马克如Mc

上周组织了一场内部分享（微信群中30多人参加）。
这次分享要特别感谢我的好朋友 @马克如Mc ，马总的分享也给了我很大的启发。
还有好友老李的专业讲解，相信很多粉丝都能听得出来，我们微信群里还是有很多非常专业的交易员的。
也感谢熊猫哥 @pandawl 、P总 @Powerpei 、Candy @CandyDD 在幕后的辛苦付出，希望更多的人能看到。
以下内容就是这次内部分享的核心内容。
先用豆包记录会议纪要，再用 ChatGPT 整理输出，请大家原谅我实在没时间手写了😄
精华内容如下（强烈建议转发收藏）：
──── ✦ ────
以前大家一聊量化，第一反应基本都是：
• 数学模型
• 复杂算法
• 专业团队
• 高资金门槛
• 普通人参与不了
但现在不一样了。
OpenClaw 这类智能体起来以后，很多过去需要程序员、产品、测试一起配合的事情，开始可以被一个人慢慢拆出来做。
比如：
• 写需求文档
• 搭回测框架
• 接交易所 API
• 处理 Websocket K 线
• 做历史回放
• 跑小仓位实盘
• 修 bug
• 对比实盘和回放偏差
AI 不会让交易变简单，但它确实把很多原来挡在门口的工程门槛，往下压了一大截。
──── ✦ ────
上周主要聊了 8 个方向：
01｜AI 为什么正在降低量化交易门槛
02｜短线、高频、网格和特定时间策略怎么拆
03｜信号层统一：回放和实盘不能是两套逻辑
04｜K 线形态、压力支撑和指标，怎么进入交易系统
05｜从回测框架到 API 私钥，量化系统要注意什么
06｜纯量化、手动系统量化和调参，分别容易错在哪
07｜为什么流动性不够，K 线就没有参考价值
08｜内部学习之后，怎么做反馈和复盘
──── ✦ ────
01｜AI 为什么正在降低量化交易门槛

过去量化交易离普通人很远。
不是因为普通人没有交易想法，而是中间隔着太多工程问题。
你要懂策略，要会写代码，要能接 API，要能做回测，还要能部署、测试、修 bug。
任何一环卡住，系统都跑不起来。
但现在有了智能体以后，很多事情可以让 AI 帮你一起拆。
它可以帮你写框架，可以帮你读接口文档，可以帮你处理返回数据，也可以帮你把一个想法变成初步可测试的代码。
这才是这轮变化真正重要的地方。
量化不再只是少数专业团队的游戏，普通人也开始有机会，把自己的交易逻辑工程化。
──── ✦ ────
02｜普通人可以从哪些策略方向切入

上周聊了几个方向。
第一个是短线和高频。
通过 AI 去提炼历史数据，找一些高概率因子，再用系统去验证这些因子到底有没有优势。
第二个是中长线做 T。
针对 BTC、ETH 这类优质资产，通过网格参数自动在区间里买卖。
核心目标不是一夜暴富，而是降低持仓成本。
第三个是特定时间策略。
比如统计美国时间早上 9 点半之后，15 分钟 K 线经常怎么走，有没有固定规律，能不能变成可验证的交易条件。
这些方向都不是直接拿来就能赚钱，但它们适合用 AI 去做数据整理、规律验证和策略拆解。
──── ✦ ────
03｜信号层必须统一

这是上周我反复强调的一点。
量化系统最怕什么？
历史回放是一套逻辑，实盘交易又是一套逻辑。
这样一来，回测结果再好看也没意义。
因为你根本不知道实盘跑出来的结果，到底是不是当初那套策略产生的。
所以信号层必须统一。
同一套信号逻辑，既能跑历史 K 线回放，也能接 Websocket 实时 K 线做判断。
区别只应该在参数上：
现在是回放模式，还是实盘模式。
而不是逻辑本身变来变去。
这一步如果没想清楚，后面的系统一定会越来越乱。
──── ✦ ────
04｜实盘交易里，技术分析怎么进入系统

