先自我介绍一下。我写代码快十年了，前几年在互联网公司做后端，后来转到一家私募做量化研究和交易系统，满打满算在量化这行也就四五年。算不上老兵，但该踩的坑基本都踩过：未来函数、幸存者偏差、手续费算漏、实盘滑点把回测收益吃掉一半……
这两年身边越来越多朋友问我同一个问题：“我不是科班，也不在机构，现在用AI能不能自己做量化？”
以前我的回答基本是劝退。今天我的回答变了：能，而且这可能是普通人在AI时代能拿到的最实在的一份红利。 只是这份红利，不在大多数人以为的地方。
一、个人做量化，过去卡在哪？
我把个人做量化的障碍总结成三堵墙：
- 工程墙：数据下载、清洗、复权、存储，回测框架，绩效统计，实盘接口……一套能用的系统，在机构里是好几个人在维护。个人业余时间从零写，大概率在”写回测框架”这一步就把热情耗光了。
- 知识墙：什么是前视偏差？为什么一定要做样本外？夏普1.5到底算不算好？这些知识散落在论文、书和老师傅的口口相传里，没人带很难系统掌握。
- 时间墙：上班族一周能挤出的有效时间也就十来个小时。一个想法从”灵光一闪”到”跑出可信的回测”，过去常常要两三个周末。等你验证完，兴趣也没了。
这三堵墙里，AI编程代理（coding agent）几乎直接推倒了第一堵，大幅削低了第三堵，并且能在第二堵上当一个随叫随到的助教。 唯独有一样东西，它给不了你——后面单独说。
本文以Codex为例，考虑到国内订阅codex确实有点困难，可以参考一下这里：claudemax.shop
二、为什么拿Codex举例：2026年的它早已不是”代码补全”
很多人对Codex的印象还停留在几年前，先把背景更新一下。
简单梳理几个节点：
- 2025年4月，OpenAI开源了Codex CLI——一个跑在本地终端里的编程代理，能读写文件、执行命令；一个月后又推出了云端版本。
- 2026年上半年进入快车道：2月推出桌面App，专门用来同时管理多个长时间运行的代理任务，底层模型先后换上GPT-5.3-Codex、GPT-5.4、GPT-5.5；3月加入插件体系，可以把工作流、应用集成和MCP服务打包安装。
- 用户规模：OpenAI在6月公布周活超过500万；8月又有OpenAI员工提到活跃用户达到2000万（后者没有说明统计口径，两个数字不宜直接比较，但量级变化是明确的）。
- 最近的变化在9月：月初发布了旗舰模型GPT-6 Astra；9月22日推出GPT-6 Sol和GPT-6 Luna，面向Codex和ChatGPT Work，同时API价格砍了一半左右。
对个人量化玩家来说，最后这一条最关键——成本。
按官方价格，GPT-6 Sol每百万输入/输出token是2美元/10美元，上一代GPT-5.6 Sol是4/20；轻量的GPT-6 Luna只要0.10⁄0.50。
如果不走API，Codex本身没有单独收费，跟着ChatGPT套餐走：Plus每月20美元，Pro分100美元和200美元两档（200美元档从9月10日起暂停新购）。按公开的估算，Plus用户每个5小时窗口里，GPT-6 Sol大约能用15~150条消息，Luna则是几百到几千条。
我的实际体感：个人做中低频量化研究，一个Plus账号基本够用。 真正吃额度的是让它一次性读完一个巨大的仓库，或者同时开很多并行任务，个人项目很少到那个量级。
换句话说：一个月20美元，你就拥有了一个不会累、不嫌问题蠢、能直接在你电脑上跑代码的”初级量化工程师”。这在五年前是不可想象的。
三、先泼一盆冷水：AI不会给你Alpha
讲怎么做之前，必须先说清楚一件事，否则后面讲得越爽，你亏得越惨。
Codex能把你的想法变成代码，但它不能替你找到一个真正能赚钱的想法。
原因很简单：
- 大模型的知识来自公开资料。公开资料里能找到的”策略”，要么早被套利干净，要么本来就是回测幻觉。
- 你让AI”帮我写一个年化30%的策略”，它一定写得出来——在回测里。它会非常努力地满足你，包括在不知不觉中帮你过拟合。
