前阵子我又刷到有人在晒回测曲线。

那种图我以前一看就很容易上头。几条线一拉，收益率一标，胜率一写，再配一句“策略已验证”，特别像一扇已经被推开的门，好像只要我再补几行代码，下一步就该轮到我挣钱了。

说实话，我最开始学量化交易，就是被这种感觉吸进去的。

我本来以为，量化交易这件事的核心是“找到一个好策略”。后来我自己真去跑、去测、去改，折腾了好一阵子之后，我才慢慢意识到，问题根本不在这里。真正难的，是你怎么把一个看起来像逻辑的想法，变成一套能被数据验证、能被市场折磨、最后还能勉强活下来的系统。

这中间差了太多东西。

差数据，差执行，差风控，差手续费滑点，差你对“有效”这两个字的理解。更差的是，人很容易在第一阶段就被回测曲线骗了，以为自己已经摸到门了。

我就是这么踩进来的。

最开始的时候，我学量化交易的心态其实很朴素。我不想天天盯盘，也不太相信靠情绪和感觉做交易能长期稳定。我更想要一种能复盘、能迭代、能写成规则的方式。说白了，我想要的不是“猜对一次”，而是“把自己做决策的过程结构化”。

这件事对我很有吸引力。

因为一旦你开始把交易当成一个系统问题来看，很多以前模糊的东西就会突然变得具体。你不再只问“这个币会不会涨”，而是开始问：我为什么进场，凭什么在这里进，什么情况下止损，什么情况下加仓，手续费吃掉多少，样本外还能不能成立，换个周期会不会直接失效。

这些问题，才是量化真正开始的地方。

我真正上手，是从两个开源方向切进去的。一个是 Freqtrade，它本身就是面向加密市场的开源交易机器人，回测、画图、资金管理、策略优化这些基础能力都在同一个体系里；另一个是 Backtrader，它更像一个偏研究型的 Python 回测框架，给你更大的自由度，但也要求你自己搭更多东西。交易所接入和历史数据规则，我后来更多是直接去看 Binance Developer Center 的官方文档。

• Freqtrade GitHub: https://github.com/freqtrade/freqtrade
• Backtrader GitHub: https://github.com/mementum/backtrader
• Binance Developer Center: https://developers.binance.com/

我为什么会对这套东西感兴趣，不是因为我一开始就相信“量化一定比主观强”。恰恰相反，我一开始其实有点怀疑。

因为网上关于量化交易的内容，很多都太像结果展示了。大家爱发收益截图，爱发参数，爱发漂亮曲线，但很少有人认真讲清楚，自己到底是怎么把一个想法磨出来的。更少有人愿意承认，很多所谓策略，可能只是在某段行情里刚好有效，或者只是把噪声拟合得很好看。

我后来才发现，学习量化交易最重要的一件事，不是立刻写出策略，而是先把自己的预期打碎。

我第一次认真测的，不是什么复杂模型，就是最土的趋势思路。因为我当时有个很直接的判断：加密市场波动大，趋势一旦出来，延续性可能比很多传统市场更明显。那么一个最基础的思路有没有可能先跑通？比如均线过滤趋势、RSI 避免追高、固定止损控制风险，再加一点成交量条件，看看能不能跑出一个至少说得过去的结果。

我当时为什么这么测？很简单。因为我不想一上来就掉进“指标大拼盘”的坑里。你加十几个条件，看起来很专业，实际很可能只是把过去那段行情记住了。真正适合新手的测试，不是把策略写复杂，而是把变量压少，把因果关系尽量说清楚。

这件事其实很关键。

很多人学量化，一开始就忍不住问：有没有现成策略？有没有高胜率模板？有没有可以直接跑的参数？

我现在的判断是，这种问题问得越早，越容易走偏。

因为量化交易不是背答案。你真要学会它，得先学会提问。比如你不是问“什么策略赚钱”，而是问“什么市场状态下，什么类型的策略更容易有效”。不是问“RSI 设多少”，而是问“这个指标在我的交易逻辑里到底承担什么角色”。不是问“胜率高不高”，而是问“赔率、回撤、交易频次和手续费一起看，系统还能不能活”。

我第一次把一个趋势策略扔进回测框架里，跑出来的结果其实不难看。曲线往上，回撤可控，甚至某几个币种单看还挺像回事。

但真正让我意外的不是这个。

而是我一换时间段，结果立刻变形了。

我后来又把同样的逻辑放到另一段行情里，尤其是那种震荡来回抽脸的区间，收益一下子就被打回去了。这个瞬间对我冲击挺大。因为它让我第一次非常具体地意识到，量化交易里最危险的不是亏损，而是“一个看起来有逻辑的系统，在你最相信它的时候其实只是运气好”。

