没有交易体系，只懂一点Python、会用AI编程，如何从0打造一套真正能赚钱的交易系统？

这几年我发现一个很有意思的现象。好多人开启学习之旅, 目的是搞量化交易, 往后又着手学习AI, 期望凭借AI迅速开发策略。然而学了一阵子后, 真切困扰他们的难题始终未得解决, 能写代码了, 也会运用AI了, 可依旧不清楚怎样的策略才可盈利。事实上, 绝大多数人所欠缺的并非是编程方面的技术能力, 而是那一套涵盖全面的交易研究架构体系。许多人错误地认为, 能赚钱的交易系统便是寻得一个神奇指标, 像MACD、KDJ、RSI又或者布林带, 接着配合AI生成几百行代码, 便可达成稳定盈利。然而事实正好相反, 真正可赚钱的交易系统, 向来不是某一个指标, 而是一整套持续去发现机会、验证机会以及管理风险的流程。假设要我带领一个全然没有交易体系, 然而对AI编程略懂一些且会加以运用的人, 我不会率先教导他去撰写策略, 反而是会让他先构筑起正确的交易思维。首先要改变的就是对市场的认知。很多交易新手每天都在思考一个问题明天会上涨吗实则真正的量化研究员几乎是不会这般去问的, 他们更为关心这一些, 即在何种情形之下往后上涨的可能性会显著高于下跌, 要是上涨那么平均能够涨多少, 要是下跌平均又会跌多少。交易不是预测而是统计。例举一个简便的事例, 我们能够全然运用统计过往十五年的数据, 去瞧瞧股票持续下跌五天之后, 第六天上涨的几率是多少, 其间平均上涨多少, 平均下跌到底有多少。要是统计得出的结果显示, 上涨的概率有了58%, 平均上涨的幅度为1.8%, 然而平均下跌仅仅只有0.9%, 那么这样的情形便是一种统计的优势啦。量化交易切实寻觅的, 并非百分百精准无误的预测, 而是长久存续的统计优势。有了这种思维之后下一步就应该建立自己的数据平台。众多初学者每日都在进行数据下载, 于撰写策略之际下载一回, 于回测之时又下载一回, 次日持续做相同的事, 时间一长, 效率不光低下, 且易引起数据版本错乱。更好的方式是搭建属于自己的数据库。它每日都会自动去更新A股的整体行情, 以及指数、ETF、板块等方面的数据, 还有财务数据、资金流数据也好包括在内, 然后把所有这些数据全部统一起来进行保存。后续不管是打算去研究任何一种策略, 都能够直接从数据库当中读取数据来看而并非是再次去进行下载, 是这样的情况哈。这一步看似不起眼却是所有量化研究的基础设施。有着许多成熟的量化团队, 耗费在数据建设方面的时间, 进而连策略开发所花的时间都要更多。有了数据以后大多数人都会迫不及待开始写策略。但真正正确的流程其实正好相反。不要先写策略而是先研究市场。我的建议是每天给自己提出几个交易假设然后利用去验证。例如连续三根阳线之后第二天下跌的概率是不是更高放量突破二十日新高之后未来五天的收益率是否明显提高MACD金叉到底有没有统计优势周五买入、周一卖出是否存在日历效应不能够凭借主观感觉, 不可以去相信网络之上所存在的经验, 另外, 更加不可以仅仅因为别人声称具有效果就直接把它拿去进行交易。所有结论都交给数据回答。倘若每日对三至五个假设予以验证, 历经一年时间, 你极有可能达成上千次的统计实验。最终你会发觉, 当中绝大多数的规律是毫无效用的, 真正具备统计优越之处的大概仅仅有十几个。而这十几个规律就是属于你的Alpha。很多人寻找圣杯策略其实市场并不存在这种东西。真正赚钱的策略往往都是很多弱优势组合在一起形成的。比如仅仅使用MACD金叉胜率可能只有52%。要是再添加上成交量呈现放大态势, 股价稳稳站于六十日均线上方, 指数顺着趋势向上运行, 行业处于强劲的阶段情状, 再搭配资金出现流入局面, 进行市值过滤这般的条件, 原本极为平常的一个信号, 或许就会慢慢演变成具备显著优势凸显的交易机会。这也是为什么很多人照着网上公开策略去做最终效果都不好。