一 创建基础⼯作流
- 打开右下⻆ AI 助⼿
- 在对话框中输⼊研究⽬标：写一个海龟交易法则，用于白银期货测试。用15分钟级别的上下轨的宽度作为波动率的特征，当连续3根15分钟级别的上下轨宽度变宽，则定义为波动率放大，此时再按照海龟交易法则的新高、ATR入场和制定止损。
二 策略代码审查与逻辑纠偏
2.1 识别默认指标偏差
- 检查AI初步生成的Python代码与策略小结；
- 发现AI默认采用了Bollinger带宽（布林带）作为波动率扩张的衡量标准，偏离了初始构想；
2.2 下达精准修改指令
- 在AI对话框中明确指出偏差：“你用的是波动率扩张(Bollinger带宽)，但我不需要使用布林带”；
- 提供明确的替换方案，指示AI将特征判定逻辑更改为“用15分钟级别的唐奇安通道的上下轨”；
三 运行回测与AI智能诊断
3.1 诊断交易活跃度
- 应用并保存修正后的代码，启动第一次完整回测；
- 调用系统的“AI分析”功能，获取关于策略失效或表现平庸的深度诊断报告；
3.2 定位参数保守问题
- 吸收AI的核心改进建议：首先检查交易是否“有做起来”；
- 依据提示，深入核对成交笔数、平均持仓天数、胜率和盈亏比等指标；
- 确认策略未有效运行的根源在于参数过于保守（如ATR止损太近、risk_per_trade太小、channel_window过大导致信号极少）；
四 落实优化建议与代码更新
4.1 自动迭代策略参数
- 采纳AI智能分析给出的具体参数调整方向；
- 直接在对话框中向AI助手下达简明指令：“根据改进建议继续修改”；
4.2 重构风控与入场逻辑
- 等待AI自动重构代码，完成缩短通道窗口、放宽止损倍数等具体调参动作，以提高交易频率并减少被短期噪音扫出；
- 点击“应用”将新逻辑覆盖至当前节点，并务必点击保存以更新工作流状态；
五 收益复盘与绩效评估
5.1 查看全局资金曲线
- 再次点击“启动工作流”，基于优化后的参数跑通白银期货的全局回测；
- 进入“收益概览”面板，直观查看策略收益、超额收益以及基准收益的走势对比；
5.2 评估核心回测指标
- 详细核对年化收益、最大回撤、夏普比率、收益波动率等关键量化指标；
- 结合“交易详情”与“查看日志”功能，复盘优化后的开平仓信号是否准确命中了一波多头或空头趋势；
六 策略泛化验证与多品种测试
6.1 下达品种切换指令
- 在白银品种上验证了该改进版海龟策略的有效性与盈利能力后，准备测试其鲁棒性；
- 直接向AI对话框输入极简指令：“切换品种为铜”；
6.2 快速开展跨品种回测
- 确认AI已自动将底层的合约标的代码映射修改为铜期货主力合约；
- 重新保存并运行工作流（注意首次切换品种需等待系统缓存一段历史数据），从而高效完成多品种策略泛化能力的横向对比；
七 整体研究思路总结
本次测试完整展示了基于AI辅助的量化策略开发与重构流程。
在系统开发与测试过程中，重点通过AI的静态代码审查与动态回测诊断，精准纠正了特征提取的指标偏差（将默认的布林带严格修正为唐奇安通道），并准确定位了导致策略信号稀疏的保守参数陷阱。通过多轮自然语言交互，快速完成了核心参数的迭代与风控逻辑的重构。最终，在单一品种（白银期货）上验证了正向的超额收益后，迅速将策略标的切换至铜期货，完成了跨品种的泛化能力与鲁棒性检验。
补充 ：
第一版的交易次数为0，原因在于系统以日频调仓，所以在日内没有做到以15分钟的波动特征来开仓。因此最后的策略并没有用到15分钟k线数据。
