这是个悲伤的故事 5 个帖子 - 3 位参与者 阅读完整话题
这个世界真的好奇怪，形形色色，给你希望又给你失望，时而开心时而悲伤，一生不过九十载，如尘埃，在宇宙面前如此渺小，却又时刻幻想着宇宙的模样，世界究竟是个怎么样的，真的好复杂 18 个帖子 - 18 位参与者 阅读完整话题
6月1号早晨，四个TEAM出现401，重新登录，没有要求手机验证 6月2号早晨，四个TEAM再次全部401，重新登录，全部要求手机验证 四个TEAM账号分别用了两个不是非常纯净的落地IP，开启了Google authenticator验证，依然躲不过 大概是因为我用的太多了，这几天几乎每天四个账号都把5小时窗口消耗完… 手机卡还没搞定，暂时用DeepSeek顶一下 顺便问一句各位，giffgaff有激活时间要求吗？英国凌晨不能激活？ 2 个帖子 - 2 位参与者 阅读完整话题
今天早上用的时候，打开长链支付链接，已经没有pp支付的选项了。 悲伤啊！ 3 个帖子 - 2 位参与者 阅读完整话题
悲伤，codex 余额不够用，今天突然想起来自己是大学生，用学校邮箱申请 GitHub copilot 学生优惠的时候才发现 从 2026 年 4 月 20 日起，新的注册 Copilot ProCopilot Pro+和学生计划将暂时暂停。 https://docs.github.com/zh/copilot/how-tos/copilot-on-github/set-up-copilot/enable-copilot/set-up-for-students
悲伤，codex 余额不够用，今天突然想起来自己是大学生，用学校邮箱申请 GitHub copilot 学生优惠的时候才发现 从 2026 年 4 月 20 日起，新的注册 Copilot ProCopilot Pro+和学生计划将暂时暂停。 https://docs.github.com/zh/copilot/how-tos/copilot-on-github/set-up-copilot/enable-copilot/set-up-for-students
悲伤，codex 余额不够用，今天突然想起来自己是大学生，用学校邮箱申请 GitHub copilot 学生优惠的时候才发现 从 2026 年 4 月 20 日起，新的注册 Copilot ProCopilot Pro+和学生计划将暂时暂停。 https://docs.github.com/zh/copilot/how-tos/copilot-on-github/set-up-copilot/enable-copilot/set-up-for-students
悲伤，codex 余额不够用，今天突然想起来自己是大学生，用学校邮箱申请 GitHub copilot 学生优惠的时候才发现 从 2026 年 4 月 20 日起，新的注册 Copilot ProCopilot Pro+和学生计划将暂时暂停。 https://docs.github.com/zh/copilot/how-tos/copilot-on-github/set-up-copilot/enable-copilot/set-up-for-students
【实践分享】如何手搓一个RAG 前言 1.之前有看到佬友分享使用dify的悲伤经历，还有搭建知识库踩过的坑，在下面我也评论了一下，佬友希望我开贴细说一下，今天写在这里。 2.项目是24年的，但是我也没什么很深厚的理论基础，毕竟23年GPT才开启第一波开源；然后我真正手搓项目是在24年，所以这个分享可能有点简陋；并不是我不愿意分享自己的知识，只是我的理论其实也很薄弱，拿的出手的只有一点实践。 关于RAG的回忆 23年，我们对大模型的应用还很薄弱，当时业界有两个分支： 1.用原生大模型，用不同的问法。（这个就是后来提示词工程和rag的原型） 2.微调大模型。（当时的主流方法我已经不记得了，我只记得我试过了没有） 因为严格意义上来说，我并不是一个底层的AI开发，我是属于AI应用开发。微调我实在是整不明白，其次，微调需要很多语料，当时的知识库并没有被很多公司接纳，我得到的语料其实就那么几十个文档。 衡量利弊之下，我选用了方案一。那么接下来有两个东西就很重要了：提示词、知识库。 上面说的这些其实都算免责申明了，很菜，别骂。 回忆结束，进入正题。 RAG流程 检索增强生成 有一套比较简单的流程： 用户提问->文档检索->提示词拼接文档，发给大模型->大模型返回结果 但是我要讲的是一套稍微复杂一点的流程： 用户提问->问题重写->意图识别（可以不要）->文档检索->提示词拼接文档，发给大模型->大模型返回结果 这个我会在下面展开讲。 用户提问与提示词 后端接收到前端传来的用户提问。 我们当然不可能直接把用户的提问传给大模型，就说最简单的，我们在 messages=[ {"role": "system", "content": "You are a helpful assistant. Help me with my math homework!"} ] 这个json里面写的东西，其实就是我们的提示词。他是我们使用大模型的开始，也是大模型能够更精确回答用户问题的开始。 问题重写（连续对话的根本） 问题重写，顾名思义就是把用户的问题，进行重构。当时的大模型并没有那么长的上下文，不能像现在一样，把用户和大模型的对话全部发给大模型。而且，过长的报文带来的是过长的等待时间和非常差的用户反馈。 因此，问题重写就出现了。这样说可能不够明确，我给大家举个例子吧。 以下这个是很简单的对话： messages=[ {"role": "system", "content": "You are a helpful assistant. Help me with my math homework!"}, {"role": "user", "content": "Hello!"} ] 但如果用户进行了十几轮的对话呢，就会变成下面这样。 messages=[ {"role": "system", "content": "You are a helpful assistant. Help me with my math homework!"}, {"role": "user", "content": "Hello!"}, {"role": "assistant", "content": "Hello!"}, {"role": "user", "content": "Hello!"}, {"role": "assistant", "content": "Hello!"}, {"role": "user", "content": "Hello!"}, {"role": "assistant", "content": "Hello!"}, {"role": "user", "content": "Hello!"}, {"role": "assistant", "content": "Hello!"}, {"role": "user", "content": "Hello!"}, {"role": "assistant", "content": "Hello!"}, {"role": "user", "content": "Hello!"}, {"role": "assistant", "content": "Hello!"}, {"role": "user", "content": "Hello!"}, {"role": "assistant", "content": "Hello!"}, {"role": "user", "content": "Hello!"}, {"role": "assistant", "content": "Hello!"