大数跨境
首页
>
创始人观点｜从交易经验到策略进化，AI 如何重塑期货交易
>

创始人观点｜从交易经验到策略进化，AI 如何重塑期货交易

创始人观点｜从交易经验到策略进化，AI 如何重塑期货交易 PandaAI个人量化超级助手
2026-10-23
3
PandaAI 品牌开场
10 月 17 日，PandaAI 创始人兼 CEO 李昱琦受邀参加大盘手实盘颁奖典礼。

作为拥有千万级实盘盈利经历的获奖盘王，李昱琦在现场分享了他对主观交易、量化交易与 AI 交易的思考，并结合策略迭代与交易执行的实践，探讨 AI 如何进一步融入真实交易流程。
以下内容根据李昱琦现场分享整理：

从主观交易到量化交易：经验如何成为投研资产？

在主观交易时代，交易员最重要的能力之一，是对市场的理解。
交易员会研究宏观环境、产业基本面、供需变化和突发事件，再根据自己的判断形成交易观点。但从得出一个观点，到真正把它转化为交易，中间还有很多需要解决的问题。
比如，判断某个品种未来可能上涨，应该什么时候参与？下多少仓位？什么情况下加仓或减仓？如果市场走势与预期不一致，又应该在什么条件下调整原来的判断？
这些问题，往往很难仅靠一个方向性的判断解决。
以欧线期货为例。欧线上市后，市场经历了一系列事件，价格也出现了明显变化。当期货价格快速上涨，与现货指数之间产生较大偏离时，交易员需要进一步判断：事件还会持续多久？它会如何影响价格？市场已经反映了多少预期？
这些问题背后，既有对基本面和事件的理解，也有对价格、市场情绪和交易时机的判断。
更重要的是，行情发生之后，交易员很容易根据已经出现的价格变化，重新解释它为什么上涨。但事后能够解释一段行情，不代表事前就能够准确预测它。
这也是为什么交易经验不能简单等同于研究结论。
对于一个交易员来说，自我纠错和持续进化是非常重要的能力。需要在交易之后复盘，判断原来的逻辑是否成立、哪些判断出现了偏差，再把这些认识沉淀下来，影响下一次交易决策。
随着量化交易的发展，一部分原本依赖个人经验的研究过程，开始被转化为明确的规则、因子和策略。
交易逻辑可以被写成代码，策略可以通过历史数据进行回测，研究结果也可以被记录、比较和复用。过去存在于个人经验中的一部分知识，开始以更加明确的形式沉淀下来。
从这个角度看，量化交易带来的一个重要变化，是让投研资产有了更清晰的载体。
但这里还需要区分两件事。
投研资产的沉淀，解决的是研究成果如何保存和复用；交易经验的积累，则关系到我们如何判断这些成果在什么情况下仍然有效。
一套策略可以被保存下来，一份研究报告也可以被反复查阅，但它们并不会自动告诉我们，当前的市场环境是否仍然适合使用这套策略。
因此，从主观交易走向量化交易，不仅需要把经验转化为可以验证的研究成果，还需要建立持续检验这些成果的过程。

从量化交易到 AI 交易：生成策略，不等于策略进化

今天，AI 正在进一步改变量化研究的方式。
大家都可以通过自然语言描述一个交易想法，让 AI 生成策略代码；可以让它挖掘因子、分析回测结果，也可以让它根据已有结果提出修改建议。
这些能力确实能够降低研究过程中的一些操作成本。
但我认为，这里有一个问题需要被认真讨论：AI 把策略写出来之后，接下来呢？
如果只是让 AI 根据一段文字生成代码，那么它完成的仍然只是一个具体任务。代码能否运行、回测结果如何、策略是否值得继续研究，都还需要后续的判断和验证。
这和让 AI 写一份研究报告是类似的。报告完成了，不代表研究问题已经解决；策略生成了，也不代表交易问题已经解决。

