1. 项目概述AI能不能帮你赚钱取决于你怎么用先回答标题那个问题AI确实能帮普通人做交易但前提是把它当工具使而不是当成“稳赚不赔的印钞机”。我见过太多人一听到“AI量化”就以为是把钱扔进去躺着收钱结果连回测都没跑明白就实盘亏得连手续费都交不起。说实话AI擅长的是帮你把规则写清楚、把历史数据跑明白、把几千只标的筛掉90%而不是替你预测明天涨跌。普通人真正能拿到的红利是“用AI把一套成熟的ETF交易逻辑自动化”让你不再凭感觉追涨杀跌而是让系统帮你盯着市场信号。这篇文章是我用21天从零搭一套ETF量化交易系统的完整记录不是教科书是我实际敲代码、跑数据、踩坑踩出来的经验。到第21天你手上会有一套能回测、能上实盘的基础框架策略不复杂但整个流程是完整的——包括数据获取、指标计算、信号生成、回测评估和模拟交易。适合谁看对Python有点基础但不会写交易逻辑的朋友或者会炒股但完全不懂代码的朋友都可以跟着走。不懂代码也没关系前7天就是带你装环境、写Hello World级别的代码后面每一步我都给了可以直接抄的代码。先泼一盆冷水如果奔着“21天财务自由”来的出门左转。量化交易这件事代码占30%策略逻辑占30%剩下的全是纪律和风险控制。ETF刚好是这个领域最适合普通人的品种单笔门槛低、没有个股踩雷风险、有清晰的市场指数逻辑你不需要研究公司财报只需要研究趋势和波动。配合AI辅助编写代码和优化参数普通人完全可以建立起自己的交易系统。整个项目我拆成四个板块思路设计、工具与学习路径、核心策略实现、常见问题排查。每块都附加了我真实的操作记录和排坑经验。你可以把它当成一份手把手教程也可以当成一份避坑清单看的时候对照自己的进度慢慢来。2. 整体设计与思路拆解为什么是ETF为什么需要AI2.1 普通人在“量化交易”这件事上的三个现实障碍普通人做量化交易绕不开三个坎第一个是数据你得有干净的、足够长的历史行情数据第二个是策略你得有可描述的、可回测的买卖规则第三个是执行信号出现以后你得及时下单同时控制好手续费和滑点。这三个坎单独拎出来都麻烦放一起就更劝退。比如数据免费的接口有停服风险付费的又贵比如策略网上搜一堆“战法”拉回测一看全是未来函数再比如执行你人工盯盘就算盯得过来人的情绪也会干扰操作。ETF把这些问题各削掉了一半。数据方面ETF的历史净值、指数点位相对容易获取而且没有停牌、涨跌停的限制这么频繁除了部分跨境ETF作为策略回测的数据基础更干净。策略方面ETF跟踪的是指数走势相对平滑常用的趋势跟踪、均线策略、动量策略都能直接套用不需要分析几百个财报指标。执行方面场内ETF可以像股票一样买卖手续费也比股票低不少很多券商已经低到万1以下甚至免5这对高频调仓非常重要。2.2 AI在系统里的真实角色不是“预测”而是“自动化和优化”再说AI。我在这个项目里把AI放在三个位置第一是AI辅助写代码把自然语言描述的策略转成Python代码这对没有科班背景的普通人来说非常友好第二是AI辅助参数分析比如用简单的网格搜索或者遗传算法来寻找最优均线周期并把结果可视化第三是AI辅助复盘让AI帮你总结一段时间的交易记录找出你连续亏损的时段和市场状态的关系。但注意AI不是用来“预测明日涨跌”的。我见过有人用神经网络去预测ETF价格回测结果漂亮得吓人年化50%以上但一上实盘就崩。原因是金融数据信噪比极低模型学到的往往不是规律而是噪声和偶然。你如果真想用AI模型去做预测需要极其严格的时间序列交叉验证、滚动窗口训练、考虑交易成本后的绩效评估这些是普通人短期内玩不转的。更务实的做法是把AI用在整个系统的基础设施层让数据清洗、参数搜索、策略回测这些本来枯燥重复的活儿变快变准。所以我这个系统的设计原则是**规则是人定的AI是帮人写规则、跑规则、优化规则的。**策略本身不复杂比如双均线交叉、动量排名、布林带突破这些都是几十年老策略经典不等于失效关键问题是很多人不会把它工程化。21天做完你会发现真正让你稳定盈利的不是某个神秘指标而是你严格按系统执行、控制回撤、管理仓位。2.3 系统核心模块拆解一张图看清全流程虽然不用画流程图但我们可以用文字把系统逻辑列清楚。