AI Prompt工程——如何让AI听懂你的交易逻辑

⚡ 核心知识：Prompt工程的五大支柱

1. 为什么Prompt质量如此重要？

大型语言模型（LLM）本质上是一个"概率机器"——它根据你输入的文本，预测最可能的下一个词。这意味着：你的输入直接决定了输出的概率分布。模糊的输入会让模型在广阔的可能性空间中迷失方向，而精确的输入则会把它引导到正确的区域。

在量化交易的场景中，一个差Prompt的典型特征是：只有"做什么"，没有"怎么做"、"用什么工具"、"输出什么格式"。而一个高质量Prompt则像一份详细的需求文档，让AI知道边界在哪里、标准是什么。

2. 高质量Prompt构建流程

下面这个流程图展示了一个结构化Prompt的构建过程。你可以把它当成每次写Prompt前的检查清单。

第一步：明确目标。用一句话说清楚你要AI做什么。比如"写一个双均线交叉策略"就是一个目标，但它太笼统了。更好的说法是"用Backtrader写一个沪深300ETF的双均线交叉策略，短期均线20日，长期均线60日"。

第二步：提供上下文。AI不知道你的技术水平、不知道你已有的代码环境、不知道你的数据从哪里来。你需要主动提供这些信息。比如"我已经安装好了backtrader和akshare，数据用AKShare获取"。

第三步：给出示例。如果你希望AI输出某种特定格式，最好的方式不是描述格式，而是直接给一个例子。比如"请按下面的格式输出：\n买入日期: YYYY-MM-DD\n买入价格: XX.XX\n卖出日期: YYYY-MM-DD\n卖出价格: XX.XX"。

第四步：指定格式。明确告诉AI你希望输出什么：是完整代码、伪代码、文字说明、还是表格？是需要逐行注释、还是只需要关键部分？

第五步：要求解释。对于量化策略来说，知道"是什么"不如知道"为什么"。要求AI解释它的设计决策，可以帮助你判断这个策略是否合理。

3. 差Prompt vs 好Prompt：同一个策略，天壤之别

下面这个对比展示了同一个需求，用不同Prompt会得到什么结果。

帮我写个量化策略，要赚钱的。

请用Python的Backtrader库写一个双均线策略：
- 标的：贵州茅台(600519)，用AKShare获取前复权日线数据
- 策略：5日均线上穿20日均线买入，下穿卖出
- 回测：2020-01-01 至 2024-12-31
- 初始资金：100000元，全仓买卖
- 输出：完整可运行代码+每行注释

4. 量化交易Prompt模板库

下面是一组经过实战检验的Prompt模板，覆盖量化交易的常见场景。建议你收藏这一页，以后需要时直接复制修改。

请用[工具名，如AKShare/yfinance]获取[标的名称]的[数据类型]数据。
具体要求：
1. 时间范围：[开始日期] 至 [结束日期]
2. 数据频率：[日线/分钟线/周线]
3. 复权方式：[前复权/后复权/不复权]
4. 需要字段：[open, high, low, close, volume]
5. 请处理可能的缺失值和异常值
6. 将结果保存为[CSV/Parquet]格式
7. 给出Python代码，并逐行解释

请用[框架名，如Backtrader]写一个量化交易策略。
策略逻辑：
- 入场条件：[详细描述]
- 出场条件：[详细描述]
- 仓位管理：[详细描述]
- 止损止盈：[详细描述]

技术要求：
- 数据来自：[数据源]
- 回测参数：初始资金[金额]，时间[范围]
- 输出格式：完整代码 + 关键逻辑解释 + 预期风险点说明

我有一段量化策略代码，需要优化以下方面：
1. [具体问题，如运行速度太慢]
2. [具体问题，如内存占用过高]
3. [具体问题，如代码结构混乱]