}, {"role": "user", "content": "Hello!"}, {"role": "assistant", "content": "Hello!"}, {"role": "user", "content": "Hello!"}, {"role": "assistant", "content": "Hello!"}, ] 我们不可能把这种message全部传给大模型的，当然，实际生产的情况更复杂，但无论如何，我们不可能把所有的上下文全部传给大模型。 那有人会问了，那我只传最新一次的不就好了？ 是的，效率提升了，但是大模型连续对话的能力没有了。 所以我们要压缩上下文，在压缩上下文的同时，还需要最大程度地保证上下文是有意义的、能够讲明白用户问题的。 最简单的方式，就是把用户当前最新一句话，以及前几轮对话+我们预先写好的提示词，传给大模型，让他进行问题重写。然后用这个问题重写的结果，作为 真正的用户提问 。 这里举一个真实的例子： user：Ame是谁？ assistant：Ame 是Dota2职业选手王淳煜的ID。 user：他在哪个队打过？ 重写后： user：Ame（王淳煜）在哪些Dota2战队效力过？ 意图识别 应用场景： 如果知识库过多，或者你的机器人（现在叫智能体）功能比较多，你要识别用户是不是想进行知识问答。 实现方式： 这里的实现方式有很多种，最简单的是直接让大模型对用户的提问进行意图识别；难一点的就是让大模型进行意图识别并在代码中进行处理。 好处和坏处： 好处是我们这样之后，文本检索可能会更准，比如我们有30个知识库，先通过意图识别进行一次初筛，然后对对应的知识库进行检索。 坏处就是链路变长了，速度变慢了。 但是，经过我的实践发现，在多知识库、多工具、多业务入口时，这是不可缺少的一环，而且这一环最好和用户进行交互后完成。不然用户不仅会骂机器人笨，还会说机器人胡言乱语。 文档检索（重点） 接下来是文档检索，我们需要准备一个向量化模型、一个向量库。 知识库构建 知识库 有人总是把知识库的构建说的很高大上啊，其实很简单，就是把文档向量化，然后存在向量库里面。 这就是知识库。知识库的质量就是文档的质量，知识库的效率就是向量库的查询效率。 文档分块 为什么我的知识库是依托答辩？ 为什么我的问答机器人总是胡言乱语？ 明明我把文档给他了，原文我都看得明明白白在这一页了，为什么他就是答不上来？ 就是因为你分档分块有问题。 我一开始手搓的时候，用的是FAISS向量库，当时是500个字一个块。这就有很大的问题了，段落会被截断啊，明明是同一个章节的内容，他就是识别不来。 那么有人会说了，那我们把章节也加上去。那你加到几级标题呢，文档名称要不要加呢？ 你先别急着回答，我也不会回答，因为这个要具体问题具体分析，需要结合实际情况调测。但我很明确告诉你，无脑加是不行的。 那么那些很吊的RAG，他们是怎么分块的呢？ 我这里慢慢介绍大家优化分块的方式，首先第一个是 分块重叠 。 分块重叠（chunk overlap） 分块重叠是系统切分时让相邻 chunk 共享一部分内容 。比如： 分块500字，重叠100字。 那么实际上我们得到的分块结果是： 第一块：0-500字。第二块：400-900字。第三块：800-1300字。 这样做的目的不是让每个分块变大，而是避免文本语义被切断。举个最简单的例子。 原文： 在日语里，ame通常写作「雨」，意思是“雨”。所以看到ame ga furu， 一般可以理解为“下雨”。但在下面这段电竞报道里，Ame不是日语单词， 而是Dota2职业选手王淳煜的ID。 他在这场比赛中使用幻想系一哥们完成收割，帮助队伍赢下团战。 如果没有分块重叠，那么切块的结果是 分块1: 在日语里，ame通常写作「雨」，意思是“雨”。所以看到ame ga furu， 一般可以理解为“下雨”。但在下面这段电竞报道里，Ame不是日语单词， 分块2: 而是Dota2职业选手王淳煜的ID。 他在这场比赛中使用幻想系一哥们完成收割，帮助队伍赢下团战。 你提问：ame是谁的ID？ 大模型回答：ame是雨的ID，因为你命中分块1的概率更高。 加上分块重叠后，切块的结果是 分块1: 在日语里，ame通常写作「雨」，意思是“雨”。所以看到ame ga furu， 一般可以理解为“下雨”。但在下面这段电竞报道里，Ame不是日语单词， 分块2: 但在下面这段电竞报道里，Ame不是日语单词， 而是Dota2职业选手王淳煜的ID。 他在这场比赛中使用幻想系一哥们完成收割，帮助队伍赢下团战。 这时候的答案就完全不一样了。 那有人会说了，两段一起传不就好了？直接两个分块怼过去： 分块1: 在日语里，ame通常写作「雨」，意思是“雨”。所以看到ame ga furu， 一般可以理解为“下雨”。但在下面这段电竞报道里，Ame不是日语单词， 分块2: 而是Dota2职业选手王淳煜的ID。 他在这场比赛中使用幻想系一哥们完成收割，帮助队伍赢下团战。 是可以的，但是两段一起传属于另一个优化方向： 知识库的检索之Top-K 。我还没说到检索方面的优化，我现在在讲的是知识库构建方面的优化。 那么我们还有什么其他的优化方式呢？ 语义分块 方法一： 这个比较无脑很好用，既然分块那么麻烦，我直接用大模型分块不就是了？ 我的超级智慧告诉我，用大模型就完事了。 既然写代码那么麻烦，我交给codex不就是了。 放弃所有思考，agent代替大脑。 方法二： 老老实实搞点语义识别的边界，例如：标题、小节、段落等。 给分块补内容 这是前面说的给分块补内容，就是在分块里面加标题和信息来源。也是用刚刚的例子： 标题：Ame的不同含义 来源：电竞术语说明 正文：在Dota2语境中，Ame通常指职业选手王淳煜。 父子分块（超级常用） 你叫父子分块也好，你叫小块检索+大块返回也罢。反正就是这么个玩意，稍微说一下区别吧。 小块检索+大块返回： 向量化的时候，我只向量化其中100个字，但是我存在向量库里的结构，包括了前面的50个字，和后面的50个字。这样我实际检索出来的内容其实是200个字。这里我要换个例子，不能用之前那段话了： 标题：Ame的不同含义 Ame在日语中可以表示“雨”，写作「雨」，读作「あめ」。 例如ame ga furu，意思是“下雨”。 但在Dota2语境中，Ame通常指中国职业选手王淳煜的比赛ID。 他长期担任核心位选手，因稳定的后期能力被很多玩家熟知。 接下里小块切分： 分块1： Ame在日语中可以表示“雨”，写作「雨」，读作「あめ」。 分块2： ame ga furu 的意思是“下雨”。 分块3： 但在Dota2语境中，Ame通常指中国职业选手王淳煜的比赛ID。 分块4： 他长期担任核心位选手，因稳定的后期能力被很多玩家熟知。 检索时，用小块去匹配问题。 用户问：dota2里的ame是谁？命中分块3，但是实际上我们会传给大模型一整段。 大模型回答：dota2中ame是王淳煜的ID，他是核心位选手。同时，ame还在日语中表达“雨”。ame取这个名字为id可能表示了他对雨的喜爱。 这时候用户就会想了，我靠，这个大模型这么聪明啊，居然还有引申！ 其实是我们传的。 父子分块： 对大章节进行语义汇总，作为父块，每一个不同部分作为子块，检索时用子块，更精确，回答时带上父块，上下文更完整。依旧举例： 父块：一整节，讲Ame的不同含义 子块1：Ame在日语中的含义 子块2：Ame在 Dota2中的含义 子块3：如何根据上下文区分Ame 一样的情况，这里我就不举例了。 知识库检索 知识库的检索，简而言之就是把用户的问题向量化，然后去向量库里比对向量相似性，然后把相似性最高的拿出来，这段文本里的内容，就是用户问题的答案。 但是你懂的，生活总是艰难的，一如检索到正确的文本。 最最简单方法之向量相似度。 