这也是我后来改学习方法的分水岭。

从那之后，我不再急着追求“找到一个厉害策略”，而是开始把所有测试拆成几个固定问题。

第一，这个想法到底在赌什么。

比如趋势策略，本质上赌的是延续；均值回归，本质上赌的是偏离后回归；突破策略，赌的是波动扩张；资金费率和期限结构类的思路，赌的是市场结构性失衡。你得先把自己押注的东西说清楚，不然你后面所有参数都只是装饰。

第二，这个想法最怕什么环境。

这个问题很多人会跳过，但我后来越来越觉得，它比“什么时候有效”还重要。因为市场不会一直配合你。你必须先知道，什么环境会打穿你。趋势策略怕震荡，抄底逻辑怕单边下杀，高频思路怕手续费和延迟，跨品种轮动怕流动性和成分变化。你要是连自己的死法都不知道，那策略大概率只是看起来完整。

第三，执行成本到底有没有被认真算进去。

这个坑我也踩得很实。刚开始回测的时候，我对手续费、滑点这些东西重视不够，总觉得先看方向对不对，成本以后再细化。后来我发现，这种想法特别容易把人带沟里。因为很多策略不是“逻辑错误”，而是“成本吞噬”。你在图上看到的是利润，市场最后收走的是执行质量。

也是从这个阶段开始，我对工具的看法变了。

我一开始看 Freqtrade，会觉得它像个“现成的量化生产线”。因为它不仅是开源交易机器人，还把回测、绘图、资金管理和一些策略优化能力都包在一起，对刚入门的人来说，上手门槛比你从零搭框架低很多。

但我后来真正觉得它有价值，不是因为它方便，而是因为它逼着你把一件事做完整。

你不能只停留在“我有个想法”。你得把数据接进来，把买卖规则写清楚，把止盈止损写清楚，把仓位管理想清楚，然后看回测结果，再去做参数搜索，再去看样本外。它不是帮你赚钱的捷径，它更像一个让你没法继续糊弄自己的工具。

而 Backtrader 给我的感觉就完全不一样。它更像研究桌，而不是成品台。它是一个偏 Python 回测框架的东西，对我来说，它更适合做那些你不满足于套模板、想自己定义事件流和组合逻辑的时候。

这也是我后来特别在意的一点：学量化交易，工具路线其实很重要。

有的人适合先从“半成品系统”入手，先把完整流程走通，别让自己卡死在工程上；有的人更适合从框架层理解，因为他本来就想研究策略结构和执行细节。这两条路线没有谁绝对更高级，但它们解决的问题不一样。

说白了，Freqtrade 更像“先把交易系统跑起来”；Backtrader 更像“先把研究能力搭起来”。这也是它们和很多只会给你一个信号面板、一个策略模板的网站最不一样的地方。前者强调流程闭合，后者强调研究自由。真正有价值的，不是“谁更强”，而是你当前缺的是哪一块。

我自己后来还专门拿两个真实任务去测过这件事。

一个任务，是做一个我以为很“稳”的 4 小时周期趋势系统。

我为什么选 4 小时，不是因为它神奇，而是因为它正好卡在一个我比较能接受的位置：比日线更灵活，比 15 分钟和 1 小时少很多噪声。我当时想测的是，如果我不追求极高频，不想一天到晚盯着盘口，那这种节奏能不能让我把“逻辑、执行、复盘”这三件事放到一个平衡点上。

我怎么做的？很简单。先定 universe，再做过滤。先筛掉成交量太差的币，再用趋势过滤条件选方向，然后用比较克制的入场条件去避免纯追涨。最后把止损、止盈、移动保护和手续费一起加进去。

这里面有个小方法论，我后来一直在用：策略设计一定要先定“角色”，再铺“场景”。

什么意思？你先决定这个策略是干什么的。它是捕捉趋势，还是吃震荡反弹，还是做波动扩张？这个就是角色。然后你再问，什么市场场景允许它发挥，什么场景应该让它闭嘴。很多人反过来做，一上来就调指标，最后把策略调成了一个谁都像、谁都不像的东西。

我第一次跑这个系统的时候，最让我意外的地方，是它在少数强趋势段里表现真不错，但一旦横盘拉长，交易频率会明显升高，然后手续费和止损一点点把利润磨掉。这个结果其实特别真实。因为它没给我“圣杯”的幻觉，反而让我看到，市场环境对系统的伤害有多直接。

第二个任务，是拿一套均值回归思路去测超跌反弹。

为什么测这个？因为我当时心里一直有个执念：加密市场波动这么大，很多急跌之后不是都会反抽吗？那是不是可以把这种反抽系统化？

结果这次给我的教育更大。

我发现“超跌会反弹”这句话本身没错，错的是我一开始把它想得太简单了。因为不是所有急跌都值得接。很多所谓超跌，其实只是更大级别下跌趋势里的一个中继。你在图上看它跌很多，放到结构里看，它只是刚开始。