一个基础的ETF量化交易系统共5个核心模块数据层获取ETF日线行情OHLCV自动更新本地存储为CSV或数据库。策略层根据指标计算买卖信号输出持仓状态空仓/持有/止损。回测层将信号与历史数据合并模拟买卖计算净值曲线和绩效指标。风控层设定单笔止损、最大回撤阈值、仓位比例。执行层接入券商API或模拟交易接口自动下单或辅助下单。每一层都可以单独测试。我第一次搭的时候犯了一个错误想把所有代码写在一个文件里结果改一个参数就要跑全流程浪费时间还容易出错。后来拆成模块用配置文件的思路把参数和代码分离清爽得多。第21天的交付物就是这套有厚实注释的模块化代码。3. 21天学习路线与工具选型从环境搭建到模拟交易3.1 工具组合用最小成本拼出一套可用环境先说结论这个项目不需要买昂贵的行情终端不需要租服务器一台普通笔记本就够。我的工具清单如下Python 3.10推荐直接装Anaconda自带Jupyter和大量科学计算包少配半天环境。我早期用原生Python配环境被依赖包冲突搞到心态爆炸换了Anaconda之后一路顺畅。数据源免费优先。国内推荐Baostock无需注册有一定年份的ETF和指数数据和Tushare需要积分但基础数据也够用。海外数据可以用yfinance不过部分ETF代码需要映射且偶尔连接不稳定。我最终主力用的是Baostock 本地CSV缓存每天盘后增量更新。回测引擎有现成的框架比如backtrader、vnpy但我更推荐自己写一个小型回测器。理由很简单ETF策略通常不复杂自己写回测器你完全清楚每一步怎么算的遇到bug好排查而且可以自定义滑点、手续费和买卖规则。backtrader虽然强大但学习曲线陡峭把时间花在它上面21天不一定够用。AI辅助工具就是你日常用的聊天类AI和代码补全插件。我的经验是**策略逻辑让AI帮你写但你必须看懂每一行代码在干什么。**因为AI会一本正经地编造函数名和API尤其是数据接口部分如果不加验证直接跑大概率报错。券商API先不急着接实盘。国内有两类主流方式一是QMT、PTrade这类量化终端二是券商官方开放API如华泰、华宝等。但开通门槛或资金量各有要求而且接口文档复杂。稳妥做法是先用模拟交易或者干脆先做“纸上实盘”把回测跑通了、策略验证过了再研究真实下单。我在第19天才引入了模拟交易用最简单的方式记录系统的每日信号再在真账户里按信号手动下单。3.2 21天任务拆解每天到底做什么这是很多人最需要的部分我按自己的进度做了压缩直接抄作业Day 1–2装好Anaconda学会跑Jupyter Notebook熟悉Pandas的基础操作DataFrame的读取、切片、合并、重采样。目标能用代码算出某只ETF最近20天的平均收盘价。Day 3–4搞定数据源。用Baostock下载沪深300ETF代码510300和创业板ETF159915近5年的日线数据存储为本地CSV写一个update_data.py用于每日增量更新。Day 5–7学习两个核心技术指标双均线策略MA20与MA60交叉和动量策略过去N日累计涨幅排名。理解金叉、死叉的含义以及趋势策略在震荡市里的天然缺陷。Day 8–10用Pandas实现第一个策略信号回测函数。这段代码是整个项目的地基必须一行行读懂。产出结果是初始资金10万3年调仓后的最终资金和收益曲线。Day 11–13引入交易成本滑点手续费和风控条件单次最大亏损3%、总回撤超过15%强制清仓重新回测。感受一下成本和风控对收益的侵蚀别被非现实的回测数字骗了。Day 14–16用AI辅助做参数分析和优化。设定MA快线范围5到30、慢线范围20到90用循环跑出不同参数组合下的累计收益、最大回撤、夏普比率然后用热力图投票选一个稳健参数区间而不是找最高收益的那一个。Day 17–18多ETF横向对比。把策略同时跑在5个ETF上观察哪些品种适合这个策略哪些不适合。从中挑出2到3个组合形成一篮子ETF。Day 19把历史最优参数从回测中拿出来用最近6个月的数据做样本外测试如果结果还能接受说明策略没有严重过拟合。Day 20搭建模拟交易流程。