原始代码如下：
```python
[粘贴代码]
```

请给出优化后的代码，并说明：
- 每处修改的原因
- 优化前后的性能对比（估算）
- 是否引入了新的风险

我运行了一个量化策略，回测结果如下：
- 总收益率：[X%]
- 年化收益率：[X%]
- 最大回撤：[X%]
- 夏普比率：[X]
- 交易次数：[X]

请分析：
1. 这个策略的表现属于什么水平？
2. 可能存在的风险和问题
3. 从哪些维度可以进一步优化？
4. 如果要上实盘，还需要做哪些工作？

5. 高级技巧：让AI成为你的思维伙伴

掌握了基础模板后，你还可以使用一些高级技巧，让AI的输出质量再上一个台阶。

Chain-of-Thought（思维链）：要求AI"一步步思考"。比如不要直接问"这个策略能赚钱吗？"，而是问"请一步步分析这个策略的入场逻辑、出场逻辑、仓位管理和风险点，然后给出综合判断"。思维链Prompt能显著提升AI在复杂推理任务上的表现。

角色扮演：给AI设定一个角色。比如"你是一位有20年经验的对冲基金经理，请从专业角度评价这个策略"。角色设定能让AI调动更相关的知识，输出更专业的内容。

few-shot示例：在Prompt中给出1-3个输入-输出对的例子，让AI"模仿"你的期望格式。比如先给一个"差策略描述 -> 改进建议"的例子，然后再让AI处理你的真实输入。

自我纠正：让AI先给出答案，然后要求它检查自己的错误。比如"请先写出代码，然后从数据泄露、未来函数、过拟合三个角度检查这段代码是否有问题，如果有请修正"。

🤖 与AI一起练习

练习1：差Prompt vs 好Prompt对比实验

任务：用同一个策略需求，分别写一个好Prompt和一个差Prompt，对比AI的输出差异。

步骤：

1. 写差Prompt：只用一句话描述需求，比如"帮我写个均线策略"。记录AI的输出。
2. 写好Prompt：使用本章的五大支柱框架，写一份详细的Prompt。记录AI的输出。
3. 对比分析：从"代码可运行性"、"逻辑完整性"、"注释清晰度"三个维度给两个输出打分。

练习2：建立你的Prompt模板库

任务：基于本章提供的4个模板，结合你自己的交易需求，创建至少3个专属Prompt模板。

建议方向：

• 多因子选股Prompt：让AI帮你从财务指标中筛选符合条件的股票
• 回测报告解读Prompt：让AI帮你分析Backtrader输出的回测结果
• 策略变体生成Prompt：给AI一个基础策略，让它生成5个变体版本

练习3：用元Prompt让AI教你写Prompt

Prompt模板：

我想让AI帮我写一个量化策略的Python代码。
但我不知道我的Prompt写得好不好。
请扮演一位Prompt工程专家，帮我检查下面的Prompt，
指出问题并给出改进建议：

[粘贴你的Prompt]

请从以下维度评价：
1. 目标是否明确
2. 上下文是否充分
3. 是否有具体的约束条件
4. 输出格式是否清晰
5. 总分（1-10分）及改进方向

🔧 动手实践：Prompt质量评分器

下面这个交互式评分器可以帮你快速评估一个Prompt的质量。把你写的Prompt粘贴进去，它会从五个维度给出评分和改进建议。

当然，评分器只是辅助工具。真正提升Prompt质量的唯一方法是：多写、多试、多对比。每一次和AI的对话，都是一次Prompt工程的实战训练。

Python代码：批量生成策略变体

下面这段代码展示了如何用结构化的方式调用AI API（以OpenAI为例），批量生成策略变体。虽然这只是一个示例框架，但它展示了"程序化Prompt工程"的思想。

import openai

# ==========================================
# 配置：你的API密钥和模型
# ==========================================
# openai.api_key = "your-api-key"
MODEL = "gpt-4"

# ==========================================
# 基础策略描述
# ==========================================
BASE_STRATEGY = """
双均线交叉策略：
- 短期均线：5日
- 长期均线：20日
- 金叉买入，死叉卖出
- 标的：沪深300ETF
"""