向量相似度 不管有的没的了，我直接： select * from table where col like '%我的问题%' 当然，这个是写给懂sql但是不懂向量库的同学看的，原理不是这样，但实际情况差不多。 实际上向量相似度是一个数学概念，知识库会把每个分快转化为embedding向量（我很不喜欢说英文概念，但是embedding的中文我是真不常说）。然后把你的输入条件也转化为向量，最后通过余弦相似度、点积或者欧式举例，返回他们之间的距离或者相似度。 注意，向量相似度本身只是数学距离，它不等于真正理解语义；只是因为embedding 模型会尽量把语义接近的文本映射到相近位置。所以向量检索能做语义近似，但效果高度依赖embedding模型质量。 比如Dota2这个游戏，聪明的embedding会把这一整个当成一个名词，笨一点的分词结果为:D,o,t,a,2。结果显而易见，一个词被分成了5个字母，语义直接被切碎了。 语义相似度 两段话字面上不一定一样，但表达的意思很接近。 这个也是靠embedding模型实现的，同样的例子我甚至可以再说一遍，比如Dota2这个游戏，聪明的embedding会把这一整个当成一个名词，笨一点的分词结果为:D,o,t,a,2。结果显而易见，一个词被分成了5个字母，语义直接被切碎了。 那么有人会问了，那和上面的也没有区别啊。 是的，严格来说，向量相似度和语义相似度不是两个独立的检索方式。 在RAG里，我们通常是先用embedding模型把文本转成向量，再计算向量之间的距离。这个距离就是向量相似度。 而我们真正关心的是：两段文本的意思是不是有关来拿。这个叫语义相似度。 所以可以这么理解： 向量相似度是系统实际算出来的分数；语义相似度是我们希望这个分数能够代表的含义。 embedding模型越好，向量相似度就越接近真实的语义相似度。 Top-K 中文翻译：“取前 K 个结果”。依然举例： Top1：Ame是Dota2职业选手王淳煜 Top2：Ame在日语中表示雨 Top3：PSG.LGD战队介绍 Top4：Dota2职业选手列表 如果 K=3，就取前三个。 因为Top-K不是一种复杂算法，它更像一个参数： 召回多少条候选内容 。 K 太小，可能漏掉正确答案；K 太大，噪声会变多。 关键词检索（BM25） 顾名思义就是用专有名词、编号、术语、代码、产品名之类的东西，直接进行关键词匹配。 多路召回 其实就是在检索的时候，用很多种方式进行检索，得到不同的答案，然后合并、去重、重排，得到一个或几个最终的结果（这里也是可以给定参数的）。有点类似于 异质集成学习 。 直接上用法： 1.向量召回：找语义相近的内容 1.关键词召回：找包含Ame、Dota2、王淳煜的内容 1.元数据召回：限定domain=电竞、game=Dota2 1.标题召回：优先匹配文档标题、章节标题 1.问题改写召回：把问题改写成多个版本分别检索 2.用某种方法集成、返回给大模型 加个序号，代表前面4个是并行的。 rerank重排序 王中王，文档检索真正的王。但是非常非常非常吃性能。 你不用这个，5s回答完毕，你用这个，30s回答完毕。 比如你得到了20条文档检索结果，重排序模型会把最适合回答问题的分块，放到最前面。 混合检索（常用） 我们要知道的是，数据库的检索方式并不是多选一的，而是可以一起使用的， 例如：向量负责语义、关键词负责精确匹配、rerank负责最终排序 这样我们得到的结果会更加精准。 图谱检索（基于知识图谱的检索） 适合实体关系很强的知识库。 比如一个东西有别名，或者说映射关系很明显的时候，会用到这个。 它在组织关系、产品依赖、法规条款、故障链路、人物关系里其实挺有用。 但是这个搭建成本太高，不是所有知识库都值得做。 提示词拼接模板，发给大模型 这里就结合业务、检索结果、写一段提示词，发给大模型。 大模型返回结果 有人会说了，大模型返回结果不是很简单的么，这个也算流程之一？ 算了。实际运用的时候，你不仅希望大模型告诉你答案，你还希望他告诉你答案是哪里来的，所以返回的结果我们是要加工的，比如来自哪个段落、来自哪个文件。这些东西大模型是不知道的，需要你在手搓的时候，留个字段来存。 总结 纯手搓，里面可能有很多错别字，主要是答应了佬友要写，赶工出来的。先发后改。尽量做到不误人子弟吧。 3 个帖子 - 3 位参与者 阅读完整话题
用小米大模型算了一个佬友的加密API，消耗了2万多的token，算了个寂寞 2 个帖子 - 2 位参与者 阅读完整话题
后量子加密PGP实现全都是不支持不兼容 被迫找Proton的go库临时搓了个TUI用于过渡 1 个帖子 - 1 位参与者 阅读完整话题
因为在同一个实验室 我后面要如何处理这个事情呀 我现在已经不在想我和师妹的可能性 就是如何快速调整我都心态 同时避免尴尬 84 个帖子 - 19 位参与者 阅读完整话题
昨晚买了3个team，今早兴致勃勃地去加cpa结果全要接码www 哎，悲伤， 这把靠接码平台能挺过去，可是下把又没有如此便宜的team了， 试用已乘黄鹤去，此地空余deactivated。 team一去不复返，code千载空悠悠。 再见了5.5 （ds加油啊！争口气啊！Preview这样不错了，正式版支棱起来的话我累计给gpt冲了多少我就也给你冲多少！我们这些苦哈哈看外模脸色的老哥苦他们已久了555 4 个帖子 - 3 位参与者 阅读完整话题
这是一个悲伤的实盘复盘，也是一篇价值可能远超本金的“避坑指南”。 交学费了 背景：2005 年就开了股票账户，但一直没有买卖过股票，觉得看不懂。直到 2025 年初，才开始学习研究量化，并用 2.5 万起步人工或量化实盘。 比较典型新手行为：2025 年 6 月 24 日 2.5 万开始，跑了 1 周效果不错，7 月 1 日加仓到 5 万，又看这不错，8 月 12 日加仓到 10 万，经过 9 月，10 月，11 月收益震荡下行，hold 不住了，12 月中旬逐步减到 3 万，被市场上了一课，交了充足的学费。 截止今天亏损 19538 元，亏损比例-20.75%，实际量化亏损没这么多，量化亏损 11359 元，亏损比例-10.17%，其他 8000 多元是人工操作亏的（新手常见行为：看不得资金空仓，有资金就想操作，量化空仓就人工操作）。 我分别记录了我每个实盘量化策略的交割单，一看就知道各个量化策略的亏损情况。 前后总共实盘过 5 个策略，现在还在实盘的策略 2 个，另外 3 个停掉了，5 个策略都是小市值策略。 因为作为一个菜鸟，深知股市水深，所以入场前我给自己定了个死规矩： 只拿“全亏完也不会影响明天中午吃猪脚饭”的钱来试水。 这一年，从刚跑通第一个策略时坚信能“打造印钞机”，到后来被市场反复毒打、在深夜里改 Bug ，我经历了一个典型“量化韭菜”的完整心路历程。今天，我们就来算算这笔账。 1. 初入量化的“上帝视角”（过度自信期） 每个刚碰量化的人，都会经历一段短暂的“蜜月期”。 那时候，只要在回测平台上稍微调整几个参数（比如把均线周期改一改，加个 MACD 过滤），就能跑出一条令人血脉贲张的“完美 45 度角”向上收益曲线。 看到的让人心动的策略收益示例 带着“原来搞钱这么容易”的错觉，我把这 2 万块真金白银接入了实盘。 第一天上线的时候，那种看着程序自动读取行情、自动下单、自动撤单的爽感，让我有一种稳拿诺贝尔经济学奖的错觉。 然后，现实的毒打立刻就来了。 我遇到的第一个大坑，不是策略失效，而是代码 Bug 。 比如，策略条件触发了，但因为没有处理好“涨跌停板买不进/卖不出”的逻辑，程序疯狂向交易所发废单报报错；或者因为网络抖动了一下，持仓状态没对齐，该卖的没卖，导致直接吃了隔夜的一个大跌。 那一刻我才明白： “写一个能在历史数据里赚钱的策略”和“写一套能在现实世界里活下来的交易系统”，完全是两码事。 2. 市场的毒打与信仰崩塌（绝望之谷） 度过了最初的工程摩擦期，真正考验心脏的是极端的市场行情。 