以期货研究为例，常见的策略研究方式包括时序规则策略、截面策略，以及将两者结合起来的策略。

时序规则策略

主要研究什么时候开仓、什么时候出场；

截面策略

主要研究应该选择哪些品种；

时序与截面结合

则需要先进行品种选择，再进一步判断交易时机。

AI 可以帮助我们完成这些研究工作，但研究完成之后，我们仍然需要判断：应该选择哪一种策略？哪些品种更适合这套逻辑？在什么市场环境下使用？当原有逻辑不再有效时，又应该如何调整？
这些问题不能仅靠生成更多代码来解决。
我不认为机器学习策略就一定优于规则策略，也不认为规则策略一定不如主观分析。不同的研究方法各有其适用范围，不能简单地根据模型复杂程度判断策略的优劣。
策略迭代的目的，不是让策略变得越来越复杂，而是不断验证交易逻辑与风险边界。
这是我理解的 AI 进入量化研究之后，真正值得关注的变化。
过去，我们需要自己完成大量策略编写、回测分析和结果整理工作。现在，AI 可以参与其中的更多环节，让我们有机会把精力放在研究问题本身，以及每一轮迭代究竟验证了什么。
但与此同时，AI 也有自己的边界。
大模型主要基于已有的数据和知识进行学习与探索。它能够组合已有的指标、尝试不同的策略结构，却不意味着它已经能够独立理解市场博弈，或者自动发现所有新的交易逻辑。
市场不是一个规则固定的系统。参与者会根据环境变化调整自己的行为，原本有效的规律也可能随着市场变化而失效。
因此，交易员需要做的不只是寻找历史数据中的规律，还要判断这些规律为什么可能成立、在什么条件下会失效，以及面对新的市场环境时应该如何应对。
AI 可以帮助我们探索，但对交易逻辑和风险边界的判断，仍然需要人的参与。

让策略从一次性生成，进入持续迭代的过程

既然生成策略只是研究的起点，那么 AI 应该如何进一步参与策略研究？
我认为，一个值得探索的方向，是让 AI 不再只完成单次任务，而是能够基于已有的研究结果继续开展下一轮工作。
以 MACD 策略为例，我们可以让 AI 基于初始策略进行 100 轮迭代。在这个过程中，AI 尝试引入 RSI 等其他指标，调整原有规则，形成不同版本的策略。
这个案例真正值得关注的，并不是迭代了多少轮，也不是策略加入了多少指标，而是AI 能否根据上一轮的研究结果，继续提出新的修改方向，并通过后续验证判断这些修改是否有价值。
这意味着，策略研究有机会形成一条连续的研究轨迹：提出交易逻辑、生成策略、进行回测、分析结果、调整参数或修改规则，再形成新的策略版本。每一轮迭代都可以成为下一轮研究的基础。
当然，多轮优化不代表策略一定会变好。不断调整规则，也可能让策略过度适应历史数据。因此，每一次修改都需要接受验证，不能把回测指标的改善直接等同于真实交易能力的提升。
但从研究流程来看，这种方式提供了一种可能：让 AI 不只是交付研究结果，还能够参与研究结果的持续改进。
PandaAI 也在探索让多个 AI Agent 协同开展研究的方式。
通过组织不同的研究步骤，让 AI 在已有的研究轨迹上继续探索，可以帮助研究者尝试更多策略路径。它不仅能够执行明确的研究任务，也有机会在连续的研究过程中，发现一些原先没有想到的策略组合和思考方向。
对我来说，这类探索的价值在于，我们开始尝试把研究过程本身组织起来，而不只是把单个任务交给 AI。

从研究成果到交易执行：让经验不再只停留在对话里

除了策略迭代，还有一个问题同样值得关注：当研究和交易越来越多地借助 AI 完成时，我们积累的经验应该保存在什么地方？
假设有一位经验丰富的交易员。他知道什么时候应该参与一笔交易，什么时候需要调整策略，也知道什么情况下应该停止执行。
但这些判断可能分散在他的个人经验、研究记录和日常操作中。如果换一个人来执行，或者希望 AI 参与这些工作，就需要重新解释大量背景信息和操作规则。
如果每一次都要从头开始，这些经验就很难真正沉淀下来。
我认为，交易经验的积累，不应该只停留在某一次对话里。研究过程、策略版本、回测结果，以及每一次调整背后的判断，都应该有机会被记录下来，并在后续研究中继续发挥作用。
在 PandaAI，我们希望通过不同的产品能力，让 AI 参与交易的更多环节。
在研究阶段，QUBE 可以帮助用户从一个交易想法出发，生成可回测的策略，再根据回测结果继续分析和调整。这让原本停留在想法层面的判断，有机会转化为可以验证的研究成果。
而当用户希望进一步让 AI 参与实际交易操作时，我们也在探索另一种方式：通过实盘客户端的 CLI 接口，将 AI Agent 与交易客户端连接起来。
据我们目前了解，当前国内金融交易赛道暂无同类可对接大模型的交易接口产品。CLI 的推出，也是我们在探索如何将 AI 的分析能力与真实交易操作连接起来，让用户能够通过自己配置的 AI Agent，调用客户端提供的数据查询和交易操作能力。
用户完成相应配置后，就可以通过自然语言与自己的 AI Agent 交互，查询账户资金、持仓、订单和合约实时行情等信息，也可以发起开仓、平仓、限价挂单等操作。

