量化交易5年，我发现真正赚钱的人，都选择了这条窄门
作者通过五年的量化交易经历，分享了在股市中稳定盈利的心得。文章指出，大多数散户亏钱的原因在于追求高胜率的幻觉和盲目跟风。真正的“窄门”策略是：放弃对高胜率的执念，转而关注赔率；远离拥挤的热门板块，寻找市场边缘的定价偏差；将风控刻入交易体系，严格控制回撤。最终，通过低回撤的复利增长，实现“慢即是快”的投资自由。
相关文档
不进 Jane Street 也能玩量化：用 AI + 免费开源工具搭交易系统
文章指出量化交易的门槛已从昂贵的数据和工具降至零，通过 OpenBB 获取数据、Qlib 进行研究、backtesting.py 进行回测等免费开源工具，普通人可搭建完整交易系统。文章强调量化本质是寻找统计规律而非预测，并需严格执行风控纪律，AI 可辅助研究和编程，但不可直接下达交易指令。
如何做一个 Trading Agent
文章指出构建 Trading Agent 的核心难点不是下单或找到策略，而是以快于策略衰减的速度生产新假设并用严苛手段证伪假策略。作者拆解了发现、证伪、执行、止损四个环节，介绍统计套利、波动率曲面错价、因子残差、内部人交易信号四类错价目标及其数学模型，并提出扫描层、推理层、编排层、执行层的四层架构：大模型只负责扫描与推理，执行必须用确定性代码。文章还详细阐述了多重检验校正、交易摩擦成本、point-in-time 数据、样本外隔离、硬编码风控与四分之一 Kelly 仓位等工程纪律。
AI 量化交易到底是什么？从回测到真实部署，一篇讲清楚
文章面向零基础读者系统讲解量化交易：量化不是预测未来，而是把交易想法写成明确规则（策略规则化），再用历史数据检验、模拟验证并通过券商 API 执行。作者先解释 K 线、均线、仓位、止损止盈、订单类型、手续费滑点、收益率胜率、流动性等八个基础概念，随后拆解真实量化系统的七个组成部分：行情数据、策略引擎、风控引擎、订单管理、券商接口、数据库日志与监控报警。文中用 Backtrader 对甲骨文数据做了两种相反均线策略的回测，说明样本外测试的重要性，并给出从本地环境搭建、回测、模拟盘、券商 API 接入、风控监控到极小资金上线的六阶段部署路线。最后指出 AI 分两层接入：作为开发研究助手（最实用），以及作为系统中的 AI 模块处理非结构化信息。
量化交易避坑指南：开源项目揭示的8大血泪陷阱
基于对1438个GitHub量化开源项目的深度分析，本文揭示了量化交易中最致命的八大陷阱：包括过拟合、前视偏差、零滑点假设、幸存者偏差等。文章通过真实案例拆解了回测与实盘断层的原因，指出70%的开源项目代码质量不达标，且鲜有项目防范核心风险。文末附带了30项上线前的严审检查清单与黄金法则，强调风控前置、样本外验证及对开源代码的理性批判，警示入门者敬畏风险，避免将“玩具代码”投入真金白银的实战。
一篇Articles讲明白最优下注比例：凯利公式
文章深入解析了凯利公式，这一源于通信理论、后被应用于赌场和华尔街的资金管理工具。通过60%翻倍/40%归零的游戏模型，揭示了20%为最优下注比例的数学原理，并对比了不同策略的长期收益差异。文中详细拆解了公式的历史渊源，结合索普、巴菲特等大师的实战案例，探讨了其在股票、期货、风投等领域的应用。最后，文章指出了参数敏感性、黑天鹅风险等四大陷阱，并给出了“半凯利”等现实应对策略，强调科学的仓位管理是长期生存与复利增长的关键。
为了让AI学会交易，我搭了一个量化交易系统
作者构建了一个完整的AI模拟交易系统，旨在通过“沙盒环境”让AI从理论走向实战。文章详细介绍了利用OKX CLI和Next.js搭建实时Dashboard的技术实现，并提出了核心的“反思沉淀系统”，将交易经验转化为可复用的策略库。通过模拟盘训练和严格的风控机制，实现AI交易能力的持续进化。
How to Build an AI Quant Research Team with Claude Code (Full Course)