回测里的数字是冰冷的，回撤 20%在你眼里可能只是 Excel 里的一个“-0.2”。 但在实盘里，看着账户每天缩水，你的心理防线是会崩溃的。 今年遇到了好几波风格剧变（比如微盘股的流动性危机）。我眼睁睁看着往日表现优异的策略连续吃面。 实盘大回撤瞬间* 在这种压力下，我犯了量化交易的大忌—— 人工干预机器。 看着连续下跌，我实在忍不住了，心想“这肯定不对劲”，于是强行手动平仓，甚至直接停掉了策略。结果往往是：我刚一平仓，第二天就大涨反弹；等我懊悔地再把程序开起来，它又接到了山顶上。 机器的逻辑被我的人性彻底破坏，两头挨耳光。 到了现在算总账，这 2 万块钱最终……（亏损 19538 元，亏损比例-20.75%）。讲真，我还不如把它放在余额宝里赚顿排骨汤。 3. 亏钱买来的 4 个“血泪教训” 虽然亏了钱，但这 2 万块的学费交得值。我总结了 4 个极其昂贵的教训： 教训一：千万警惕“过拟合”与未来函数 你以为你发现的圣杯，往往只是你的模型恰好“背诵”了过去的历史答案。市场是动态博弈的，过去有效不代表未来有效。如果在回测里加了太多条件去过滤亏损交易，实盘必然扑街。 ? 避坑参考资料 ：如果你不确定自己的策略是否陷入了“过拟合”的陷阱，建议跑实盘前先看看这篇聚宽社区大佬的干货： 策略过拟合诊断工具 ，里面提供了一套非常系统性的实战自我诊断方法。 教训二：磨损是看不见的“利润刺客” 很多新手回测时根本不设滑点，或者把手续费设得极低。在小资金加上稍高频的交易下，买卖一次的印花税、佣金，加上实盘买高一分、卖低一分的滑点，能把你预期的微薄利润吃得干干净净。 你以为你在赚钱，其实你在给券商打工。 我实际量化实盘用的是一个免 5 低佣账号，手续费已经是很低很低了，不然亏损会更多。 教训三：稳定大于一切，工程能力决定下限 策略再好，API 挂了、断网了、订单没成交导致状态死锁了，全都没用。做好异常处理、断线重连、实盘与本地账户的数据对账，这些枯燥的“基础设施”建设，花的时间比写策略本身还要多。 教训四：量化交易，其实更考验“人性” 最大的敌人不是市场，而是那个看着账户回撤想要“拔网线”的自己。真正成熟的量化交易，是要在这个系统跑之前就想清楚所有极端情况，然后闭上眼睛，让机器执行。 4. 总结与下一步：我还做量化吗？ 做，当然继续做。 虽然第一年交了学费，但量化帮我戒掉了作为一个散户的“赌徒心理”。我不再凭感觉冲动买卖，不再去听信各种大 V 的小道消息，之前加的几个大 V 的股票群也退了。它强迫我建立起了一套 客观、去情绪化、可验证 的市场分析框架。 接下来的计划，我会回归常识，降低对收益的虚幻预期，把精力更多地放在交易系统的底层建设上。之前觉得策略回测年化没个几十个点，都不好意思发出来，也不会考虑去实盘，现在觉得能稳定跑赢指数，控制回撤，就是不错的策略了。 更关注策略的实盘表现，而不是回测表现。也希望从技术的角度，在策略实盘前也能尽可能的通过工具评估策略可能的风险（比如上上面提到的社区的过拟合诊断工具），而不是盲目上实盘。也认识到不同策略有不同的适用市场，需要根据市场情况选择合适的策略。 最近在研究的策略 个人的力量和认知是有限的，向大家学习，精进自己，也希望和大家一起交流，共同进步，任重道远。 最后，给所有想用 Python 写个代码或量化平台复制一个策略就去股市里捡钱的新手一句忠告： 永远敬畏市场！请务必只拿“亏光了也不影响生活”的钱来交学费。
这是一个悲伤的实盘复盘，也是一篇价值可能远超本金的“避坑指南”。 交学费了 背景：2005 年就开了股票账户，但一直没有买卖过股票，觉得看不懂。直到 2025 年初，才开始学习研究量化，并用 2.5 万起步人工或量化实盘。 比较典型新手行为：2025 年 6 月 24 日 2.5 万开始，跑了 1 周效果不错，7 月 1 日加仓到 5 万，又看这不错，8 月 12 日加仓到 10 万，经过 9 月，10 月，11 月收益震荡下行，hold 不住了，12 月中旬逐步减到 3 万，被市场上了一课，交了充足的学费。 截止今天亏损 19538 元，亏损比例-20.75%，实际量化亏损没这么多，量化亏损 11359 元，亏损比例-10.17%，其他 8000 多元是人工操作亏的（新手常见行为：看不得资金空仓，有资金就想操作，量化空仓就人工操作）。 我分别记录了我每个实盘量化策略的交割单，一看就知道各个量化策略的亏损情况。 前后总共实盘过 5 个策略，现在还在实盘的策略 2 个，另外 3 个停掉了，5 个策略都是小市值策略。 因为作为一个菜鸟，深知股市水深，所以入场前我给自己定了个死规矩： 只拿“全亏完也不会影响明天中午吃猪脚饭”的钱来试水。 这一年，从刚跑通第一个策略时坚信能“打造印钞机”，到后来被市场反复毒打、在深夜里改 Bug ，我经历了一个典型“量化韭菜”的完整心路历程。今天，我们就来算算这笔账。 1. 初入量化的“上帝视角”（过度自信期） 每个刚碰量化的人，都会经历一段短暂的“蜜月期”。 那时候，只要在回测平台上稍微调整几个参数（比如把均线周期改一改，加个 MACD 过滤），就能跑出一条令人血脉贲张的“完美 45 度角”向上收益曲线。 看到的让人心动的策略收益示例 带着“原来搞钱这么容易”的错觉，我把这 2 万块真金白银接入了实盘。 第一天上线的时候，那种看着程序自动读取行情、自动下单、自动撤单的爽感，让我有一种稳拿诺贝尔经济学奖的错觉。 然后，现实的毒打立刻就来了。 我遇到的第一个大坑，不是策略失效，而是代码 Bug 。 比如，策略条件触发了，但因为没有处理好“涨跌停板买不进/卖不出”的逻辑，程序疯狂向交易所发废单报报错；或者因为网络抖动了一下，持仓状态没对齐，该卖的没卖，导致直接吃了隔夜的一个大跌。 那一刻我才明白： “写一个能在历史数据里赚钱的策略”和“写一套能在现实世界里活下来的交易系统”，完全是两码事。 2. 市场的毒打与信仰崩塌（绝望之谷） 度过了最初的工程摩擦期，真正考验心脏的是极端的市场行情。 回测里的数字是冰冷的，回撤 20%在你眼里可能只是 Excel 里的一个“-0.2”。 但在实盘里，看着账户每天缩水，你的心理防线是会崩溃的。 今年遇到了好几波风格剧变（比如微盘股的流动性危机）。我眼睁睁看着往日表现优异的策略连续吃面。 实盘大回撤瞬间* 在这种压力下，我犯了量化交易的大忌—— 人工干预机器。 看着连续下跌，我实在忍不住了，心想“这肯定不对劲”，于是强行手动平仓，甚至直接停掉了策略。结果往往是：我刚一平仓，第二天就大涨反弹；等我懊悔地再把程序开起来，它又接到了山顶上。 机器的逻辑被我的人性彻底破坏，两头挨耳光。 到了现在算总账，这 2 万块钱最终……（亏损 19538 元，亏损比例-20.75%）。讲真，我还不如把它放在余额宝里赚顿排骨汤。 3. 亏钱买来的 4 个“血泪教训” 虽然亏了钱，但这 2 万块的学费交得值。我总结了 4 个极其昂贵的教训： 教训一：千万警惕“过拟合”与未来函数 你以为你发现的圣杯，往往只是你的模型恰好“背诵”了过去的历史答案。市场是动态博弈的，过去有效不代表未来有效。如果在回测里加了太多条件去过滤亏损交易，实盘必然扑街。 ? 避坑参考资料 ：如果你不确定自己的策略是否陷入了“过拟合”的陷阱，建议跑实盘前先看看这篇聚宽社区大佬的干货： 策略过拟合诊断工具 ，里面提供了一套非常系统性的实战自我诊断方法。 教训二：磨损是看不见的“利润刺客” 很多新手回测时根本不设滑点，或者把手续费设得极低。在小资金加上稍高频的交易下，买卖一次的印花税、佣金，加上实盘买高一分、卖低一分的滑点，能把你预期的微薄利润吃得干干净净。 你以为你在赚钱，其实你在给券商打工。 我实际量化实盘用的是一个免 5 低佣账号，手续费已经是很低很低了，不然亏损会更多。 教训三：稳定大于一切，工程能力决定下限 策略再好，API 挂了、断网了、订单没成交导致状态死锁了，全都没用。