所以我对”AI量化红利”的定义是：
红利不是AI替你赚钱，而是把”想法→可信验证”的成本降到接近零，让普通人第一次有条件用科学方法对待自己的钱。
这也是标题里”适合你的策略”的含义——不是最赚钱的策略，而是你看得懂、拿得住、和你的资金量/时间/性格匹配、并且经过严格验证的策略。
四、实操：用Codex从0搭一套个人量化系统
下面是我自己在用的流程。示例以A股ETF为主，因为对个人来说ETF有几个天然优势：卖出免印花税、没有个股暴雷风险、流动性好，跨境、债券等部分品种还支持T+0。
第0步：先回答”什么叫适合你”
打开Codex之前，先拿张纸写下这几项。这一步AI替不了你：
问题
我的答案（示例）
投入资金
20万，亏损30%以内能接受
每周可投入时间
研究5小时，执行≤10分钟/天
交易频率
周频或月频调仓
标的范围
宽基 + 行业 + 跨境ETF，约40只
最不能忍受的事
连续一年跑输沪深300 / 最大回撤超过25%
最后一行最重要。很多人的策略不是亏死的，而是在回撤期被自己手动关掉的。你能坚持执行的策略，才是适合你的策略。
第1步：建项目，写好AGENTS.md
Codex会读取项目根目录下的 AGENTS.md，把它当成这个项目的”员工手册”。我觉得这是最被低估的功能——量化项目里很多坑，都可以在这里一次性写死。
我的 AGENTS.md 大致长这样：
# 项目：个人ETF轮动研究## 硬性规则（任何代码都必须遵守）- 所有信号只能使用 t 日收盘及之前的数据，在 t+1 日开盘执行。禁止前视。- 收益计算一律用后复权价格，展示用前复权。- 回测必须计入：佣金万1.5（最低5元）、单边滑点0.1%。- 任何新策略必须同时输出样本内(2015-2021)与样本外(2022至今)两段绩效。- 每跑一次回测，把参数和结果追加写入 experiments/log.csv（带时间戳）。## 目录约定- data/raw 原始数据，只读；data/clean 清洗后数据（parquet）- src/backtest 回测引擎；src/strategies 每个策略一个文件- tests/ 核心函数必须有单测，尤其是信号与价格的时间对齐## 风格- Python 3.12 + pandas，不引入重量级框架- 修改回测引擎前，先说明改动理由
请记住”实验日志”那一条，讲过拟合的时候你会知道它有多重要。
第2步：数据层——让它干最脏的活
我给Codex的第一个任务通常是：
用 akshare 下载 config/universe.yaml 里的ETF池自2014年以来的日线数据，存为 parquet。再写一个数据质量检查脚本：检查缺失交易日、价格为0或负数、单日涨跌幅超过20%的异常值、上市日期之前的脏数据，输出一份报告。
这种活人写起来又烦又容易漏，Codex做得又快又全——它会自己跑，报错了自己改，最后交给你一份检查报告。你要做的是看报告，而不是逐行看代码。
两个提醒：
- 免费数据源偶尔会改接口，让它把”下载”和”清洗”分成两层写，出问题只改一层。
- 在沙箱的网络设置里，只放行包管理源和你实际用到的数据源域名，不给代理任何多余的网络权限。
第3步：回测引擎——简单、透明、可测试
个人做中低频，向量化回测完全够用，没必要一上来就上事件驱动。我让Codex写一个300行以内的回测核心，并要求先写测试、再写实现，尤其是这三个测试：
- 用一段人工构造的价格序列，手算出应有收益，验证引擎结果完全一致；
- 故意把信号往前挪一天，断言测试会失败——这是抓前视偏差的”金丝雀”；
- 验证小资金下”最低5元佣金”是否真的生效。
这是AI最省时间的地方，也是最需要你盯紧的地方：测试的期望值必须由你来确认，不能让它自己出题、自己判卷。
第4步：策略实现——一个”普通人拿得住”的ETF轮动
举一个经典、逻辑清楚、个人也拿得住的框架：动量轮动 + 趋势过滤。