每天收盘后运行脚本自动生成次日操作信号然后去券商APP手动下单或接入模拟API。Day 21复盘整个系统写好使用说明和交易纪律清单正式准备小资金实盘。整个过程中最重要的不是代码写得多漂亮而是每个指标的计算逻辑你都说得清楚。我在Day 10卡了很久因为对Pandas的shift函数不熟悉导致信号计算用了未来数据回测结果亮眼实际完全不能实现。这个坑我必须提前帮你避开。4. 核心策略实现与实操要点三个模块代码精讲4.1 数据获取模块Baostock 本地CSV缓存数据是所有量化系统的命根子。我选了Baostock它的优点是免注册接口稳定缺点是文档老旧、教程少。但我自己封装好之后一劳永逸。核心代码逻辑很简单import baostock as bs import pandas as pd def download_daily(code, start_date, end_date): bs.login() rs bs.query_history_k_data_plus( code, date,code,open,high,low,close,volume, start_datestart_date, end_dateend_date, frequencyd, adjustflag2 # 2表示前复权 ) data_list [] while (rs.error_code 0) and rs.next(): data_list.append(rs.get_row_data()) bs.logout() return pd.DataFrame(data_list, columnsrs.fields)注意几个坑必须用adjustflag2做前复权否则遇到分红除权时价格跳空信号会乱。返回的数据全是字符串类型记得手动转成float和int否则后面计算会报错或者算出离谱结果。Baostock的字段名和pandas命名不完全一致最好统一重命名成open/high/low/close/volume符合国际惯例。数据缓存策略是第一次全量下载之后每天下载最近10个交易日然后按日期去重合并。ETF每天就一只票增量更新非常快我在脚本里加了个定时任务Windows下就是“任务计划程序”每天下午5点自动跑一次保证数据新鲜。4.2 指标与信号生成模块不要再用错的shift双均线策略的逻辑不复杂但初学者最容易写错的地方就是“交易日对齐”。假设今天是2025年3月10日我们要在收盘时判断20日均线和60日均线的金叉关系然后决定3月11日开盘是否操作。这要求你的信号必须用今天收盘后的数据生成而执行发生在明天。如果代码里直接拿今天的收盘价和今天的均线值去对比然后假设今天能成交这就是典型的未来函数会让回测收益虚高非常多。我的写法是data[ma_short] data[close].rolling(windowshort_n).mean() data[ma_long] data[close].rolling(windowlong_n).mean() # 生成金叉信号短均线从下方穿越长均线 data[cross] 0 data.loc[(data[ma_short] data[ma_long]) (data[ma_short].shift(1) data[ma_long].shift(1)), cross] 1 # 死叉信号反过来 data.loc[(data[ma_short] data[ma_long]) (data[ma_short].shift(1) data[ma_long].shift(1)), cross] -1 # 关键持仓状态在信号出现的下一个交易日才变化 data[position] 0 for i in range(1, len(data)): if data[cross].iloc[i] 1: data[position].iloc[i] 1 elif data[cross].iloc[i] -1: data[position].iloc[i] 0 else: data[position].iloc[i] data[position].iloc[i-1]这里我用shift(1)比较的是“昨天和今天”的关系严格来说还是需要更精确地错位。