做好异常处理、断线重连、实盘与本地账户的数据对账，这些枯燥的“基础设施”建设，花的时间比写策略本身还要多。 教训四：量化交易，其实更考验“人性” 最大的敌人不是市场，而是那个看着账户回撤想要“拔网线”的自己。真正成熟的量化交易，是要在这个系统跑之前就想清楚所有极端情况，然后闭上眼睛，让机器执行。 4. 总结与下一步：我还做量化吗？ 做，当然继续做。 虽然第一年交了学费，但量化帮我戒掉了作为一个散户的“赌徒心理”。我不再凭感觉冲动买卖，不再去听信各种大 V 的小道消息，之前加的几个大 V 的股票群也退了。它强迫我建立起了一套 客观、去情绪化、可验证 的市场分析框架。 接下来的计划，我会回归常识，降低对收益的虚幻预期，把精力更多地放在交易系统的底层建设上。之前觉得策略回测年化没个几十个点，都不好意思发出来，也不会考虑去实盘，现在觉得能稳定跑赢指数，控制回撤，就是不错的策略了。 更关注策略的实盘表现，而不是回测表现。也希望从技术的角度，在策略实盘前也能尽可能的通过工具评估策略可能的风险（比如上上面提到的社区的过拟合诊断工具），而不是盲目上实盘。也认识到不同策略有不同的适用市场，需要根据市场情况选择合适的策略。 最近在研究的策略 个人的力量和认知是有限的，向大家学习，精进自己，也希望和大家一起交流，共同进步，任重道远。 最后，给所有想用 Python 写个代码或量化平台复制一个策略就去股市里捡钱的新手一句忠告： 永远敬畏市场！请务必只拿“亏光了也不影响生活”的钱来交学费。
这是一个悲伤的实盘复盘，也是一篇价值可能远超本金的“避坑指南”。 交学费了 背景：2005 年就开了股票账户，但一直没有买卖过股票，觉得看不懂。直到 2025 年初，才开始学习研究量化，并用 2.5 万起步人工或量化实盘。 比较典型新手行为：2025 年 6 月 24 日 2.5 万开始，跑了 1 周效果不错，7 月 1 日加仓到 5 万，又看这不错，8 月 12 日加仓到 10 万，经过 9 月，10 月，11 月收益震荡下行，hold 不住了，12 月中旬逐步减到 3 万，被市场上了一课，交了充足的学费。 截止今天亏损 19538 元，亏损比例-20.75%，实际量化亏损没这么多，量化亏损 11359 元，亏损比例-10.17%，其他 8000 多元是人工操作亏的（新手常见行为：看不得资金空仓，有资金就想操作，量化空仓就人工操作）。 我分别记录了我每个实盘量化策略的交割单，一看就知道各个量化策略的亏损情况。 前后总共实盘过 5 个策略，现在还在实盘的策略 2 个，另外 3 个停掉了，5 个策略都是小市值策略。 因为作为一个菜鸟，深知股市水深，所以入场前我给自己定了个死规矩： 只拿“全亏完也不会影响明天中午吃猪脚饭”的钱来试水。 这一年，从刚跑通第一个策略时坚信能“打造印钞机”，到后来被市场反复毒打、在深夜里改 Bug ，我经历了一个典型“量化韭菜”的完整心路历程。今天，我们就来算算这笔账。 1. 初入量化的“上帝视角”（过度自信期） 每个刚碰量化的人，都会经历一段短暂的“蜜月期”。 那时候，只要在回测平台上稍微调整几个参数（比如把均线周期改一改，加个 MACD 过滤），就能跑出一条令人血脉贲张的“完美 45 度角”向上收益曲线。 看到的让人心动的策略收益示例 带着“原来搞钱这么容易”的错觉，我把这 2 万块真金白银接入了实盘。 第一天上线的时候，那种看着程序自动读取行情、自动下单、自动撤单的爽感，让我有一种稳拿诺贝尔经济学奖的错觉。 然后，现实的毒打立刻就来了。 我遇到的第一个大坑，不是策略失效，而是代码 Bug 。 比如，策略条件触发了，但因为没有处理好“涨跌停板买不进/卖不出”的逻辑，程序疯狂向交易所发废单报报错；或者因为网络抖动了一下，持仓状态没对齐，该卖的没卖，导致直接吃了隔夜的一个大跌。 那一刻我才明白： “写一个能在历史数据里赚钱的策略”和“写一套能在现实世界里活下来的交易系统”，完全是两码事。 2. 市场的毒打与信仰崩塌（绝望之谷） 度过了最初的工程摩擦期，真正考验心脏的是极端的市场行情。 回测里的数字是冰冷的，回撤 20%在你眼里可能只是 Excel 里的一个“-0.2”。 但在实盘里，看着账户每天缩水，你的心理防线是会崩溃的。 今年遇到了好几波风格剧变（比如微盘股的流动性危机）。我眼睁睁看着往日表现优异的策略连续吃面。 实盘大回撤瞬间* 在这种压力下，我犯了量化交易的大忌—— 人工干预机器。 看着连续下跌，我实在忍不住了，心想“这肯定不对劲”，于是强行手动平仓，甚至直接停掉了策略。结果往往是：我刚一平仓，第二天就大涨反弹；等我懊悔地再把程序开起来，它又接到了山顶上。 机器的逻辑被我的人性彻底破坏，两头挨耳光。 到了现在算总账，这 2 万块钱最终……（亏损 19538 元，亏损比例-20.75%）。讲真，我还不如把它放在余额宝里赚顿排骨汤。 3. 亏钱买来的 4 个“血泪教训” 虽然亏了钱，但这 2 万块的学费交得值。我总结了 4 个极其昂贵的教训： 教训一：千万警惕“过拟合”与未来函数 你以为你发现的圣杯，往往只是你的模型恰好“背诵”了过去的历史答案。市场是动态博弈的，过去有效不代表未来有效。如果在回测里加了太多条件去过滤亏损交易，实盘必然扑街。 ? 避坑参考资料 ：如果你不确定自己的策略是否陷入了“过拟合”的陷阱，建议跑实盘前先看看这篇聚宽社区大佬的干货： 策略过拟合诊断工具 ，里面提供了一套非常系统性的实战自我诊断方法。 教训二：磨损是看不见的“利润刺客” 很多新手回测时根本不设滑点，或者把手续费设得极低。在小资金加上稍高频的交易下，买卖一次的印花税、佣金，加上实盘买高一分、卖低一分的滑点，能把你预期的微薄利润吃得干干净净。 你以为你在赚钱，其实你在给券商打工。 我实际量化实盘用的是一个免 5 低佣账号，手续费已经是很低很低了，不然亏损会更多。 教训三：稳定大于一切，工程能力决定下限 策略再好，API 挂了、断网了、订单没成交导致状态死锁了，全都没用。做好异常处理、断线重连、实盘与本地账户的数据对账，这些枯燥的“基础设施”建设，花的时间比写策略本身还要多。 教训四：量化交易，其实更考验“人性” 最大的敌人不是市场，而是那个看着账户回撤想要“拔网线”的自己。真正成熟的量化交易，是要在这个系统跑之前就想清楚所有极端情况，然后闭上眼睛，让机器执行。 4. 总结与下一步：我还做量化吗？ 做，当然继续做。 虽然第一年交了学费，但量化帮我戒掉了作为一个散户的“赌徒心理”。我不再凭感觉冲动买卖，不再去听信各种大 V 的小道消息，之前加的几个大 V 的股票群也退了。它强迫我建立起了一套 客观、去情绪化、可验证 的市场分析框架。 接下来的计划，我会回归常识，降低对收益的虚幻预期，把精力更多地放在交易系统的底层建设上。之前觉得策略回测年化没个几十个点，都不好意思发出来，也不会考虑去实盘，现在觉得能稳定跑赢指数，控制回撤，就是不错的策略了。 更关注策略的实盘表现，而不是回测表现。也希望从技术的角度，在策略实盘前也能尽可能的通过工具评估策略可能的风险（比如上上面提到的社区的过拟合诊断工具），而不是盲目上实盘。也认识到不同策略有不同的适用市场，需要根据市场情况选择合适的策略。 最近在研究的策略 个人的力量和认知是有限的，向大家学习，精进自己，也希望和大家一起交流，共同进步，任重道远。 最后，给所有想用 Python 写个代码或量化平台复制一个策略就去股市里捡钱的新手一句忠告： 永远敬畏市场！请务必只拿“亏光了也不影响生活”的钱来交学费。