一句话逻辑：每周最后一个交易日收盘后，在ETF池里挑过去N日涨幅最高的K只，但只在它自身处于长期均线之上时才参与排名；都不满足就空仓（或换成货币/短债ETF）；下一个交易日开盘调仓。
核心代码大致如下（Codex生成，我精简过）：
import pandas as pddef momentum_rotation(close: pd.DataFrame, lookback=60, top_k=2, ma_len=120): """close: 行=交易日, 列=ETF代码, 后复权收盘价""" mom = close.pct_change(lookback) trend_ok = close > close.rolling(ma_len).mean() score = mom.where(trend_ok) # 趋势不达标的不参与排名 rank = score.rank(axis=1, ascending=False) weight = (rank <= top_k).astype(float) weight = weight.div(weight.sum(axis=1), axis=0).fillna(0) # 每周最后一个交易日生成信号（自动处理节假日） dates = pd.Series(close.index, index=close.index) is_rebal = dates.groupby(close.index.to_period("W")).transform("max").eq(dates) weekly = weight[is_rebal] # 下一个交易日执行：这一行 shift(1) 就是防前视的关键 return weekly.reindex(close.index).ffill().shift(1).fillna(0)
注意最后的 .shift(1)，它就是AGENTS.md里那条硬规则的落地。我见过太多”年化50%“的回测，毛病就出在少了这一行。
给Codex布置策略任务时，我有个固定句式：
实现 momentum_rotation 并接入回测引擎，输出样本内外净值曲线、年化收益、最大回撤、夏普、换手率和分年度收益。然后扮演一个挑剔的风控，列出这个结果可能不可信的5个理由，并逐条写代码验证。
“扮演挑剔的风控”这一句非常好用。更进一步：另开一个会话（或者开一个独立的worktree），让一个没看过开发过程的代理专门审查前视偏差和数据泄露。自己写的东西自己审，人和AI都容易灯下黑。
第5步：稳健性验证——省不了，也不该省
这一步我的时间投入几乎没有因为AI而减少，因为判断是我的活：
- 参数平原：lookback从20到120、top_k从1到4，画一张收益热力图。好策略应该是一片”高原”，而不是一根”针尖”。如果只有lookback=63那一格特别亮，基本可以判定是过拟合。
- 滚动样本外（walk-forward）：用过去N年选参数，下一年检验，一路滚到现在。
- 换个市场试试：同样的逻辑放到港股、美股行业ETF上是否大致成立？逻辑真实的策略通常有一定普适性。
- 成本敏感性：把手续费和滑点翻倍，策略还活着吗？
第6步：实盘——从”半自动”开始
我强烈建议个人先做半自动：程序在每周最后一个交易日收盘后生成调仓清单推到手机，你自己手动下单。花不了几分钟，却能让你在真金白银里感受策略的节奏。
Codex可以帮你写好整条链路：定时拉数据 → 生成信号 → 生成调仓清单 → 推送。用它自带的自动化任务，或者用 codex exec 挂进你自己的定时任务都可以。
跑稳三个月、实盘和回测的偏差可控之后，再考虑接入券商提供的量化交易终端做全自动。券商账户的密钥永远不要交给AI代理，也不要写进代码仓库。
这张图是我自己几个项目的粗略估算，不是严谨统计，仅供感受量级。节省最多的是纯工程环节（数据、框架、实现），节省最少的是验证环节——这符合预期，也理应如此。
五、最大的坑：AI会把过拟合放大十倍