更稳妥的做法是直接把position整体再后移一天data[position_exec] data[position].shift(1).fillna(0)这样position_exec就是“次日执行”后的实际持仓。这种细节如果不是自己一行行排查用现成回测库根本发现不了。AI生成的代码你务必要检查这一条否则你后面的“漂亮回测”全是假的。4.3 回测与绩效评估模块先算裸收益再加成本回测器的核心就是把信号、价格、买卖点、持仓周期结合起来生成资金曲线。我的简化版本如下capital 100000.0 # 初始资金10万 position 0.0 # 当前持有的ETF份额 buy_price 0.0 equity_curve [] for idx, row in data.iterrows(): # 开盘时按position_exec决定是否交易 if row[position_exec] 1 and position 0: buy_price row[open] position capital * 0.95 / buy_price # 95%仓位留5%现金 capital capital * 0.05 # 手续费另外扣 cash_after_buy capital elif row[position_exec] 0 and position 0: sell_price row[open] capital position * sell_price * (1 - fee_rate) position 0.0 # 每日总资产 现金 持仓市值 total_asset capital position * row[close] equity_curve.append(total_asset) data[equity] equity_curve这个版本的交易成本只考虑卖出而且没有考虑最小交易单位实际会有出入但作为教学原型已经足够。如果你想更精确注意这些点ETF最低买卖100份1手如果你的资金不够买1手得用math.floor(position / 100) * 100处理。手续费通常含佣金和印花税ETF免印花税佣金按成交额万1到万3计算单笔最低5元的要专门处理。滑点通常按开盘价或收盘价额外扣除0.1%尤其是在流动性不好的品种上一定要把滑点参数设出来宁可高估也不低估。绩效指标里普通人最需要看三个累计收益率、最大回撤、夏普比率。最大回撤的计算不算难就是从最高点跌到最低点的最大幅度但它的意义非常重大——你的系统再赚钱如果回撤超过30%大部分人根本拿不住会中途手动干预最终收益一定大打折扣。5. 常见问题与排查技巧回测谁都能编实盘才见真章5.1 五大坑未来函数、过拟合、幸存者偏差、数据错误、执行延迟写回测时最隐蔽的是未来函数前文已经重点谈过。其次就是过拟合。我在Day 15用AI做了一个全参数网格搜索结果发现区间最优组合的夏普比率高达3.2跑出来净值曲线直线上涨。但实际把参数换到相邻的两位收益立刻腰斩。这种现象就是过拟合——你把模型练到了历史的骨头上。降低过拟合的方法有三个参数区间宁大勿小但别只看最优点用样本外数据做验证比如用前4年回测、后1年验证不同品种上同时跑如果只对510300有效、对159915完全失效说明策略没有普适性只能算数据挖掘。幸存者偏差是另一个被忽视的坑。国内的ETF基金有清盘风险如果我只回测现存且业绩好的ETF就会高估策略的实际表现。所以选品种时最好选择跟踪主流指数、规模较大且流动性高的ETF比如沪深300ETF、上证50ETF、创业板ETF、红利ETF、中证500ETF。这些品种大概率不会清盘但策略逻辑也要能同时适配几种风格才更可靠。数据错误也常见。Baostock偶尔会有某天数据缺失或者取到异常值比如收盘价突然变成0.01。这会让均线指标出现荒谬的跳跃信号也跟着错。