实盘 - WWW.YOUINFO.SITE - WWW.YOUINFO.SITE

【A 股量化】利用 AI 做的 A 股日线时间序列预测模型，需要招募有兴趣的大佬实盘测试

LinuxDo 最新话题 · 2026-06-03 09:23:34+08:00 · tech

完全使用 AI 开发的模型，主打中长期交易。使用每只股票历史日线数据，提取关键参数，训练+验证集得出最佳模型参数，并在验证集上绘制对比曲线，可见下图。红绿曲线为实际收盘价（涨跌幅），黄金渐变曲线为 x天预测收盘价曲线（涨跌幅）。但是我当前没有可实盘交易的账号，因此需要大佬进行实盘测试。有兴趣的大佬可留下最近半年的交易截图，私信交流。提醒：AI预测结果，请仔细甄别。投资有风险，交易需谨慎。 5 个帖子 - 3 位参与者阅读完整话题

[投资] [分享] 如何避免量化回测里的未来函数？

v2ex · 2026-05-21 14:17:01+08:00 · tech

上次问了回测和实盘差距的因素，V 友 @KeinHong 特别提了“数据有未来函数”，最近又重新研究了下这块，和大家分享下收获： 1. 什么是未来函数？简单来说，就是在 T 时刻的代码逻辑里，使用了 T+1 时刻的信息。最典型的逻辑错误：收盘价陷阱：计算出今日收盘价突破压力位，然后在“今日开盘”买入。全局归一化：在预处理数据时，用了整个数据集的最大值/最小值。偷看一眼：使用 df\['close'\].shift(-1) 却忘了这是在模拟历史。 2. 难以察觉未来函数？在复杂的策略中，未来函数往往隐藏在数据清洗和特征工程阶段。一旦引入，回测结果就会变成上帝视角，曲线完美，但实盘时并没有上帝视角。 3. 尝试去掉未来函数以下是一个简单的 Python 示例，演示如何获取数据并确保交易决策仅基于过去的信息。 import time import requests import pandas as pd API_KEY = 'YOUR_API_KEY' BASE_URL = 'https://quote.alltick.io/quote-b-api/kline' def get_historical_data(symbol, bin_size='1m'): params = { 'token': API_KEY, 'symbol': symbol, 'kline_type': bin_size, # 1m, 5m, 1h, 1d 'query_count': 500 } response = requests.get(BASE_URL, params=params) data = response.json() if data['code'] != 200: print("Error fetching data") return None df = pd.DataFrame(data['data']['list']) df['time'] = pd.to_datetime(df['t'], unit='s') df.set_index('time', inplace=True) return df[['o', 'h', 'l', 'c', 'v']] # Open, High, Low, Close, Volume def backtest_logic(df): """ 一个简单的突破策略核心：确保信号产生后，在下一根 K 线才能成交 """ # 1. 特征计算：仅使用过去的数据 (shift 1 位) # 计算前 20 分钟的最高价，不包含当前这一分钟 df['prev_high'] = df['c'].shift(1).rolling(window=20).max() # 2. 产生信号：当前价格 > 过去 20 分钟最高价 # 注意：这里的 'c' 是当前时刻确定的，买入动作必须发生在‘未来’ df['signal'] = df['c'] > df['prev_high'] # 3. 模拟成交 (关键！避免未来函数) # 我们不能以产生信号那一刻的收盘价成交，而应模拟以“下一分钟开盘价”买入 df['execution_price'] = df['o'].shift(-1) # 计算收益 df['returns'] = 0.0 # 只有信号为 True 且我们有下一分钟成交价时才计算 hold_mask = df['signal'].shift(1) == True df.loc[hold_mask, 'returns'] = (df['c'] - df['execution_price'].shift(1)) / df['execution_price'].shift(1) return df.dropna() # 运行回测（以黄金 XAUUSD 为例） gold_data = get_historical_data('XAUUSD') if gold_data is not None: results = backtest_logic(gold_data) print(results[['c', 'prev_high', 'signal', 'returns']].tail(10)) 4. 如何自测？如果你怀疑回测有问题，尝试：随机噪声法：将历史数据的价格顺序随机打乱，如果策略还能跑出高收益，说明逻辑里肯定藏着未来函数——因为它正在利用“乱序”后的未来信息。信号漂移检查：记录下回测中某天的买入信号。然后删除该日期之后的所有数据，重新跑一遍。如果那个信号消失了，说明该信号依赖于未来的数据。最后，回测是用来证伪的，要时刻警惕 shift(-1) 或 max(future) 的逻辑，才能在量化这条路上走得远一点。欢迎大家来讨论下避免未来函数的方式