这是一个悲伤的实盘复盘，也是一篇价值可能远超本金的“避坑指南”。 交学费了 背景：2005 年就开了股票账户，但一直没有买卖过股票，觉得看不懂。直到 2025 年初，才开始学习研究量化，并用 2.5 万起步人工或量化实盘。 比较典型新手行为：2025 年 6 月 24 日 2.5 万开始，跑了 1 周效果不错，7 月 1 日加仓到 5 万，又看这不错，8 月 12 日加仓到 10 万，经过 9 月，10 月，11 月收益震荡下行，hold 不住了，12 月中旬逐步减到 3 万，被市场上了一课，交了充足的学费。 截止今天亏损 19538 元，亏损比例-20.75%，实际量化亏损没这么多，量化亏损 11359 元，亏损比例-10.17%，其他 8000 多元是人工操作亏的（新手常见行为：看不得资金空仓，有资金就想操作，量化空仓就人工操作）。 我分别记录了我每个实盘量化策略的交割单，一看就知道各个量化策略的亏损情况。 前后总共实盘过 5 个策略，现在还在实盘的策略 2 个，另外 3 个停掉了，5 个策略都是小市值策略。 因为作为一个菜鸟，深知股市水深，所以入场前我给自己定了个死规矩： 只拿“全亏完也不会影响明天中午吃猪脚饭”的钱来试水。 这一年，从刚跑通第一个策略时坚信能“打造印钞机”，到后来被市场反复毒打、在深夜里改 Bug ，我经历了一个典型“量化韭菜”的完整心路历程。今天，我们就来算算这笔账。 1. 初入量化的“上帝视角”（过度自信期） 每个刚碰量化的人，都会经历一段短暂的“蜜月期”。 那时候，只要在回测平台上稍微调整几个参数（比如把均线周期改一改，加个 MACD 过滤），就能跑出一条令人血脉贲张的“完美 45 度角”向上收益曲线。 看到的让人心动的策略收益示例 带着“原来搞钱这么容易”的错觉，我把这 2 万块真金白银接入了实盘。 第一天上线的时候，那种看着程序自动读取行情、自动下单、自动撤单的爽感，让我有一种稳拿诺贝尔经济学奖的错觉。 然后，现实的毒打立刻就来了。 我遇到的第一个大坑，不是策略失效，而是代码 Bug 。 比如，策略条件触发了，但因为没有处理好“涨跌停板买不进/卖不出”的逻辑，程序疯狂向交易所发废单报报错；或者因为网络抖动了一下，持仓状态没对齐，该卖的没卖，导致直接吃了隔夜的一个大跌。 那一刻我才明白： “写一个能在历史数据里赚钱的策略”和“写一套能在现实世界里活下来的交易系统”，完全是两码事。 2. 市场的毒打与信仰崩塌（绝望之谷） 度过了最初的工程摩擦期，真正考验心脏的是极端的市场行情。 回测里的数字是冰冷的，回撤 20%在你眼里可能只是 Excel 里的一个“-0.2”。 但在实盘里，看着账户每天缩水，你的心理防线是会崩溃的。 今年遇到了好几波风格剧变（比如微盘股的流动性危机）。我眼睁睁看着往日表现优异的策略连续吃面。 实盘大回撤瞬间* 在这种压力下，我犯了量化交易的大忌—— 人工干预机器。 看着连续下跌，我实在忍不住了，心想“这肯定不对劲”，于是强行手动平仓，甚至直接停掉了策略。结果往往是：我刚一平仓，第二天就大涨反弹；等我懊悔地再把程序开起来，它又接到了山顶上。 机器的逻辑被我的人性彻底破坏，两头挨耳光。 到了现在算总账，这 2 万块钱最终……（亏损 19538 元，亏损比例-20.75%）。讲真，我还不如把它放在余额宝里赚顿排骨汤。 3. 亏钱买来的 4 个“血泪教训” 虽然亏了钱，但这 2 万块的学费交得值。我总结了 4 个极其昂贵的教训： 教训一：千万警惕“过拟合”与未来函数 你以为你发现的圣杯，往往只是你的模型恰好“背诵”了过去的历史答案。市场是动态博弈的，过去有效不代表未来有效。如果在回测里加了太多条件去过滤亏损交易，实盘必然扑街。 ? 避坑参考资料 ：如果你不确定自己的策略是否陷入了“过拟合”的陷阱，建议跑实盘前先看看这篇聚宽社区大佬的干货： 策略过拟合诊断工具 ，里面提供了一套非常系统性的实战自我诊断方法。 教训二：磨损是看不见的“利润刺客” 很多新手回测时根本不设滑点，或者把手续费设得极低。在小资金加上稍高频的交易下，买卖一次的印花税、佣金，加上实盘买高一分、卖低一分的滑点，能把你预期的微薄利润吃得干干净净。 你以为你在赚钱，其实你在给券商打工。 我实际量化实盘用的是一个免 5 低佣账号，手续费已经是很低很低了，不然亏损会更多。 教训三：稳定大于一切，工程能力决定下限 策略再好，API 挂了、断网了、订单没成交导致状态死锁了，全都没用。做好异常处理、断线重连、实盘与本地账户的数据对账，这些枯燥的“基础设施”建设，花的时间比写策略本身还要多。 教训四：量化交易，其实更考验“人性” 最大的敌人不是市场，而是那个看着账户回撤想要“拔网线”的自己。真正成熟的量化交易，是要在这个系统跑之前就想清楚所有极端情况，然后闭上眼睛，让机器执行。 4. 总结与下一步：我还做量化吗？ 做，当然继续做。 虽然第一年交了学费，但量化帮我戒掉了作为一个散户的“赌徒心理”。我不再凭感觉冲动买卖，不再去听信各种大 V 的小道消息，之前加的几个大 V 的股票群也退了。它强迫我建立起了一套 客观、去情绪化、可验证 的市场分析框架。 接下来的计划，我会回归常识，降低对收益的虚幻预期，把精力更多地放在交易系统的底层建设上。之前觉得策略回测年化没个几十个点，都不好意思发出来，也不会考虑去实盘，现在觉得能稳定跑赢指数，控制回撤，就是不错的策略了。 更关注策略的实盘表现，而不是回测表现。也希望从技术的角度，在策略实盘前也能尽可能的通过工具评估策略可能的风险（比如上上面提到的社区的过拟合诊断工具），而不是盲目上实盘。也认识到不同策略有不同的适用市场，需要根据市场情况选择合适的策略。 最近在研究的策略 个人的力量和认知是有限的，向大家学习，精进自己，也希望和大家一起交流，共同进步，任重道远。 最后，给所有想用 Python 写个代码或量化平台复制一个策略就去股市里捡钱的新手一句忠告： 永远敬畏市场！请务必只拿“亏光了也不影响生活”的钱来交学费。
这是一个悲伤的实盘复盘，也是一篇价值可能远超本金的“避坑指南”。 交学费了 背景：2005 年就开了股票账户，但一直没有买卖过股票，觉得看不懂。直到 2025 年初，才开始学习研究量化，并用 2.5 万起步人工或量化实盘。 比较典型新手行为：2025 年 6 月 24 日 2.5 万开始，跑了 1 周效果不错，7 月 1 日加仓到 5 万，又看这不错，8 月 12 日加仓到 10 万，经过 9 月，10 月，11 月收益震荡下行，hold 不住了，12 月中旬逐步减到 3 万，被市场上了一课，交了充足的学费。 截止今天亏损 19538 元，亏损比例-20.75%，实际量化亏损没这么多，量化亏损 11359 元，亏损比例-10.17%，其他 8000 多元是人工操作亏的（新手常见行为：看不得资金空仓，有资金就想操作，量化空仓就人工操作）。 我分别记录了我每个实盘量化策略的交割单，一看就知道各个量化策略的亏损情况。 前后总共实盘过 5 个策略，现在还在实盘的策略 2 个，另外 3 个停掉了，5 个策略都是小市值策略。 因为作为一个菜鸟，深知股市水深，所以入场前我给自己定了个死规矩： 只拿“全亏完也不会影响明天中午吃猪脚饭”的钱来试水。 这一年，从刚跑通第一个策略时坚信能“打造印钞机”，到后来被市场反复毒打、在深夜里改 Bug ，我经历了一个典型“量化韭菜”的完整心路历程。今天，我们就来算算这笔账。 1. 初入量化的“上帝视角”（过度自信期） 每个刚碰量化的人，都会经历一段短暂的“蜜月期”。 那时候，只要在回测平台上稍微调整几个参数（比如把均线周期改一改，加个 MACD 过滤），就能跑出一条令人血脉贲张的“完美 45 度角”向上收益曲线。 看到的让人心动的策略收益示例 带着“原来搞钱这么容易”的错觉，我把这 2 万块真金白银接入了实盘。 第一天上线的时候，那种看着程序自动读取行情、自动下单、自动撤单的爽感，让我有一种稳拿诺贝尔经济学奖的错觉。 然后，现实的毒打立刻就来了。 我遇到的第一个大坑，不是策略失效，而是代码 Bug 。 比如，策略条件触发了，但因为没有处理好“涨跌停板买不进/卖不出”的逻辑，程序疯狂向交易所发废单报报错；或者因为网络抖动了一下，持仓状态没对齐，该卖的没卖，导致直接吃了隔夜的一个大跌。 