果显示，这个策略在2020-2023年的A股市场上，年化收益率只有3%，但最大回撤高达25%。

李明没有灰心，而是开始和AI讨论："为什么回撤这么大？"AI分析了交易记录，发现策略在震荡市频繁交易，产生了大量亏损。李明又问："怎么减少震荡市的交易？"AI建议增加一个过滤条件——只在20日均线向上倾斜时才考虑买入。

加入这个条件后，回测结果大幅改善：年化收益提升到12%，最大回撤降低到15%。虽然这个数字离"发财"还很远，但李明已经迈出了最关键的一步——他拥有了一个属于自己的、可验证的、可优化的交易系统。

案例B：前端工程师的周末实验

张伟是一名前端工程师，平时的工作是写React和Vue。他对金融市场很感兴趣，但一直觉得自己不是金融专业出身，不敢轻易入市。

某个周末，张伟突发奇想："既然我会写代码，又有AI帮忙，为什么不试试量化？"他打开ChatGPT，花了一个下午的时间，完成了一个完整的趋势跟踪策略——包括数据获取、指标计算、信号生成、回测统计和可视化图表。

张伟的最大感悟是："写量化策略和写前端代码其实很类似，都是把逻辑翻译成机器能执行的语言。有了AI，我只需要想清楚逻辑，翻译的工作交给AI就行了。"

这个周末的实验，让张伟对量化交易产生了浓厚的兴趣。他后来把这个策略放在模拟盘上运行了三个月，验证了策略的有效性之后，才投入小额实盘资金。这种"小步快跑、快速验证"的方法，正是AI时代量化学习的精髓。

思考题