外观
先说结论:编程这门手艺可以不学,但“审代码”这件事不能省。 而审代码,恰恰是不懂编程的人最做不到的。
所以问题的实质不是“要不要学编程”,而是:当 AI 替你写代码时,谁来保证它写对了?
这篇文章想把这个问题讲透。看完你应该能判断,自己该走哪条路。
一、AI 确实把“写”的门槛抹平了
不否认,这两年变化很大。过去做量化,第一道墙是写代码:拉数据、清洗、算指标、搭回测框架、画图,一个周末未必搞得定。现在你对 AI 说一句“帮我写一个 20 日动量的 ETF 轮动回测”,几分钟就能拿到一份能跑的脚本,甚至带净值曲线。
“能不能跑起来”这个问题,已经基本被解决了。
但量化真正的风险,从来不在“能不能跑”,而在“跑出来的结果对不对”。
二、AI 写的量化代码,错在哪里
有研究专门测过大模型生成量化交易代码的表现(如 ALPHAQT-BENCH 这类基准),结论很一致:大模型的主要失误不在语法,而在交易逻辑。代码不报错、能出图,但逻辑可能是错的。
最典型的一种叫前视偏差(也叫“未来函数”):在算今天的交易信号时,不小心用到了今天收盘之后才知道的数据。
看一个极简的例子,两行代码只差一个 shift:
python
# 版本 A:用“今天收盘价”算出信号,并按今天收盘价成交
signal = (close > close.rolling(20).mean())
ret = signal * close.pct_change()
# 版本 B:今天算出的信号,明天才能执行
signal = (close > close.rolling(20).mean()).shift(1)
ret = signal * close.pct_change()版本 A 是错的:它等于“在收盘价出来的那一刻,既知道了收盘价,又按这个价格买入”。现实里你做不到。但版本 A 的回测曲线往往漂亮得不真实,而且不会报任何错。
类似的坑还有很多:
- 复权方式用错,把分红除权当成了真实的涨跌;
- 忽略手续费、滑点和涨跌停,成交价想怎么成交就怎么成交;
- 在全部历史数据上挑出“最优参数”,再把它当成未来也有效的结论;
- 数据对齐出错,停牌、节假日、交易日历处理得不干净。
这些问题的共同点是:代码看起来都很正常,结果都很好看,只有懂行的人才看得出问题。
三、不懂代码,等于拿到一个无法审查的黑箱
一个人完全不懂代码,AI 给他一份策略,他能做的只有看最后那条收益曲线。曲线好看,他就信;曲线难看,他就让 AI 再改。
可是收益曲线恰恰是最不可靠的证据:真的优势能画出漂亮曲线,隐蔽的逻辑漏洞也能。你分不清这条曲线里,有多少来自市场规律,有多少来自一行写错的代码。
更要命的是,这件事每次都要重来。AI 每次生成的都是一份新代码,你调一次参数、换一个想法,就要重新审一遍。
所以摆在不想学编程的人面前,其实只有三条路:
| 路径 | 代价 | 问题 |
|---|---|---|
| ① 学编程,学到能审 AI 的代码 | 数月起步,而且要持续跟进 | 大多数人的本职工作不是这个,最后往往半途而废 |
| ② 不审,直接信 AI | 零 | 用真钱验证 AI 有没有写错,学费最贵 |
| ③ 让“需要审”的部分缩小到几乎为零 | 需要一个可靠的底座 | 这是本文接下来要讲的 |
四、第三条路:别审代码,审想法
把量化拆开看,其实有两层:
引擎层:数据怎么取、复权怎么算、几点算信号、几点成交、手续费滑点怎么计、涨跌停和停牌怎么处理、交易日历怎么对齐。
想法层:选哪些标的、用什么指标衡量强弱、周期多长、同时持有几只、什么情况下空仓或止损。
这两层的性质完全不同:
- 引擎层有标准答案,写错了就是 bug,而且不该每个人、每次都重新写一遍。它更适合被固定下来,让大量用户反复使用、反复检验。
- 想法层才是你自己的东西,是你的判断和差异化所在,这一层才值得你花时间。