那一刻我才明白： “写一个能在历史数据里赚钱的策略”和“写一套能在现实世界里活下来的交易系统”，完全是两码事。 2. 市场的毒打与信仰崩塌（绝望之谷） 度过了最初的工程摩擦期，真正考验心脏的是极端的市场行情。 回测里的数字是冰冷的，回撤 20%在你眼里可能只是 Excel 里的一个“-0.2”。 但在实盘里，看着账户每天缩水，你的心理防线是会崩溃的。 今年遇到了好几波风格剧变（比如微盘股的流动性危机）。我眼睁睁看着往日表现优异的策略连续吃面。 实盘大回撤瞬间* 在这种压力下，我犯了量化交易的大忌—— 人工干预机器。 看着连续下跌，我实在忍不住了，心想“这肯定不对劲”，于是强行手动平仓，甚至直接停掉了策略。结果往往是：我刚一平仓，第二天就大涨反弹；等我懊悔地再把程序开起来，它又接到了山顶上。 机器的逻辑被我的人性彻底破坏，两头挨耳光。 到了现在算总账，这 2 万块钱最终……（亏损 19538 元，亏损比例-20.75%）。讲真，我还不如把它放在余额宝里赚顿排骨汤。 3. 亏钱买来的 4 个“血泪教训” 虽然亏了钱，但这 2 万块的学费交得值。我总结了 4 个极其昂贵的教训： 教训一：千万警惕“过拟合”与未来函数 你以为你发现的圣杯，往往只是你的模型恰好“背诵”了过去的历史答案。市场是动态博弈的，过去有效不代表未来有效。如果在回测里加了太多条件去过滤亏损交易，实盘必然扑街。 ? 避坑参考资料 ：如果你不确定自己的策略是否陷入了“过拟合”的陷阱，建议跑实盘前先看看这篇聚宽社区大佬的干货： 策略过拟合诊断工具 ，里面提供了一套非常系统性的实战自我诊断方法。 教训二：磨损是看不见的“利润刺客” 很多新手回测时根本不设滑点，或者把手续费设得极低。在小资金加上稍高频的交易下，买卖一次的印花税、佣金，加上实盘买高一分、卖低一分的滑点，能把你预期的微薄利润吃得干干净净。 你以为你在赚钱，其实你在给券商打工。 我实际量化实盘用的是一个免 5 低佣账号，手续费已经是很低很低了，不然亏损会更多。 教训三：稳定大于一切，工程能力决定下限 策略再好，API 挂了、断网了、订单没成交导致状态死锁了，全都没用。做好异常处理、断线重连、实盘与本地账户的数据对账，这些枯燥的“基础设施”建设，花的时间比写策略本身还要多。 教训四：量化交易，其实更考验“人性” 最大的敌人不是市场，而是那个看着账户回撤想要“拔网线”的自己。真正成熟的量化交易，是要在这个系统跑之前就想清楚所有极端情况，然后闭上眼睛，让机器执行。 4. 总结与下一步：我还做量化吗？ 做，当然继续做。 虽然第一年交了学费，但量化帮我戒掉了作为一个散户的“赌徒心理”。我不再凭感觉冲动买卖，不再去听信各种大 V 的小道消息，之前加的几个大 V 的股票群也退了。它强迫我建立起了一套 客观、去情绪化、可验证 的市场分析框架。 接下来的计划，我会回归常识，降低对收益的虚幻预期，把精力更多地放在交易系统的底层建设上。之前觉得策略回测年化没个几十个点，都不好意思发出来，也不会考虑去实盘，现在觉得能稳定跑赢指数，控制回撤，就是不错的策略了。 更关注策略的实盘表现，而不是回测表现。也希望从技术的角度，在策略实盘前也能尽可能的通过工具评估策略可能的风险（比如上上面提到的社区的过拟合诊断工具），而不是盲目上实盘。也认识到不同策略有不同的适用市场，需要根据市场情况选择合适的策略。 最近在研究的策略 个人的力量和认知是有限的，向大家学习，精进自己，也希望和大家一起交流，共同进步，任重道远。 最后，给所有想用 Python 写个代码或量化平台复制一个策略就去股市里捡钱的新手一句忠告： 永远敬畏市场！请务必只拿“亏光了也不影响生活”的钱来交学费。
这是一个悲伤的实盘复盘，也是一篇价值可能远超本金的“避坑指南”。 交学费了 背景：2005 年就开了股票账户，但一直没有买卖过股票，觉得看不懂。直到 2025 年初，才开始学习研究量化，并用 2.5 万起步人工或量化实盘。 比较典型新手行为：2025 年 6 月 24 日 2.5 万开始，跑了 1 周效果不错，7 月 1 日加仓到 5 万，又看这不错，8 月 12 日加仓到 10 万，经过 9 月，10 月，11 月收益震荡下行，hold 不住了，12 月中旬逐步减到 3 万，被市场上了一课，交了充足的学费。 截止今天亏损 19538 元，亏损比例-20.75%，实际量化亏损没这么多，量化亏损 11359 元，亏损比例-10.17%，其他 8000 多元是人工操作亏的（新手常见行为：看不得资金空仓，有资金就想操作，量化空仓就人工操作）。 我分别记录了我每个实盘量化策略的交割单，一看就知道各个量化策略的亏损情况。 前后总共实盘过 5 个策略，现在还在实盘的策略 2 个，另外 3 个停掉了，5 个策略都是小市值策略。 因为作为一个菜鸟，深知股市水深，所以入场前我给自己定了个死规矩： 只拿“全亏完也不会影响明天中午吃猪脚饭”的钱来试水。 这一年，从刚跑通第一个策略时坚信能“打造印钞机”，到后来被市场反复毒打、在深夜里改 Bug ，我经历了一个典型“量化韭菜”的完整心路历程。今天，我们就来算算这笔账。 1. 初入量化的“上帝视角”（过度自信期） 每个刚碰量化的人，都会经历一段短暂的“蜜月期”。 那时候，只要在回测平台上稍微调整几个参数（比如把均线周期改一改，加个 MACD 过滤），就能跑出一条令人血脉贲张的“完美 45 度角”向上收益曲线。 看到的让人心动的策略收益示例 带着“原来搞钱这么容易”的错觉，我把这 2 万块真金白银接入了实盘。 第一天上线的时候，那种看着程序自动读取行情、自动下单、自动撤单的爽感，让我有一种稳拿诺贝尔经济学奖的错觉。 然后，现实的毒打立刻就来了。 我遇到的第一个大坑，不是策略失效，而是代码 Bug 。 比如，策略条件触发了，但因为没有处理好“涨跌停板买不进/卖不出”的逻辑，程序疯狂向交易所发废单报报错；或者因为网络抖动了一下，持仓状态没对齐，该卖的没卖，导致直接吃了隔夜的一个大跌。 那一刻我才明白： “写一个能在历史数据里赚钱的策略”和“写一套能在现实世界里活下来的交易系统”，完全是两码事。 2. 市场的毒打与信仰崩塌（绝望之谷） 度过了最初的工程摩擦期，真正考验心脏的是极端的市场行情。 回测里的数字是冰冷的，回撤 20%在你眼里可能只是 Excel 里的一个“-0.2”。 但在实盘里，看着账户每天缩水，你的心理防线是会崩溃的。 今年遇到了好几波风格剧变（比如微盘股的流动性危机）。我眼睁睁看着往日表现优异的策略连续吃面。 实盘大回撤瞬间* 在这种压力下，我犯了量化交易的大忌—— 人工干预机器。 看着连续下跌，我实在忍不住了，心想“这肯定不对劲”，于是强行手动平仓，甚至直接停掉了策略。结果往往是：我刚一平仓，第二天就大涨反弹；等我懊悔地再把程序开起来，它又接到了山顶上。 机器的逻辑被我的人性彻底破坏，两头挨耳光。 到了现在算总账，这 2 万块钱最终……（亏损 19538 元，亏损比例-20.75%）。讲真，我还不如把它放在余额宝里赚顿排骨汤。 3. 亏钱买来的 4 个“血泪教训” 虽然亏了钱，但这 2 万块的学费交得值。我总结了 4 个极其昂贵的教训： 教训一：千万警惕“过拟合”与未来函数 你以为你发现的圣杯，往往只是你的模型恰好“背诵”了过去的历史答案。市场是动态博弈的，过去有效不代表未来有效。如果在回测里加了太多条件去过滤亏损交易，实盘必然扑街。 ? 避坑参考资料 ：如果你不确定自己的策略是否陷入了“过拟合”的陷阱，建议跑实盘前先看看这篇聚宽社区大佬的干货： 策略过拟合诊断工具 ，里面提供了一套非常系统性的实战自我诊断方法。 教训二：磨损是看不见的“利润刺客” 很多新手回测时根本不设滑点，或者把手续费设得极低。