究其原因在于, 他人所公开呈现出来的, 常常仅仅是其中一项条件, 然而, 真正能够实现盈利赚钱的, 却是那完整的一整套组合。当然即使拥有了不错的策略也并不意味着一定赚钱。很多人研究几年指标却很少研究资金管理。事实上资金管理的重要性远远超过大多数技术指标。假设有两个策略。达到70%胜率的是第一个策略, 然而每次盈利仅, 只有2%, 可亏损却达到5%。存在这样一个策略, 它是第二个策略, 其胜率仅有45%, 然而, 每一次盈利的时候, 能够达到8%, 并且, 亏损被控制在2%。长期来看第二种策略反而更容易赚钱。真正决定收益的从来不是胜率而是盈亏比。卓越的那些交易员, 并非一味地把所有精力都放置于提升胜率这一方面, 而是持续不断地去思索怎样把控亏损情况, 进而使得盈利能够持续不断地扩大开来。有止损, 有止盈, 有移动止损, 有分批减仓, 还有仓位控制, 这些内容, 瞅着, 并没有指标让人觉得那般具有吸引力, 然而, 却决定着, 一个交易系统, 最终到底能不能长期存活下来。最后也是最容易被忽略的一点。交易系统不是一次写出来的而是不断迭代出来的。第一版可能只是简单均线策略。第二版增加成交量过滤。第三版加入指数趋势过滤。第四版增加行业轮动。第五版加入波动率控制。……真正成熟的交易系统往往经历几十甚至上百次版本迭代。市场一直在变化没有任何策略能够永远有效。真正具备竞争力的情形, 并非是持有一个永远不会过时的策略, 而是拥有能够持续去发现优势的能力, 拥有可以持续验证优势的能力, 拥有能够持续优化优势的能力。那么, 对于已会些许、且能够借助AI去写代码的人来讲, AI究竟该如何去使用呢?诸多的人, 期望着AI直接去生成出一个谋取钱财的策略, 然而这实际上是对于AI最为严重的误解。AI真正的价值并不是替你交易而是成为你的研究助手。你能够让AI协助你去编写统计程序, 从而自动验证交易假设, 还能够使那AI批量生成不同参数组合, 进而自动完成回测, 甚至能够让AI每日提出几十个全新的研究方向, 然后利用自动完成验证。往昔, 一项工作, 需一名研究员耗费几周方可完成, 如今, 借助人工智能, 或许一日便能告成。那些在未来具备真正竞争力的人, 并非必然是编程能力最强的人, 反而是那些最擅长提出问题的人。最后我想分享一条我认为最适合普通人的学习路线。第一个月, 构建起归属于自身的那种数据平台, 将全部股票数据予以自动下载, 接着进行清洗, 而后加以存储。到了第二个月的时候, 不进行策略的撰写工作, 仅仅开展统计研究这个行为, 要达成最少一百个市场规律为依据的实验。到了第三个月, 开始学习经典的交易模型, 去理解, 有着趋势、动量、均值回归、突破等不同情况的策略它们背后所蕴含的逻辑。在第四个月的时候, 着重进行风险控制的学习, 将仓位管理切实融入策略之中, 还把止损止盈切实融入策略之中。到了第五个月, 借助AI构建自动化的研究流程, 使得AI协助自己批量去生成以及验证交易假设。到了第六月, 从中挑选出确实具备统计优势的策略, 这些策略来自整体所有的研究成果里, 然后据此组合成适合自己的投资组合, 接着持续不断地对其展开实盘跟踪, 还要进行迭代优化。很多人问我交易最重要的是什么以前我会回答是策略。后来越来越觉得真正重要的其实是一套研究系统。缘由是一个策略早晚都会失效, 然而一套可以持续寻觅机会、证实机会、摒弃失效策略的研究体系, 才的确是能够伴随你多年的核心竞争力。若你已然略微了解一些, 且已然着手开始尝试借助 AI 进行编程, 那么千万别将自己认定为一个撰写策略的人。更应该把自己定位成一名量化研究员。以后你的工作, 并非寻觅那个被传说的“圣杯策略”, 而是构建一条归属于自身的流水线, 持续地提出假设, 借助 AI 达成开发, 采用验证结果, 经由回测对效果开展评估, 进而持续进行优化与迭代。当这套体系切实建立起来之际, 你会发觉, 赚钱已然不再倚赖某一个策略, 而是仰仗你持续创造策略的本事, 了。