AI 写代码的方式,是把两层混在一份脚本里、每次重新生成。这意味着引擎层的每一个细节,都在每次生成时重新“赌”一次。
更合理的分工是反过来:引擎层固定下来,由平台负责并公开说明规则;你和 AI 只负责想法层,并且以“参数”的形式表达。 这样需要你审阅的,不再是几百行代码,而是一组任何人都看得懂的设置:
标的池:这 8 只 ETF;指标:20 日加权斜率;持有 1 只;每天 14:50 判断;动量为负时空仓。
这一句话,你完全可以自己判断“合不合理”,不需要任何编程知识。
五、次方量化是怎么做这件事的
次方量化就是按这个思路设计的:固定引擎,开放想法。 它专注 ETF 轮动这一条主线,覆盖场内 1600 余只 ETF/LOF,把引擎层的规则都摊开写在文档里,而不是藏在代码里。
具体来说:
1. 成交时点是明确规则,不是代码里的隐含假设。 信号在什么时刻算、成交在什么时刻发生,平台有清晰的定义,三种交易时机的差别也写得明白,见《动量轮动策略的三种交易时机》和《回测执行时间与模拟执行时间的区别》。这正好对应前面那个 shift 的问题:规则固定在引擎里,而不是靠每次生成的脚本碰运气。
2. 复权、滑点这些容易“不知不觉做错”的细节,都有专门说明。 价格口径对收益的影响见《前复权价格对量化策略收益的影响》,滑点怎么模拟见《滑点在量化策略中的影响》。你不一定要自己实现,但你能知道它是怎么处理的。
3. 你的所有工作,都是在调“想法”。 动量算法(简单动量、线性回归斜率、加权斜率、RSRS)、周期、持仓数量、止损条件,全部是界面里的参数。改一个参数、看一次回测,没有代码要审。
4. 你仍然可以让 AI 帮忙,只是 AI 的角色变了。 次方量化提供了 Agent 和 Agent Skill:你用自然语言说想法,AI 去调用平台的行情、动量计算、回测和模拟盘能力,把参数填好、提交、解读结果。AI 在这里不写交易逻辑,只填参数、跑引擎,所以它最容易出错的那一块,被拿掉了。详见《次方量化 Agent 完全指南》和《AI 智能体 Skill 使用指南》。
5. 回测之后,还有实盘模拟去验证。 回测只是对过去的检验。策略可以发布为实盘模拟,用未来的真实行情持续跑,再决定要不要接入 QMT 自动交易。验证链路是完整的,不会停在一条漂亮的曲线上。
六、省下来的时间,花在哪里才值
不用审代码、不用搭环境之后,你的时间可以全部放到真正决定成败的地方:
- 想法本身:你为什么相信强者恒强?这个逻辑在哪些市场环境下会失效?
- 稳健性检验:把 20 日改成 19 日、22 日,收益变化大不大?用前几年调参,再看之后的数据表现如何?(方法见《如何判断量化策略是否过拟合》)
- 复盘:按年、按标的看收益和回撤,找出利润到底从哪来;
- 观察模拟盘:给它一到三个月,甚至更久,看实盘表现和回测是否一致。
这四件事,没有一件需要你会写代码,却比写代码更接近“做对量化”。
七、哪些人依然该学编程
不绕弯子,也有必须学的人:
- 想做多因子选股、因子挖掘,需要自己清洗数据、构造因子的;
- 想做高频、日内、衍生品策略的;
- 想研究个股、跨品种等超出 ETF 轮动范围的复杂系统的。
这些场景下策略的独特性来自对数据和逻辑的精细控制,确实无法外包。次方量化聚焦 ETF 轮动,并不覆盖这些方向。
但如果你的目标是:用 ETF 搭一套属于自己的、可验证、可长期运行的量化体系,那么把时间花在学编程上,性价比远不如花在想法和验证上。
结语
AI 把“写代码”变得很便宜,却把另一件事变得更贵:有能力判断它写得对不对。
不想走“先学会编程再审 AI”这条长路,就别把需要审的东西交给 AI 重新生成。把引擎交给经过大量使用的平台,把想法留给自己,这样你的每一分精力,都花在会变成收益差异的地方。
想亲手试试,可以从《快速开始》入手,几分钟内配出你的第一个 ETF 轮动策略,看看回测和实盘模拟怎么跑。
本文仅供学习研究,不构成投资建议。历史回测不代表未来表现,投资有风险,入市需谨慎。