在小资金加上稍高频的交易下，买卖一次的印花税、佣金，加上实盘买高一分、卖低一分的滑点，能把你预期的微薄利润吃得干干净净。 你以为你在赚钱，其实你在给券商打工。 我实际量化实盘用的是一个免 5 低佣账号，手续费已经是很低很低了，不然亏损会更多。 教训三：稳定大于一切，工程能力决定下限 策略再好，API 挂了、断网了、订单没成交导致状态死锁了，全都没用。做好异常处理、断线重连、实盘与本地账户的数据对账，这些枯燥的“基础设施”建设，花的时间比写策略本身还要多。 教训四：量化交易，其实更考验“人性” 最大的敌人不是市场，而是那个看着账户回撤想要“拔网线”的自己。真正成熟的量化交易，是要在这个系统跑之前就想清楚所有极端情况，然后闭上眼睛，让机器执行。 4. 总结与下一步：我还做量化吗？ 做，当然继续做。 虽然第一年交了学费，但量化帮我戒掉了作为一个散户的“赌徒心理”。我不再凭感觉冲动买卖，不再去听信各种大 V 的小道消息，之前加的几个大 V 的股票群也退了。它强迫我建立起了一套 客观、去情绪化、可验证 的市场分析框架。 接下来的计划，我会回归常识，降低对收益的虚幻预期，把精力更多地放在交易系统的底层建设上。之前觉得策略回测年化没个几十个点，都不好意思发出来，也不会考虑去实盘，现在觉得能稳定跑赢指数，控制回撤，就是不错的策略了。 更关注策略的实盘表现，而不是回测表现。也希望从技术的角度，在策略实盘前也能尽可能的通过工具评估策略可能的风险（比如上上面提到的社区的过拟合诊断工具），而不是盲目上实盘。也认识到不同策略有不同的适用市场，需要根据市场情况选择合适的策略。 最近在研究的策略 个人的力量和认知是有限的，向大家学习，精进自己，也希望和大家一起交流，共同进步，任重道远。 最后，给所有想用 Python 写个代码或量化平台复制一个策略就去股市里捡钱的新手一句忠告： 永远敬畏市场！请务必只拿“亏光了也不影响生活”的钱来交学费。
这是一个悲伤的实盘复盘，也是一篇价值可能远超本金的“避坑指南”。 交学费了 背景：2005 年就开了股票账户，但一直没有买卖过股票，觉得看不懂。直到 2025 年初，才开始学习研究量化，并用 2.5 万起步人工或量化实盘。 比较典型新手行为：2025 年 6 月 24 日 2.5 万开始，跑了 1 周效果不错，7 月 1 日加仓到 5 万，又看这不错，8 月 12 日加仓到 10 万，经过 9 月，10 月，11 月收益震荡下行，hold 不住了，12 月中旬逐步减到 3 万，被市场上了一课，交了充足的学费。 截止今天亏损 19538 元，亏损比例-20.75%，实际量化亏损没这么多，量化亏损 11359 元，亏损比例-10.17%，其他 8000 多元是人工操作亏的（新手常见行为：看不得资金空仓，有资金就想操作，量化空仓就人工操作）。 我分别记录了我每个实盘量化策略的交割单，一看就知道各个量化策略的亏损情况。 前后总共实盘过 5 个策略，现在还在实盘的策略 2 个，另外 3 个停掉了，5 个策略都是小市值策略。 因为作为一个菜鸟，深知股市水深，所以入场前我给自己定了个死规矩： 只拿“全亏完也不会影响明天中午吃猪脚饭”的钱来试水。 这一年，从刚跑通第一个策略时坚信能“打造印钞机”，到后来被市场反复毒打、在深夜里改 Bug ，我经历了一个典型“量化韭菜”的完整心路历程。今天，我们就来算算这笔账。 1. 初入量化的“上帝视角”（过度自信期） 每个刚碰量化的人，都会经历一段短暂的“蜜月期”。 那时候，只要在回测平台上稍微调整几个参数（比如把均线周期改一改，加个 MACD 过滤），就能跑出一条令人血脉贲张的“完美 45 度角”向上收益曲线。 看到的让人心动的策略收益示例 带着“原来搞钱这么容易”的错觉，我把这 2 万块真金白银接入了实盘。 第一天上线的时候，那种看着程序自动读取行情、自动下单、自动撤单的爽感，让我有一种稳拿诺贝尔经济学奖的错觉。 然后，现实的毒打立刻就来了。 我遇到的第一个大坑，不是策略失效，而是代码 Bug 。 比如，策略条件触发了，但因为没有处理好“涨跌停板买不进/卖不出”的逻辑，程序疯狂向交易所发废单报报错；或者因为网络抖动了一下，持仓状态没对齐，该卖的没卖，导致直接吃了隔夜的一个大跌。 那一刻我才明白： “写一个能在历史数据里赚钱的策略”和“写一套能在现实世界里活下来的交易系统”，完全是两码事。 2. 市场的毒打与信仰崩塌（绝望之谷） 度过了最初的工程摩擦期，真正考验心脏的是极端的市场行情。 回测里的数字是冰冷的，回撤 20%在你眼里可能只是 Excel 里的一个“-0.2”。 但在实盘里，看着账户每天缩水，你的心理防线是会崩溃的。 今年遇到了好几波风格剧变（比如微盘股的流动性危机）。我眼睁睁看着往日表现优异的策略连续吃面。 实盘大回撤瞬间* 在这种压力下，我犯了量化交易的大忌—— 人工干预机器。 看着连续下跌，我实在忍不住了，心想“这肯定不对劲”，于是强行手动平仓，甚至直接停掉了策略。结果往往是：我刚一平仓，第二天就大涨反弹；等我懊悔地再把程序开起来，它又接到了山顶上。 机器的逻辑被我的人性彻底破坏，两头挨耳光。 到了现在算总账，这 2 万块钱最终……（亏损 19538 元，亏损比例-20.75%）。讲真，我还不如把它放在余额宝里赚顿排骨汤。 3. 亏钱买来的 4 个“血泪教训” 虽然亏了钱，但这 2 万块的学费交得值。我总结了 4 个极其昂贵的教训： 教训一：千万警惕“过拟合”与未来函数 你以为你发现的圣杯，往往只是你的模型恰好“背诵”了过去的历史答案。市场是动态博弈的，过去有效不代表未来有效。如果在回测里加了太多条件去过滤亏损交易，实盘必然扑街。 ? 避坑参考资料 ：如果你不确定自己的策略是否陷入了“过拟合”的陷阱，建议跑实盘前先看看这篇聚宽社区大佬的干货： 策略过拟合诊断工具 ，里面提供了一套非常系统性的实战自我诊断方法。 教训二：磨损是看不见的“利润刺客” 很多新手回测时根本不设滑点，或者把手续费设得极低。在小资金加上稍高频的交易下，买卖一次的印花税、佣金，加上实盘买高一分、卖低一分的滑点，能把你预期的微薄利润吃得干干净净。 你以为你在赚钱，其实你在给券商打工。 我实际量化实盘用的是一个免 5 低佣账号，手续费已经是很低很低了，不然亏损会更多。 教训三：稳定大于一切，工程能力决定下限 策略再好，API 挂了、断网了、订单没成交导致状态死锁了，全都没用。做好异常处理、断线重连、实盘与本地账户的数据对账，这些枯燥的“基础设施”建设，花的时间比写策略本身还要多。 教训四：量化交易，其实更考验“人性” 最大的敌人不是市场，而是那个看着账户回撤想要“拔网线”的自己。真正成熟的量化交易，是要在这个系统跑之前就想清楚所有极端情况，然后闭上眼睛，让机器执行。 4. 总结与下一步：我还做量化吗？ 做，当然继续做。 虽然第一年交了学费，但量化帮我戒掉了作为一个散户的“赌徒心理”。我不再凭感觉冲动买卖，不再去听信各种大 V 的小道消息，之前加的几个大 V 的股票群也退了。它强迫我建立起了一套 客观、去情绪化、可验证 的市场分析框架。 接下来的计划，我会回归常识，降低对收益的虚幻预期，把精力更多地放在交易系统的底层建设上。之前觉得策略回测年化没个几十个点，都不好意思发出来，也不会考虑去实盘，现在觉得能稳定跑赢指数，控制回撤，就是不错的策略了。 更关注策略的实盘表现，而不是回测表现。也希望从技术的角度，在策略实盘前也能尽可能的通过工具评估策略可能的风险（比如上上面提到的社区的过拟合诊断工具），而不是盲目上实盘。也认识到不同策略有不同的适用市场，需要根据市场情况选择合适的策略。 最近在研究的策略 个人的力量和认知是有限的，向大家学习，精进自己，也希望和大家一起交流，共同进步，任重道远。 最后，给所有想用 Python 写个代码或量化平台复制一个策略就去股市里捡钱的新手一句忠告： 永远敬畏市场！请务必只拿“亏光了也不影响生活”的钱来交学费。