本文是一篇完整教程，讲解如何将 Claude Code 打造为一个量化研究团队。作者指出单一聊天窗口无法进行诚实的量化研究，缺乏数据、算力、角色分离和记忆四大要素。通过 QuantGPT（基于 MCP 协议的终端工具），AI Agent 可以获得对冲基金级的数据仓库（消除幸存者偏差和前视偏差）、云端回测算力以及固定验证机制。文章详细介绍了如何搭建一个 5-Agent 研究团队：规划者、执行者、质疑者、记录员等角色分工协作，并给出 10 分钟内完成连接的具体步骤，最终让交易策略经受住未见数据的检验。
史上最伟大交易员吉姆·西蒙斯的5个交易经验
文章介绍了文艺复兴科技公司创始人、数学家吉姆·西蒙斯的交易智慧。其旗舰大奖基金自1988年以来年均回报率达66%（费后39%），堪称史上最佳。作者总结出五大交易经验：1）通过历史数据回测量化优势，寻找非随机模式；2）严格遵守交易系统纪律，不随意干预模型；3）交易多元化的流动性标的以获取更多机会；4）无需高胜率也能获得丰厚回报，1:2或1:3的盈亏比配合50%胜率即可盈利；5）盈利交易的普适原则是风险管理、仓位控制和正期望系统的数学基础，关键在于人以纪律执行系统而非被情绪左右。
Minara + Jev：最强AI金融智能体完整搭建流程，带你一周跑出174%收益率
作者介绍了将 Minara 与 Jev 两个 AI 工具组合搭建金融交易智能体的完整流程。Minara 提供行情数据、Funding、OI、Smart Money、回测和执行等一体化金融基础设施，Jev 负责实时判断做多、做空或等待。工作流为：实时数据 → Jev 判断 → Minara 回测验证 → 风险过滤 → 执行。作者用 100U 本金在 7 天内跑出 174% 收益，强调 Jev 提出判断、Minara 验证策略是否有 Edge 的互补机制，展示了完整 AI Trader 的雏形，并计划后续分享搭建方法与配置。
How to Use Opus 5.5 to Find Winning Trading Strategies 24/7
本文详细介绍了如何使用 Claude Opus 5.5 结合 Minara AI 平台，搭建一个全天候运行的量化交易策略研究体系。作者将 Opus 5.5 定位为'研究分析师'，凭借其 100 万 token 上下文和强推理能力负责阅读、研究、编写策略代码；Minara AI 则作为'交易大厅'提供实时数据、回测实验室、钱包与自动执行。文章提出八阶段循环框架：扫描、假设、编码、回测、风险审查、模拟盘、实盘、复盘，并逐一讲解 Harness、Chat、Strategy Studio、Autopilot 等核心功能的使用方法，强调模型推荐、人工批准的安全原则。
折腾A股量化几年后，我决定慢慢放弃了
作者回顾了自己从本科时期进入A股，到学习量化交易、搭建完整量化系统的经历。在多年实盘运行后，他发现自己赚到的钱与投入的时间精力严重不成正比，且量化并未真正排除主观情绪的干扰。最终让他淡出A股的不是亏损，而是机会成本：同期纳斯达克100指数涨幅远超他的A股策略收益，而他作为拥有香港身份、可便利投资美股的人，完全没必要把自己限制在A股。作者感悟到投资并非努力竞赛，选对市场和资产比努力更重要，A股量化研究不再是他资产配置的重心。
AI交易员第一步：用DeepSeek跑通量化交易
本文教程介绍如何用 DeepSeek V4 Pro 配合 Pi Agent、OKX Agent Skills 与 OKX CLI，在模拟盘上跑通加密货币量化交易全流程。内容涵盖环境安装与凭证配置、读取 BTC-USDT K线数据、用均线与 RSI、ATR 构建回测策略、创建 dry-run 脚本验证信号，以及最终由人工确认后执行小额模拟订单。文章强调安全边界：只用模拟盘、不碰真实资金、凭证不进入对话，并详细说明了防未来函数、手续费与滑点处理等回测细节。
