最后一周的智能体测评： 智能体AI交易辅助产品：从对话框到决策引擎，最直观的感受是：量化交易的门槛确实正在从“编程能力”转向“逻辑拆解能力”转变： 1.交互范式的重构：自然语言即策略 过去，个人投资者想要实现一个复杂的交易逻辑（比如：监控交易信号+结合基本面讯息+自动仓位管理），需要编写大量的Python脚本。现在的Agent产品通过RAG（检索增强生成）极大地缩短了这个路径。你只需要喂入，Agent就能在几秒钟内提取核心因子并生成回测框架。这种所见即所得的策略生成体验，确实提升了非专业程...

按照讲解，我学习了新的因子挖掘框架： 单因子框架 用AI助手生成基础单因子，这在之前的测试中已经跑通 多因子框架 在多个因子构建节点后，增加了“因子权重”节点，然后再连接到“因子合并”。这让我体会到这是构建因子新的有力武器，有种将微观alpha组合起来使其更稳健的感觉   ![img_v3_02102_33a5e5c2f3eb4710bfcf5e8a...

从“调参侠”到“策略架构师”的蜕变，往往只隔着一个真正的专家模式。本周体验PandaAI的专家模式，并以其为载体完整跑了一个股票动量轮动策略的回测 从“黑箱”到“白盒”的跨越 最直观的冲击在于代码的完全透明化。在专家模式下，以往AI生成的策略黑箱被彻底打开，每一个节点都变成了可编辑、可调试的Python代码块。我可以在“数据获取”节点直接修改底层数据源，在“因子计算”节点像点开函数库一样审视每一行算法，甚至直接动手修改逻辑。以我构建的动量轮动策略为例，核心逻辑是每月在沪深300成分股中，通过...

工作流是按照MA20、MA60再组合，来进行白银期货的交易：  运行的时候主要碰到了节点问题，期货数据一直有问题：  后来先用股票测试了下，是OK的：  回过头来论坛看了下，是白银期货合约数据问题，更改了下回测时间，也跑通了 ![915501c6bab6484990737782d38a...

本次主要测试下业绩成长因子叠加均线判断，首先是业绩的测试：   运行工作流时候产生了些bug，不过AI助手可以自我修复，应用下再跑即可，基础的回测结果还是可以的，属于B+接近A的水平，但是忘记把这个结果先另存了。。被后续修改的策略给覆盖了，这点后面会继续注意下。 第二周感觉运行的时间明显变长了，会等个好几分钟。 

体验感受 由于刚接触vibecoding,以前对代码熟悉度也不够，姑且是觉得量化离自己还是有很远距离的，但现在有了好的工具，体验上手会有一些全新的感受，我觉得有一点还是至关重要的：“如何把需求讲清楚” 策略测试  一开始的想法是想看下能否对重要指数（及ETF）进行下均线测试，但跑失败了，换了中证500测试也一样，查了下INFO是缺了相关的数据，后来就临时用了家上市公司中微公司（688012.SH）代替，姑且是算成功了。  ...