上周也聊了实盘里常见的一些判断方法。
比如：
• 看涨吞没
• 看跌吞没
• 乌云盖顶
• 早晨之星
• 黄昏之星
• 压力位和支撑位
• 维加斯通道
• MACD 顶背离和底背离
这些东西很多人平时手动交易都会看。
但问题是：
人眼能看到的东西，系统不一定能直接理解。
所以如果想把手动交易系统量化，就要把这些判断尽量参数化、规则化。
什么叫突破？
什么叫支撑有效？
什么叫背离成立？
什么情况下开仓？
什么情况下平仓？
你说不清楚，AI 也很难帮你稳定执行。
──── ✦ ────
05｜量化系统常见问题

还有一些非常现实的问题。
比如回测框架。
这个可以用 Python 写，也可以让智能体帮你一起搭。
再比如策略配置。
不同币种的波动不一样，主流币和山寨币不能直接套同一套参数。
再比如运行环境。
我更建议放在本地 Mac mini 上跑，安全系数更高，数据也更可控。
还有资金容量。
普通人的资金量，一般没大到会把策略跑失效。
真正该注意的是：
先用小仓位，甚至蚂蚁仓测试。
实盘结果和历史回放能对上，再一点点放大。
量化资金占总仓位 5% - 10%，对大多数人来说已经够了。
API 私钥也必须保护好。
比如 API key，最好放在本地隐藏配置文件里，并且限制固定 IP 才能访问。
这类安全问题，不要等出事以后再补。
──── ✦ ────
06｜策略制定里最容易踩的坑

上周也讲了几个误区。
第一个是纯量化误区。
很多人只盯着单个因子，然后问 AI：
“这个因子有没有盈利性？”
AI 很可能告诉你：没有。
但问题是，真实交易系统很少只靠一个因子。
真正有价值的，往往是因子组合逻辑。
第二个是手动系统量化误区。
很多人做手动交易时，一眼能看到很多盘面信息。
但你让 AI 写成系统，它不一定能完整理解你眼睛看到的东西。
所以要把趋势、形态、位置、过滤条件，尽量数学化、参数化。
第三个是调参误区。
AI 很容易说：
“同一笔数据反复调参，是过拟合。”
这个提醒没错。
但如果你是在验证一套已知交易系统，看它在真实盘面里怎么表现，那适度调参是有意义的。
关键不是为了把曲线调漂亮，而是为了确认这套系统到底适不适合当前市场。
──── ✦ ────
07｜为什么流动性决定 K 线有没有参考价值

流动性这件事，非常重要。
流动性足够的时候，买入、卖出、突破、回踩，这些技术走势才更有参考价值。
但如果一个币流动性很差，K 线可能是被少量资金拉出来的。
这种情况下，你去分析形态、指标、压力支撑，很容易得到一堆假信号。
所以一开始做量化，不要总想着去新币里淘金。
更适合先看流动性好、池子大的币种。
比如 BTC、ETH。
不是因为它们一定更好赚，而是它们更适合拿来验证系统。
系统先跑通，比一上来追高波动更重要。
──── ✦ ────
08｜内部学习之后，怎么做反馈和复盘

最后我也给大家留了一个很简单的反馈任务。
听完以后，在群里反馈一下自己的理解程度：
完全听懂扣 1
听懂一半扣 2
完全听不懂扣 0
最终结果我发现，大部分人都是能听懂一半😄
这个动作不是为了形式。
而是我想知道，大家到底卡在哪一层。
是卡在交易逻辑，还是卡在系统搭建，还是卡在回测、实盘、风控这些工程问题。
后面继续组织分享，也可以根据大家真实的反馈往下拆。
──── ✦ ────
这次内部分享，我最想表达的其实就一句话：
AI 时代的量化，拼的不是谁更会写代码。
而是谁能把自己的交易理解，拆成规则，放进系统，再用数据一遍遍验证。
代码只是工具。
系统才是核心。
最后顺便提一嘴。
咱们这套量化软件能真正跑起来，离不开背后几位核心兄弟的死磕。
这里必须给大家亮个相：
@pandawl
@Powerpei
@CandyDD
他们三位在咱们量化系统的开发里绝对是主力，各司其职。
有人专门搭底层框架保稳定。
有人死磕策略和因子挖掘。
还有人死死盯着实盘数据做风控、修 Bug。
没有他们几个没日没夜地干工程落地，今天分享的这些逻辑，全都是纸上谈兵。
系统是大家一起熬出来的。
兄弟们辛苦了！
#大漠茶馆 #量化交易BTC #Aİ #Web3 #交易系统建立