稳妥的检查方法是用简单的阈值法把单日涨跌幅超过20%的样本打印出来人工确认或者用前后交易日中位数填充。执行延迟是不管你代码多完美都无法避免的现实问题。信号是收盘后生成的你第二天开盘下单但开盘价可能跳空高开或低开导致成交价格与回测中的模拟成交价存在差异。所以回测中一定要把执行价格设为“次日开盘价”而不是“当日收盘价”两者之间的差距就是你能在现实中触达的最好状态。5.2 问题排查速查表问题回测收益率高得离谱日线来回交易年化300%以上排查方向是否存在未来函数是否忽略了手续费是否用了收盘价同时生成和执行信号备注提示一定是未来函数。回测中收益平滑且胜率极高时先查信号生成与成交日期是否错位一天。问题不同参数组合收益差异极大像锯齿一样排查方向样本量太小参数区间内的过拟合。做法缩短参数范围换品种验证查看收益分布热力图是否呈现明显的“孤岛”。问题某一天数据里出现极端值均线突然断裂排查方向除权除息数据未复权数据源某日抛出一个脏数据。做法检查复权设置增加数据质量校验脚本过滤单日涨跌幅超过阈值的天数。问题回测好模拟交易连续失败排查方向滑点被低估策略在震荡市里频繁开平仓执行时间延迟。做法增加滑点参数到0.2%回测与模拟交易并行跑2周再决定是否实盘。问题AI生成的代码用到不存在的库或API排查方向AI模型训练数据有时间截断不知道某些接口已经更新。做法报错后用搜索确认库文档或者让AI把代码拆成小函数逐段执行调试。5.3 交易纪律清单代码之外的不可见系统写到这里我必须强调量化交易系统不是一堆代码代码是你策略的翻译而守则是你活下去的保险。我自己曾经有一个策略回测年化18%最大回撤12%看起来已经是可用的水平。但实盘第一周就遇到连续5天阴跌策略信号没有翻空我当时第一反应是“系统是不是坏了”差点手动清仓。事后证明策略在下一个周期里完全恢复并在半年内创出新高。如果我手动干预那这次实盘就算彻底失败了。所以请给自己定几条铁律连续亏损5次或总资产回撤达到8%时停止交易检查系统逻辑而不是怀疑系统。技术指标不漂移参数不天天改。至少运行20个交易日以上才允许考虑参数调整。只用闲置资金杠杆基金和杠杆ETF如分级B类尽量不要碰波动会放大到你无法承受。每笔交易下单后记录时间、价格、滑点每周回顾一次你会发现很多回测中没有暴露的细节。6. 对AI辅助的重新审视工具效率翻倍但思想不可外包在21天项目做完之后我对“AI能不能帮普通人做交易”这个问题有了更明确的答案。AI能够帮你把80%的“工程量”砍掉比如写代码、查文档、跑参数尤其是对英文文档有障碍的朋友AI的翻译和解释能力真的能让人省下大把时间。但在“策略有没有效”这件事上AI不能替你回答因为它无法感知真实资金在场内的恐惧和贪婪。一个比较务实的心态是把AI当成你身边的“全职程序员研究员助理”它不是基金经理也不是神谕。我个人的使用习惯是每次让AI帮助生成一个功能前自己先想清楚输入输出、边界条件和大致算法AI出代码后逐行核查然后单独跑一组样例数据验证正确性。这样既能享受效率红利又不会盲信输出。从更高维度看普通人通过这套系统获得的也不光是“收益”。21天下来你会养成用数据做决策的习惯学会区分“看着舒服的曲线”和“能赚到钱的曲线”还会理解什么叫资金管理。这些能力比一个策略本身值钱得多。即使最后发现这个双均线策略不符合你的性格你也能用这套系统做底子去研究动量、套利、网格等更复杂的策略。最后分享一个小的个人心得搭建系统时不要一开始就追求“高深模型”。我发现周围成功的散户量化玩家绝大多数用的都是均线、突破、布林带这类经典策略他们的优势不是指标酷炫而是纪律严明和持续迭代。先把一个简单策略跑通一年再慢慢添加过滤条件比如成交量过滤、波动率过滤、大盘环境判断一点一点把胜率和盈亏比磨上去。这套21天系统只是一个起点。你后续可以扩展的方向非常明确接入更多的ETF池子比如行业ETF、跨境ETF加入风险平价仓位管理用AI做更细的市场状态识别比如区分趋势市和震荡市在不同状态下启用不同策略。但每一步扩展的前提都是你已经把基础的“数据-信号-回测-执行”闭环跑得滚瓜烂熟。这条路上没有捷径但你有AI这台加速器已经比90%的散户赢在起跑线了。