
过去学量化，路径通常很长：

先学 Python，再学 pandas，再学金融市场基础，再学技术指标，再学回测，再学调参，再学实盘接口。每一步都没错，但对普通人来说，门槛确实高。很多人不是没有想法，而是卡在“我不知道怎么把想法写成代码”。

现在有了 Codex 这类编程智能体，学习路径可以换一种方式。

你不需要先把所有语法背完，也不需要先掌握完整的回测框架。你可以先做一件事：把数据源接好，然后让 Codex 根据你的研究问题写代码、运行、报错、修复、优化。

AlphaFeed 在这里很适合做量化入门的数据底座。它的 Python SDK 足够直接：安装、初始化、拿 K 线、拿实时行情、拿五档盘口、拿标的信息。Codex 只要知道这套接口怎么用，就可以围绕它生成策略研究代码。

这篇文章讲一个实战流程：如何把 AlphaFeed 接入 Codex，然后让 Codex 帮你完成一个从想法到回测结果的量化研究。

## 1. 先告诉 Codex：数据源怎么接

你可以把下面这段提示词直接发给 Codex：

```text
我正在做量化研究，数据源使用 AlphaFeed。

请记住 AlphaFeed Python SDK 的基本用法：

安装：
pip install alphafeed

初始化：
from alphafeed import AlphaFeed
af = AlphaFeed(api_key="your-api-key")

也可以从环境变量读取：
export ALPHAFEED_API_KEY="your-api-key"
af = AlphaFeed()

常用标的代码：
- A 股上交所：600519.SH
- A 股深交所：000001.SZ
- 美股：AAPL.US
- 港股：00700.HK

获取 K 线：
df = af.klines.get("600519.SH", period="1d", count=300, adjust="forward", to_dataframe=True)

批量获取 K 线：
dfs = af.klines.batch(["600519.SH", "000001.SZ"], period="1d", count=300, adjust="forward", to_dataframe=True)

获取日内分时：
df = af.klines.intraday("600519.SH", period="1m", to_dataframe=True)

获取实时行情：
quotes = af.quotes.get(symbols=["600519.SH", "000001.SZ"], to_dataframe=True)

获取全量 A 股行情：
all_cn = af.quotes.get(universes="CN_Stock", to_dataframe=True)

获取五档盘口：
depth = af.depth.get("600519.SH")

常见 DataFrame 字段：
- trade_date
- trade_time
- open
- high
- low
- close
- volume
- amount
- symbol
- name

请用这些接口帮我写策略研究代码，并在每次写回测时注意：
1. 不要使用未来函数。
2. 信号必须 shift 后再计算收益。
3. 输出累计收益、年化收益、最大回撤、夏普比率。
4. 尽量把代码拆成函数，便于我复用。
```

如果你想让 Codex 读取官方文档，可以补一句：

```text
AlphaFeed Python SDK 文档在这里：
https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart
请优先按这个文档里的接口写代码。
```

这个动作很关键。很多人使用 AI 写量化代码，失败不是因为 AI 不会写策略，而是因为它不知道你实际的数据源长什么样。你把 AlphaFeed 的接口、字段、标的格式交代清楚，后面的生成质量会明显提高。

## 2. 让 Codex 先写一个最小可运行回测

不要一上来就让 Codex 写“年化 30%、回撤 5% 的策略”。这类目标容易把研究带偏。

更好的第一句是：

```text
请用 AlphaFeed 写一个最小可运行的双均线回测脚本。

要求：
1. 标的使用 600519.SH。
2. 获取最近 800 根日 K，前复权。
3. 计算 20 日和 60 日均线。
4. 20 日均线高于 60 日均线时持有，否则空仓。
5. 信号后移一天，避免未来函数。
6. 输出累计收益、年化收益、最大回撤、夏普比率。
7. 保存净值曲线图到 ma_strategy.png。
```