现在来说那个”AI给不了你”的东西，以及AI时代个人量化最危险的陷阱。
以前手写代码，一个周末顶多试十几组参数。现在一个晚上让Codex批量跑上千组参数、几十种变体，毫不费力。问题就在这里：
试的次数越多，纯靠运气”跑出好看结果”的概率就越大。
这张图用的是Bailey和López de Prado提出的”多重检验下期望最大夏普”近似公式。假设：5年日频数据，你测试的所有策略真实夏普都是0（完全没有Alpha），并且相互独立。结果是：
- 只试1次，期望的最高夏普是0，很合理；
- 试100次，从纯噪声里挑出来的最好那个，夏普期望约1.1；
- 试1000次，约1.5；
- 试1万次，约1.7。
夏普1.5的回测拿出去，很多人会觉得”挺不错”。但如果它是从一千次尝试里挑出来的，它很可能什么都不是。现实中策略之间高度相关，实际的膨胀会比这个理论值小一些，但方向完全一致。
我的应对办法：
- 记录所有尝试：这就是AGENTS.md里要求写
experiments/log.csv的原因。你得知道自己一共试了多少次。 - 样本外只能用一次：一旦看了样本外结果又回头改参数，样本外就变成了样本内。
- 先有逻辑，再有回测：先写下”这个策略为什么应该赚钱、赚的是谁的钱”，再去验证。让AI批量生成因子然后挑最好的，本质上是在批量制造幻觉。
- 给夏普打折：让Codex帮你实现Deflated Sharpe Ratio，把试验次数纳入评估。
六、Codex使用心得（2026年9月版）
一些零碎但实用的经验：
- 模型怎么选：日常开发用GPT-6 Sol足够；改文档、补单测、整理数据这类杂活用Luna，便宜、额度多；遇到真正棘手的问题（比如回测和实盘死活对不上），再切到Astra。另外，GPT-5.5计划在10月14日从Codex下线，还在用老模型的记得迁移。
- 任务要小、要可验证：不要说”帮我做个量化系统”，而要说”实现X函数，满足这3个测试”。可验证的任务，代理完成质量高得多。
- 善用worktree并行：想同时试两个策略方向，就开两个独立工作区各跑各的，互不污染。
- 让它解释，而不只是让它写：遇到不懂的概念（为什么用对数收益、什么是换手惩罚），直接问。这就是在推倒第二堵墙。
- 代码你必须读得懂：不要求你能从零写出来，但每一行关键逻辑你都要说得清。读不懂的代码，别拿真钱去跑。
七、合规：个人程序化交易要注意什么
这几年监管对程序化交易的规则明显完善了。2025年7月7日起，沪深北交易所的程序化交易管理实施细则正式施行，核心是报告制度：首次进行程序化交易前，要通过券商报告账户、资金、策略类型、交易软件等信息。高频交易单独从严管理——单账户每秒申报、撤单达到300笔以上，或单日达到2万笔以上，就会被认定为高频。
对个人来说：
- 按交易所在试运行期间的说法，触发异常交易指标的主要是量化私募、券商自营等机构，中小个人投资者基本没有出现相关情况。周频、月频调仓的个人策略离这些阈值非常远。
- 但只要你接入券商接口实现自动下单，就属于程序化交易范畴，请按券商要求完成报告，别抱侥幸心理。
- 半自动（程序出清单、人工下单）是最省心的起步方式。
具体请以交易所和你开户券商的最新要求为准。
八、写在最后
回到标题：AI时代最大的红利是什么？
我的答案是：AI把量化的门槛，从”会写代码”降到了”会想清楚问题”。
以前，一个有想法但不会写代码的人，和一个会写代码的人之间隔着巨大的鸿沟。现在这道鸿沟基本被填平了。但”想清楚问题”——你的钱承受得起什么、你的策略凭什么赚钱、你的回测里有多少水分——这件事的门槛一点都没降，甚至因为AI让试错变得太便宜，而变得更重要了。
所以，如果你一直想试试量化，现在确实是最好的时候。花20美元，拿出几个周末，按上面的流程搭一套属于自己的小系统。哪怕最后的结论是”这个策略不行”，你也会比绝大多数凭感觉看K线交易的人，更了解市场，也更了解自己。
这份认知，才是真正属于你的红利。