我怎么修正的？不是继续堆指标，而是先加市场状态过滤。比如大盘环境、波动率状态、趋势级别、成交活跃度，甚至有时候还会限制只在某些更稳定的时段才允许触发。这个过程很枯燥，但也是我开始真正理解“策略不是信号，策略是约束条件组合”的阶段。

这里还有一个我现在特别认同的方法论：别一上来问 prompt 怎么写，先问你要让模型替你完成什么工作。

因为很多人现在学量化，已经不是纯手写了，会借助 AI 帮你生成策略、改代码、查 bug、写分析报告。这时候 prompt 当然重要，但 prompt 不是越华丽越好。真正有用的写法，往往是先定角色，再给边界，再给输入输出格式。

比如我后来让 AI 辅助写策略时，思路就不会是“给我一个高胜率策略”。这种写法基本等于邀请幻觉。更有效的写法通常是：你现在是一个量化研究员，请基于某个交易品类、某个持仓周期、某种市场假设，生成一个只包含少量变量、可解释、方便回测的初版策略；必须显式写出入场、出场、风控、样本外验证步骤；不要追求高收益，先追求可检验。

你看，这种写法的核心不是“求答案”，而是“限定研究任务”。

这件事和写普通内容很像。风格锚点比空泛描述更重要，约束条件比一句“写得专业一点”更重要。量化场景里更是这样。你不给边界，AI 很容易给你拼一个看起来懂很多、实际不能落地的东西。

但说回来，AI 也只是辅助。量化交易这件事，最后还是得你自己承担判断。

我后来越来越不相信两类东西。

一类是只给你看收益，不给你看回撤、不告诉你手续费、不讲样本外的策略展示。

另一类是上来就卖“稳定盈利系统”的课程或者工具。

因为我自己踩过坑，所以现在看得更清楚。量化交易真正有价值的部分，不在于某个公式，也不在于某个神秘指标，而在于你有没有能力把一个想法从“听起来有道理”，推进到“经过了足够多轮打磨，仍然有一点点可信度”。

这个过程很慢。

慢到很多人根本坚持不到那一步。

可也正是因为慢，它才把人分出来了。

你问我量化交易强在哪，我现在会说，它强在可验证。你每一个假设都能被数据打脸，虽然这个过程很痛，但它至少不会让你永远活在“我觉得”的世界里。

你问我它弱在哪，我也会说得很直接。它弱在门槛并不低，而且这个门槛不是只会 Python 就能解决的。你要懂市场结构，懂数据质量，懂回测偏差，懂交易成本，懂风控，还得懂自己什么时候在自欺欺人。很多人不是不会写代码，而是不会做研究。

它适合谁？适合那些愿意长期复盘、愿意做记录、愿意承认自己错了、愿意把系统当产品慢慢打磨的人。

它不适合谁？不适合把量化当暴富快捷方式的人，也不太适合那种对回撤没有耐心、对数据没有敬畏、看到一条好看的曲线就想直接实盘的人。

这话听起来有点冷，但是真的。

我自己学到现在，最大的心得其实不是“某个策略多厉害”，而是我开始重新理解交易这件事。以前我看交易，更像在看机会。现在我看交易，更像在看约束。以前我总想着怎么抓住波动，现在我更在意怎么不被噪声拖走。以前我容易被结果打动，现在我更愿意盯着过程看。

这也是我觉得量化交易真正值得学的地方。

它最后不只是教你写策略，而是在训练你怎么处理不确定性，怎么跟自己的冲动拉开距离，怎么把判断拆解成结构，怎么让一个系统在现实里经受住摩擦。

说到底，量化不是让你变成一个更会预测的人。

量化是在逼你变成一个更会验证的人。

这几年我越来越觉得，未来真正有价值的，不是“会不会用某个量化工具”，而是你能不能把研究、数据、执行和复盘连成一整条链。开源工具之所以值得看，也不是因为它们天然更强，而是因为它们把思路摊开给你看。你能看到一套系统是怎么被搭起来的，也能看到它哪里有限、哪里粗糙、哪里需要你自己补。

所以我现在给刚入门的人一个很朴素的建议：别急着找神策略，先找一套你能长期用来做研究和复盘的工作台。

加密方向里，我会先去看 Freqtrade 的 GitHub 和官方文档；想更偏研究和策略框架，就去看 Backtrader 的 GitHub 和官网；交易所数据和接口规则，则直接看 Binance Developer Center。至少从学习路径上，这几个入口都很实在。

最后我还是想说一句，量化交易这件事，真正让我持续投入的，不是它看起来聪明，也不是它看起来自动化。

而是它逼我承认一件事：市场不会因为我有观点就给我回报，但一套被认真验证过、被认真复盘过、被认真控制风险的系统，至少能让我在这个充满噪声的地方，站得稍微稳一点。

这点，对我来说，已经很值了。