Codex 大概率会生成类似这样的结构：

```python
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from alphafeed import AlphaFeed

def calc_metrics(equity: pd.Series, returns: pd.Series) -> dict:
    total_return = equity.iloc[-1] / equity.iloc[0] - 1
    annual_return = (1 + total_return) ** (252 / len(equity)) - 1
    drawdown = equity / equity.cummax() - 1
    max_drawdown = drawdown.min()
    sharpe = 0 if returns.std() == 0 else returns.mean() / returns.std() * np.sqrt(252)
    return {
        "total_return": total_return,
        "annual_return": annual_return,
        "max_drawdown": max_drawdown,
        "sharpe": sharpe,
    }

def run_backtest(symbol: str) -> tuple[pd.DataFrame, dict]:
    af = AlphaFeed()
    df = af.klines.get(
        symbol,
        period="1d",
        count=800,
        adjust="forward",
        to_dataframe=True,
    )

    df = df.sort_values("trade_date").reset_index(drop=True)
    df["ma20"] = df["close"].rolling(20).mean()
    df["ma60"] = df["close"].rolling(60).mean()
    df["signal"] = (df["ma20"] > df["ma60"]).astype(int)
    df["position"] = df["signal"].shift(1).fillna(0)
    df["ret"] = df["close"].pct_change().fillna(0)
    df["strategy_ret"] = df["position"] * df["ret"]
    df["equity"] = (1 + df["strategy_ret"]).cumprod()
    df["buy_hold"] = (1 + df["ret"]).cumprod()

    metrics = calc_metrics(df["equity"], df["strategy_ret"])
    return df, metrics

df, metrics = run_backtest("600519.SH")
print(metrics)

df.set_index("trade_date")[["equity", "buy_hold"]].plot(figsize=(10, 5))
plt.tight_layout()
plt.savefig("ma_strategy.png", dpi=160)
```

这份代码不复杂，但它有一个重要意义：它把“想法”变成了“可运行研究对象”。

从这里开始，你就可以让 Codex 继续迭代，而不是自己在语法里打转。

## 3. 让 Codex 帮你做参数扫描

下一步不要急着换策略。先问一个基础问题：均线参数对结果敏感吗？

提示词：

```text
请在刚才的 AlphaFeed 双均线策略基础上，增加参数扫描。

要求：
1. short_window 测试 [5, 10, 20, 30]。
2. long_window 测试 [40, 60, 120, 250]。
3. short_window 必须小于 long_window。
4. 每组参数输出 total_return、annual_return、max_drawdown、sharpe。
5. 最后按 sharpe 从高到低排序。
6. 不要只输出最优结果，也要输出完整参数表，避免过拟合。
```

为什么要强调“不要只输出最优结果”？

因为量化研究里，最危险的东西之一就是参数过拟合。你扫 1000 组参数，总会找到一组历史表现很好。但这不代表它未来也好。完整参数表能让你观察策略是否有“参数稳定区间”。

如果只有 `17/43` 一组参数特别好，周围参数都很差，那更像偶然。如果 `10/60`、`20/60`、`20/120` 都还不错，说明策略逻辑可能更稳。

## 4. 让 Codex 扩展到股票池

单只股票回测只是玩具。真正研究时，你需要一组标的。

提示词：

```text
请把策略扩展到多标的回测。

使用 AlphaFeed 批量获取 K 线：
dfs = af.klines.batch(symbols, period="1d", count=800, adjust="forward", to_dataframe=True, show_progress=True)

股票池：
["600519.SH", "000001.SZ", "601318.SH", "600000.SH", "000858.SZ"]

要求：
1. 对每只股票单独运行同一个双均线策略。
2. 输出每只股票的收益、回撤、夏普。
3. 再计算一个简单等权组合：每天持有所有 signal=1 的股票，平均分配仓位。
4. 注意不同股票日期可能不完全一致，需要按 trade_date 对齐。
5. 输出组合净值曲线图。
```

这里开始，Codex 的价值会更明显。

对齐日期、处理缺失值、组合收益计算，这些细节很容易写错，也很容易消耗新手的耐心。你可以让 Codex 写第一版，然后让它自己检查：

```text
请检查这份回测代码是否存在未来函数、日期错位、收益重复计算、缺失值处理不当的问题。
如果有，请直接修改代码，并解释修改原因。
```

这比“从零背 pandas”更适合普通人入门。你仍然需要理解代码，但你不用把每个低层细节都靠手搓完成。

## 5. 让 Codex 加入交易成本和滑点

没有成本的回测，很容易过度乐观。

提示词：

```text
请给策略加入交易成本。

要求：
1. 当 position 发生变化时，认为发生一次交易。
2. 单边手续费设置为 0.0003。
3. 滑点设置为 0.0002。
4. 总交易成本 = abs(position.diff()) * (fee + slippage)。
5. 策略收益 = position.shift 后的持仓收益 - 交易成本。
6. 输出加入成本前后的指标对比。
```

加入成本后，你会发现很多高频切换的策略表现大幅下降。这不是坏事，而是回测更接近真实世界了。

对于普通人来说，量化学习最重要的不是一开始就写复杂模型，而是尽早建立“研究纪律”：

| 研究纪律 | 目的 |
| --- | --- |
| 信号后移 | 避免未来函数 |
| 加交易成本 | 避免高估收益 |
| 多标的测试 | 避免个股偶然性 |
| 参数扫描 | 检查稳定性 |
| 输出完整指标 | 避免只看收益 |

