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。
相关文档
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。
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。
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。
AI Trading Agent 新手入门指南
文章针对过去 6 个月 AI 交易工具爆发式增长带来的选择困难，提出了一个三层结构分类法：交易所原生 Skill、通用 Agent 平台（如 Moss）和自制 Skill。文章重点分析了各层的优势与短板，并指出通用 Agent 平台是新手最合理的入口。作者还详细介绍了如何在 Moss 上设置参数、关注核心指标（胜率、PF、回撤），并推荐了几个值得长期关注的开源项目，总结了新手应避免的常见错误。
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。
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。
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。
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。
我把 OKX接入了我的 AI 交易系统
作者将 OKX 的加密货币数据接入自研量化系统，利用其免 Key API 降低了数据获取成本。文章对比了传统股市与币圈数据的差异，并探讨了 OKX 在 AI Agent 钱包和代币化美股方面的布局，认为链上可验证的业绩是未来方向。
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。
AI 时代的量化交易系统构建分享
本文是作者在内部分享会上的复盘，重点探讨了 AI 如何降低量化交易的工程门槛。文章指出，利用 OpenClaw 等智能体，个人开发者可以独立完成需求文档编写、回测框架搭建、API 接入等全流程工作。作者详细讲解了从回测到实盘的信号层统一、技术分析的规则化参数化、以及常见系统误区（如过拟合、流动性筛选），强调在 AI 时代，量化交易的核心不再是代码能力，而是交易逻辑的系统化拆解与数据验证能力。
我用 DeepSeek 跑了 TradingAgents，得出几个不一样的结论
本文作者实测了开源项目 TradingAgents，利用 DeepSeek 等模型分析了 BTC、NVDA 等标的。文章指出，DeepSeek 的低成本是该工具近期爆火的主因。作者详细拆解了多 Agent 辩论机制的核心价值在于消除认知偏差，同时也揭示了其无法进行高频交易、风控非实时及 Crypto 适配有限等关键局限，并建议将其定位为研究层工具，与执行层工具搭配使用。