# ==========================================
# Prompt模板：生成策略变体
# ==========================================
VARIANT_PROMPT = """你是一位量化策略研究员。

基础策略：
{base_strategy}

请生成{num_variants}个策略变体，每个变体修改一个参数或添加一个条件。
要求：
1. 每个变体只改变一个要素（如均线周期、添加过滤器、改变仓位管理）
2. 给出变体的名称和修改理由
3. 用表格形式输出：名称 | 修改内容 | 预期效果 | 风险点
"""

# ==========================================
# Prompt模板：代码生成
# ==========================================
CODE_PROMPT = """请用Backtrader实现以下策略：

{strategy_description}

要求：
1. 数据用AKShare获取
2. 回测时间：2020-01-01 至 2024-12-31
3. 初始资金：100000元
4. 全仓买卖
5. 输出完整可运行代码
6. 关键行添加注释
"""

def generate_variants(base_strategy, num_variants=3):
    """生成策略变体（概念展示）"""
    prompt = VARIANT_PROMPT.format(
        base_strategy=base_strategy,
        num_variants=num_variants
    )
    
    print("=" * 50)
    print("生成的Prompt（策略变体）：")
    print("=" * 50)
    print(prompt)
    print("\n注：实际使用时，将此prompt发送给AI API即可。\n")
    
    # 模拟返回结果
    variants = [
        {
            "name": "变体A：加入RSI过滤",
            "change": "金叉时要求RSI < 70（避免超买区买入）",
            "expect": "减少高位接盘，提高胜率",
            "risk": "可能错过强势行情"
        },
        {
            "name": "变体B：均线周期调整",
            "change": "短期10日，长期60日",
            "expect": "减少假信号，更适合趋势行情",
            "risk": "信号滞后，买卖点不够精确"
        },
        {
            "name": "变体C：加入止损",
            "change": "买入后跌5%强制止损",
            "expect": "控制单笔最大亏损",
            "risk": "震荡期可能频繁触发止损"
        }
    ]
    
    return variants

def generate_code(strategy_desc):
    """生成策略代码（概念展示）"""
    prompt = CODE_PROMPT.format(strategy_description=strategy_desc)
    
    print("=" * 50)
    print("生成的Prompt（代码生成）：")
    print("=" * 50)
    print(prompt)
    print("\n注：实际使用时，将此prompt发送给AI API即可。\n")
    return prompt

# ==========================================
# 主程序
# ==========================================
if __name__ == "__main__":
    print("\n🌟 Prompt工程演示：批量生成策略变体\n")
    
    # 步骤1：生成变体
    variants = generate_variants(BASE_STRATEGY, num_variants=3)
    
    print("=" * 50)
    print("策略变体清单：")
    print("=" * 50)
    for i, v in enumerate(variants, 1):
        print(f"\n变体 {i}: {v['name']}")
        print(f"  修改: {v['change']}")
        print(f"  预期: {v['expect']}")
        print(f"  风险: {v['risk']}")
    
    # 步骤2：为第一个变体生成代码Prompt
    print("\n")
    first_variant = f"{BASE_STRATEGY}\n额外条件：{variants[0]['change']}"
    code_prompt = generate_code(first_variant)
    
    print("\n✅ 完成！这个框架的核心思想是：")
    print("   1. 把策略逻辑和Prompt模板分离")
    print("   2. 用变量替换实现Prompt复用")
    print("   3. 批量生成 -> 批量回测 -> 对比择优")

🤔 思考题

🚀 下一章预告

Prompt技巧已经掌握，现在让我们回到数据的本质。下一章《历史价格数据——最简单的起点》，我们将深入探讨价格数据的结构、类型和处理方法。

你将学会：如何获取、清洗、存储历史价格数据；理解前复权、后复权、不复权的区别；以及如何用AI帮你处理数据中的缺失值和异常值。这是所有量化策略的基石——没有干净的数据，再好的Prompt也写不出好策略。

准备好了吗？让我们进入数据篇的第一站。