量化实盘记录

LinuxDo 最新话题 · 2026-05-19 22:31:01+08:00 · tech

野生非科班量化，跑了快两个月，策略实盘表现和回测预期差不多，虽然没跑赢大盘，但是胜在稳定，波动没那么大 21 个帖子 - 5 位参与者阅读完整话题

AI量化策略实盘记录

LinuxDo 最新话题 · 2026-05-10 13:18:31+08:00 · tech

大家好，这里是灵魂他哥背景：借助AI，新手从0做量化，是否能盈利？带着这样的疑问开启了我的量化之旅。目前大部分金融/量化相关的知识都是来自于AI或者AI给我推荐的资源/工具，大家如果感兴趣可以关注我，后续一个月更新一次我最新的量化收益。(没更新估计就是亏钱了 ) 时间线： 26年3月：接触到A8.5级的A股量化大佬，线下聊了很久对我深有启发，开始学习金融知识并保持一个平稳的心态(这很重要)。 26年3月底-4月初：用大佬传授我的经验+我学习的一些金融知识+AI给我的完整的策略总结，完成了第一版的A股量化策略，回测6年，年化收益率40%，但是因为资金，时机和软件等种种原因迟迟没有上架于实盘。 26年4月底-至今：经过一番调研，发现币圈/加密量化的各个门槛都较低，果断选择币圈量化先试试水；结合AI搓出第一版可用策略后： 1.前3天挂模拟盘收益率2%， 2.小资金实盘8天收益率10%， 3.5月6号进行较大一笔充值，账户余额来到了1020u，如今(5月10号)账户余额为1106u，4天8%的收益，目前还算可观。相关使用工具：量化框架： freqtrade/freqtrade: Free, open source crypto trading bot 策略生产AI：opus 4.6+GPT5.5 Agent：Claude code+codex 交易所：币安分享提示词： 1.让AI全网搜索，整理并学习：股票/币圈量化相关的量化知识。 2.使用指定框架freqtrade（这是币圈量化框架，可自行更换）进行回测，不能出现未来函数等过拟合行为。 3.直到跑出年化收益率高达50%(自己看着来)的策略后停下。跑出理想策略后先去模拟盘挂几天看看收益，再觉得是否实盘；这个方法缺点就是烧token。注意事项：公开一个有效策略的相关参数会导致该策略的Alpha收益会被平均掉，策略拥挤度也会上来，这里只做记录和简单分享。我主张小杠杆或者不加杠杆，如果佬实盘请注意风险控制。感兴趣可以关注我的后续，一个月更新一次进展，看我这个用AI写出来的量化策略最终是赚还是亏 20 个帖子 - 15 位参与者阅读完整话题

有无要佬友要量化组队的

LinuxDo 最新话题 · 2026-05-09 23:01:06+08:00 · tech

我目前写出来一个胜率还可以的量化策略，实盘跑着也比较稳定，加密领域的。但是我还有很多想法和假设还没来得及验证，加上平常还得有生活的事情，忙的我分身也忙不过来，想着有没有和有相同意愿的佬友一同组队来实现一些想法之类的，因为有时候真的这件事还没忙完别的事又来了，返回来这件事又忘了，列备忘录也是不停的被压栈，而且有时候…感觉没劲。。。y有无佬友愿意组队 25 个帖子 - 21 位参与者阅读完整话题

[投资] 回测和实盘差距最大的是哪一步？

v2ex · 2026-05-07 11:03:35+08:00 · tech

前段时间做的两件事：读书+v 友建议：重做量化研究流程做了个感受回测和实盘差异的小频率动量策略最近重新梳理整套流程（数据清洗 → 因子构建 → 回测 → 模拟盘）的时候，又越来越明显地感觉到：很多东西在回测里看起来还行，一到实盘就开始“变形”。目前自己踩到的一些坑比如：成交价和假设偏差（实际滑点明显比预期大）因子在不同时间段稳定性差异很大调参过程中不知不觉开始过拟合回测里能成交，实盘流动性其实不太够想问下各位做量化的 v 友：你最容易导致回测失真的环节一般在哪？比如：滑点/手续费低估数据有未来函数流动性假设不成立调参过度因子只在某个阶段有效回测撮合机制太理想化有什么特别有效的解决方案么？

[分享创造] 因为炒币合约亏太多了，用 ai 做了一个裸 K 实盘训练的网页，不用登陆欢迎大家来玩

v2ex.com · 2026-05-04 23:03:49+08:00 · tech