Codex 可以帮你写代码，但这些原则需要你自己掌握。掌握之后，你给 Codex 的指令会越来越清楚，得到的结果也会越来越可靠。

## 6. 用 AlphaFeed 实时行情做盘中监控

历史回测之外，你还可以让 Codex 写一个盘中监控脚本。

提示词：

```text
请使用 AlphaFeed 写一个盘中行情监控脚本。

要求：
1. 使用 af.quotes.get(universes="CN_Stock", to_dataframe=True) 获取全量 A 股实时行情。
2. 计算涨跌幅，如果 ext.change_pct 存在就优先使用；否则用 (last_price - prev_close) / prev_close。
3. 筛选涨幅前 20、跌幅前 20、成交量前 20。
4. 每 60 秒刷新一次。
5. 输出到终端，格式尽量清晰。
6. 代码里加入异常处理，接口失败时等待后重试。
```

这类脚本看起来简单，但很适合练习“研究到观察”的过渡。

你可以进一步让 Codex 加规则：

```text
请在盘中监控脚本里加入一个观察条件：
如果某只股票涨幅超过 3%，且成交量位于全市场前 20%，就打印 ALERT。
```

注意，这仍然只是观察，不是交易建议。量化研究的第一步是看清数据和规则，不是马上下单。

## 7. 一套适合普通人的 Codex 量化提示词模板

如果你不知道怎么问，可以用这个模板：

```text
我想研究一个量化策略，请你用 AlphaFeed Python SDK 帮我完成。

研究目标：
[写你的想法，比如：突破 20 日新高后持有 5 天]

数据要求：
- 市场：[A 股/美股/港股]
- 标的：[例如 600519.SH，或一个股票列表]
- K 线周期：[1d/1m/5m]
- 数据长度：[例如最近 800 根]
- 复权方式：[forward/none]

回测要求：
- 不使用未来函数
- 信号后移一天
- 加入交易成本，单边 0.0003
- 输出累计收益、年化收益、最大回撤、夏普比率
- 输出净值曲线图

代码要求：
- 使用 pandas
- 拆成函数
- 可以直接运行
- 如果运行报错，请根据错误修改
```

这个模板的好处是，它把“我要一个策略”拆成了 Codex 可以执行的工程任务。

## 8. AI 不会替你解决的部分

Codex 能帮你写代码、调试、改结构、检查常见错误，但它不会替你判断一个策略是否真的值得实盘。

你仍然需要自己回答几个问题：

1. 策略逻辑是否有经济含义？
2. 收益是否来自少数极端样本？
3. 参数是否过拟合？
4. 回撤是否符合你的承受能力？
5. 交易频率是否会被成本吃掉？
6. 数据频率和执行频率是否匹配？

换句话说，AI 可以降低技术门槛，但不能取消研究责任。

## 结语

普通人做量化，过去最难的是入门链条太长：数据、代码、回测、调试，每一步都可能让人放弃。

AlphaFeed + Codex 提供了一条更短的路径：AlphaFeed 负责把市场数据变成清晰可用的 Python 接口，Codex 负责把你的研究想法快速转成可运行代码。你要做的，是提出问题、检查逻辑、理解结果，并持续迭代。

这并不会让量化变成“一键赚钱”。但它会让量化学习从“先学半年再动手”，变成“今天就能跑出第一条净值曲线”。

相关链接：

- AlphaFeed 官网：https://alphafeed.org/
- Python SDK 快速开始：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart


先学 Python，再学 pandas，再学金融市场基础，再学技术指标，再学回测，再学调参，再学实盘接口。每一步都没错，但对普通人来说，门槛确实高。很多人不是没有想法，而是卡在“我不知道怎么把想法写成代码”。

不会写量化代码？试试 Codex，让它帮你写策略

人工智能

编程语言

职业发展

量化投资入门不再困难！本文介绍如何利用AlphaFeed数据源和Codex编程智能体快速实现量化策略开发。从数据接入到回测优化，详细讲解双均线策略实战流程，包括参数扫描、多标测试、交易成本计算等关键环节，帮助新手快速搭建量化研究框架，缩短学习路径。

智能体

Python

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

不会写量化代码？试试 Codex，让它帮你写策略-腾讯云开发者社区-腾讯云

不会写量化代码？试试 Codex，让它帮你写策略

不会写量化代码？试试 Codex，让它帮你写策略

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