你好，我是悦创。
如果你有想法，但还不知道怎么把它做成证据，那这就是为你准备的开篇。
你不需要一开始就懂完整的量化系统，也不需要先相信 AI 能预测市场。我们要做的，是把一个听起来有道理的交易念头，拆成数据、假设、信号、回测、风险和验收记录。AI 和 Codex 会让这个过程变快，但本专栏更在意另一件事：当结果看起来很漂亮时，我们有没有足够的证据知道它还能不能被相信。
]]>你好，我是悦创。
如果你有想法，但还不知道怎么把它做成证据，那这就是为你准备的开篇。
你不需要一开始就懂完整的量化系统，也不需要先相信 AI 能预测市场。我们要做的，是把一个听起来有道理的交易念头，拆成数据、假设、信号、回测、风险和验收记录。AI 和 Codex 会让这个过程变快，但本专栏更在意另一件事：当结果看起来很漂亮时，我们有没有足够的证据知道它还能不能被相信。
所以，这不是一条通往“自动赚钱机器”的捷径，而是一套把好奇心落到可复查研究里的方法。能跑出结果很重要，能在证据不足时停下来，同样重要。
1. 你有一个交易想法，但还不是一个研究系统
我们先从最常见的起点说起：一个朴素、模糊、还没有被验证过的交易念头。它不是坏事，很多研究都从这里开始；真正的分水岭在于，你愿不愿意把它交给数据、规则和失败记录来检查。
1.1 从一句想法到可验证假设
如果你也有过这样的念头：
我有一个交易想法，好像有点道理，但我不知道怎么把它做出来。
那我们大概率可以聊到一起。这个想法可能很简单，比如“双均线上穿以后能不能跟一段趋势”；也可能更时髦一点，比如“让 LLM 读行情、资金、链上和情绪数据，然后输出一个结构化信号”。
以前，想把这类想法做成能验证的东西，门槛不低：数据从哪来，时间序列怎么清洗，指标怎么算，策略怎么写，回测可信吗，风险怎么拦，页面怎么展示，出错时系统会不会老实停下来。
1.2 你可能已经开始了，却卡在半路
也许你已经让 AI 写过策略，却不知道代码是否偷看了未来数据；跑出过一条上涨的权益曲线，却说不清手续费、滑点和样本窗口换了以后会怎样；也许你收藏了很多教程，复制了不少代码，但手里仍然没有一条从想法、数据到回测和验收的完整路径。
这些问题不是因为你“不会写几行代码”，而是因为一个研究结果需要的不只是代码。它还需要可追溯的数据、没有歧义的规则、诚实的失败记录和别人能复跑的验收过程。本专栏要帮你补上的，正是这条从“做出来”到“证明它值不值得相信”的路。
1.3 AI 让搭建变快，也让误信变容易
现在有了 LLM 和 Codex，事情突然变得顺手很多。LLM 可以帮你整理上下文、解释市场状态、把一堆信息压成结构化结论；Codex 可以进入代码仓库，读文件、改代码、跑测试、修失败、生成图表和页面。一个过去需要几个人配合的小型研究系统，现在一个人也能搭出雏形。
这当然让人兴奋，但也正因为太顺手，才更容易踩坑。
AI 给你一段“看起来很专业”的交易解释，不代表它真的知道市场会怎么走；Codex 帮你跑出一条漂亮的回测曲线，也不代表这条策略可以拿真钱试。量化研究里最要命的误会，往往不是程序报错，而是程序没报错、图也很好看、解释也很流畅，然后你就信了。
1.4 从想法到证据链
所以本专栏想陪你练的，不是“怎样让 AI 说得更像交易员”，而是：
- 一个想法怎样写成可以被验证的假设；
- 一份数据怎样留下来源、时间、缺失和回退记录；
- 一个 LLM 信号怎样被结构化、评分、拒绝和复查；
- 一条策略怎样进入回测，而不是直接变成订单；
- 一次回测怎样同时看收益、回撤、成本、窗口稳定性和过拟合风险；
- 一个研究系统怎样在自动化之前先学会停下来；
- 最后，别人能不能接手你的材料，复跑同样的命令，看见同样的证据。
2. 先说清楚：这不是交易秘籍
在进入工具和系统之前，边界要先摆在前面。交易研究最怕把“能解释”“能回测”“能展示”误读成“能赚钱”，所以这一节先说明本专栏做什么，也说明它坚决不做什么。
2.1 研究、教学和模拟验证的边界
本专栏用一套可运行的 Web3（以区块链和链上数据为核心的互联网形态）市场研究与模拟策略验证系统贯穿 35 讲。选择 Web3，不是因为它更容易赚钱，而是因为它很适合暴露问题：市场全天运行，数据噪声大，行情、资金、链上、情绪数据各说各话，热点切换很快，LLM 又特别擅长把不完整的信息讲成一个完整故事。
这套系统只做研究、教学和模拟验证。它会用固定离线样本和可保存快照，展示行情总览、机会雷达、K 线（蜡烛图）分析、LLM 信号、策略回测、风险中心和模拟交易页面；但它不连接真实交易所账户，不连接钱包，不提交真实订单，也不提供个性化投资建议。
更正式地说：本专栏内容仅用于技术研究、工程教学和模拟验证，不构成任何形式的投资建议、交易建议、收益承诺或资产配置建议。你如果基于自己的判断做真实投资或交易，需要自行承担全部风险；专栏里的样本、代码、图表和回测结果，都不能作为真实下单依据。
2.2 允许、审批、禁止三类动作
后面所有设计都会守住三层边界：
允许：市场研究、结构化信号、历史回测、模拟风控、研究草稿
审批：模型切换、策略版本变更、自动化范围扩大、对外发布
禁止：真实账户登录、钱包授权、订单执行、个性化投资建议你可以把它理解成朋友之间提前说好的规矩：我们可以一起研究、一起验证、一起拆穿幻觉，但不把方向盘交给模型。
3. AI、Codex、量化方法和人各做什么
接下来要拆清楚工具之间的分工。AI 可以生成解释，Codex 可以改代码，量化方法可以检验假设，但它们都不能替人承担判断和责任；只有边界清楚，协作才不会变成互相背书。
3.1 从好案例学可复查
优秀的量化和 AI 工程案例，真正值得学的通常不是“它用了什么神奇策略”，而是“它怎样把流程做得可复查”。
例如：
- QuantConnect LEAN（开源量化交易引擎） 把研究、回测、组合建模和多资产支持放进同一套开源引擎里，提醒我们：策略不是一句买卖建议，而是数据、组合、交易规则和运行环境共同作用的结果。
- Backtrader（基于 Python 编程语言的回测框架） 这类框架强调可复用策略、指标和分析器，也提醒我们不要每次都临时写一个只服务当前结论的小脚本。
- MlFinLab（金融机器学习工具库） 反复提醒回测很容易过拟合、制造“虚假的投资发现”；
- OpenAI Evals（模型评测框架） 的思路则告诉我们：面对不稳定的 LLM 输出，不能只凭感觉说“这版更好”，而要用固定样本、评分规程和失败样本去比较。
这些案例给我们的共同启发很朴素：别急着相信结果，先把结果变成别人也能检查的东西。
3.2 四个角色，别互相冒充
本专栏会反复出现四个角色：Codex、LLM、量化方法和人。它们可以配合，但不能互相冒充。
表 0-1 先把四个角色的边界放在桌面上。
| 角色 | 擅长什么 | 要留下什么证据 | 不能替代什么 | |
]]>