这里需要说明的是，CLI 提供的是基础的数据查询和交易操作能力，具体如何分析行情、形成交易思路，仍然取决于用户如何配置和使用自己的 AI Agent。比如，用户可以让 AI 根据实时行情辅助分析，在形成交易指令后，再调用客户端的交易能力执行相应操作。
同时，所有 AI 生成的交易指令都需要经过人工确认，才能提交报单。这是实际交易中必须重视的一环：AI 能够理解指令、查询数据，甚至执行操作，并不意味着它做出的交易判断就是正确的。
从 QUBE 中的策略研究，到 CLI 对实盘交易能力的开放，PandaAI 正在尝试让 AI 的参与不只停留在分析和生成内容上，而是进一步延伸到实际操作环节。
当然，研究和执行之间还有很多问题需要探索。策略能否适应不同的市场环境，交易逻辑是否合理，什么时候应该调整或停止执行，都需要持续验证。工具能够打通操作流程，但不能替代交易者对风险的判断。
与此同时，PandaAI 也在通过开源社区 QuantSkills 分享量化研究技能。目前，社区已经涵盖因子挖掘、研报复现等不同类型的量化技能，供研究者参考和使用。
这些工作指向的是同一个问题：如何让研究方法不只服务于一次任务，而是能够被保存、复用，并在后续实践中继续迭代。

AI 交易仍处于早期，真正的进化还需要持续探索

从主观交易到量化交易，再到 AI 交易，研究工具和研究方式一直在变化。
主观交易积累了大量来自市场实践的经验；量化交易让部分经验转化为可以明确表达、回测和验证的策略；而 AI 的出现，让我们有机会进一步探索研究流程的自动化，以及研究成果如何持续积累和迭代。
但这并不意味着，AI 已经解决了交易中的核心问题。
目前，AI 交易仍处于非常初始的阶段。我们与海外前沿机构保持交流，也在持续尝试新的研究方法和应用方式。
对于 PandaAI 来说，我们希望做的，不只是提供能够生成策略的工具，而是与交易者一起探索：如何让投研资产更好地沉淀下来，如何让 AI 参与策略的持续迭代，以及如何进一步连接研究与交易执行。
这些问题都还需要在真实的研究和实践中不断验证。

我相信，AI 给交易带来的重要机会，不只是让我们更快地完成一项工作，而是让过去难以保存、复用和持续验证的研究经验，有机会形成更加连续的积累。

而这条路，还需要我们和更多交易者一起探索。


About PandaAI

PandaAI 是一个面向量化研究与交易场景的 AI Trading 平台，致力于让更多人能够以更低门槛使用专业级的量化研究与交易能力。

我们从真实的 Quant Workflow 出发，将 AI、大模型、Agent、金融数据与交易基础设施结合，帮助用户完成从市场研究、策略构建、回测验证，到模拟及实盘交易的完整流程。

目前，PandaAI 已推出 Qube、EVO 等产品，并持续探索多 Agent 协作、自进化研究与 AI Trading Infrastructure。

我们希望，让 AI 不只是回答金融问题，而是真正成为每一位交易者和研究者身边的 AI 量化研究员。


【声明】内容源于网络
0
0
PandaAI个人量化超级助手
打破代码与数据壁垒，以 AI 驱动零门槛量化体验！无需代码即可轻松搭建多因子策略的量化智能体。
内容 92
粉丝 0
PandaAI个人量化超级助手 打破代码与数据壁垒，以 AI 驱动零门槛量化体验！无需代码即可轻松搭建多因子策略的量化智能体。
总阅读4.0k
粉丝0
内容92