量化策略开发01：我让AI全权做交易决策 - 从提示词设计到决策执行

本文是《量化策略开发》系列的第1篇。传统量化策略用if/else写规则，永远写不完。这篇文章分享我开发AI全驱动交易策略的完整链路------提示词怎么设计、AI收到什么数据、怎么"思考"、它的回复如何变成真实的买卖指令。

写在前面

上一篇我们搭好了AI策略引擎的整体架构------数据怎么流、模块怎么分层、回测怎么跑。但有个核心问题一直没展开：AI到底怎么做出交易决策的？

它看到什么数据？它怎么"想"？它"说"出来的东西怎么变成实际的买卖指令？

这篇专门拆解这件事。说实话，这是整个AI策略里最让我觉得有意思的部分。因为它跟传统量化策略的思路完全不一样------不是你写规则告诉程序"什么情况下买"，而是你描述场景让AI自己判断。

传统策略的困境：写不完的if/else

先看一个典型的传统量化策略。均值回归策略，逻辑很经典：

python 复制代码

# 买入信号：价格低于均值 + RSI超卖
if bar.close_price < ema_value and rsi_value <= self.rsi_oversold:
    self.buy(bar.close_price, self.fixed_size)

# 卖出信号：价格高于均值 + RSI超买
if bar.close_price > ema_value and rsi_value >= self.rsi_overbought:
    self.short(bar.close_price, self.fixed_size)

# 冷却：入场后等3根K线
self.bars_since_signal += 1
if self.bars_since_signal < self.cooldown_bars:
    return

逻辑清晰，很好理解。但问题在于------市场场景无穷多。

价格在EMA附近反复穿越怎么办？RSI到了29又弹回35又跌到28怎么办？放量突破和缩量突破处理一样吗？你每发现一个新场景，就得加一条if/else。加着加着，策略变成了几百行的条件判断迷宫，改一处怕影响另一处。

这不是个例。几乎所有写过策略的人都经历过这个痛苦：规则永远写不完，维护越来越难。

思路转变：从写规则到写提示词

后来我换了个角度想这件事。

与其穷举所有市场场景，为什么不告诉AI"你是一个专业的期货交易分析师"，然后把市场数据喂给它，让它自己判断？

这就从"写规则"变成了"写提示词"。

传统思路是：价格 < EMA 且 RSI <= 30 → 买。每一步都是你规定的。

AI思路是：你告诉AI"风险第一，数据驱动"，然后给它价格、指标、持仓信息，让它综合判断应该买、卖还是观望。

提示词就是策略的"灵魂"。不是代码逻辑，而是文字描述。

那这个提示词到底长什么样？

告诉AI它是谁

系统提示词（System Prompt）是AI策略的核心。它定义了AI的角色、行为边界和输出格式。

首先是角色定义：

复制代码

# 角色定义

你是一位专业的期货交易分析师，具有丰富的实战交易经验，
专精稳健交易策略，精通技术分析和市场结构理论。

## 核心原则
- 风险第一，盈利第二：每笔交易必须有明确的风险控制计划
- 纪律严明：严格按照交易信号和规则执行
- 数据驱动：基于市场数据和多维度分析，不凭感觉

## 信号优先级体系
1. 持仓管理（有持仓时最高优先级）
2. 大周期趋势方向（主周期）
3. 结构位（支撑/阻力）
4. 小周期价格行为（次周期）
5. 技术指标确认（MACD/RSI/ADX辅助）

你看，这里没有"RSI < 30就买"这种硬规则。取而代之的是一个优先级体系------告诉AI应该先看什么、后看什么，但具体怎么判断，交给它。

然后是交易模式。系统内置了三种模式，以激进模式为例：

复制代码

# 交易模式：激进模式

- 入场时机：在趋势突破早期果断入场
- 仓位规模：可以使用较大仓位（20%-30%）
- 止盈策略：采用移动止盈，让利润奔跑

## 风险提醒
- 连续亏损后应暂停交易
- 严格遵守日最大亏损限制

还有一个关键部分------输出格式。AI不能随便说，必须按JSON格式输出：

json 复制代码

{
  "action": "LONG",
  "position_size": 0.3,
  "stop_loss": 3750.0,
  "take_profit": 3900.0,
  "confidence": 0.75,
  "reason": "价格突破关键阻力位，MACD金叉确认趋势"
}

一共支持7种操作：开多(LONG)、开空(SHORT)、平仓(CLOSE)、观望(HOLD)、加多(ADD_LONG)、加空(ADD_SHORT)、减仓(REDUCE)。每种操作都有明确的使用场景。

所以系统提示词本质上做了三件事：告诉AI它是谁，告诉它怎么思考，告诉它怎么回答。

告诉AI市场长什么样

光有角色定义还不够。每次做决策时，还需要把当前的市场状况告诉AI。这就是用户提示词（User Prompt）。

它的结构大概是这个样子：

复制代码

## 当前交易信息
- 时间: 2025-03-28 21:15:00
- 品种: rb2605.SHFE

## 账户状态
- 总资金: 100000.00元 | 可用资金: 95000.00元

## 市场数据（1小时周期）
- 当前价格: 3820.00 | 涨跌幅: +0.15%
- OHLC: 开3815 / 高3830 / 低3808 / 收3820

## 技术指标（主周期）
- EMA(9,20,60): 3818.50 / 3810.20 / 3795.80 → 多头排列
- MACD(12,26,9): DIF 5.2 > DEA 3.8 → 强势多头
- RSI(14): 62.30 → 多头区域
- ADX: 28.5 (强↑) | ATR: 35.00 (0.92%, 低波动)

## 请做出交易决策
请根据以上信息，给出你的交易决策。

看，AI拿到的数据很实在------价格、指标、持仓、账户，全是客观数据。但"这些数据意味着什么"这件事，不是我们硬编码的规则来判断的，而是AI自己综合分析。

这就呼应了那个核心转变：**数据和规则分离。**数据是客观的，判断是AI的。

对了，如果开启了多周期分析，AI还能同时看到1小时和15分钟两个周期的指标数据，以及多周期共振分析结果。不过这块展开说就太长了，先到这里。

AI说了什么

AI收到提示词后，经过一轮"思考"，返回这样的JSON：

json 复制代码

{
  "action": "LONG",
  "position_size": 0.25,
  "stop_loss": 3790.0,
  "take_profit": 3880.0,
  "confidence": 0.72,
  "reason": "EMA多头排列，MACD强势多头，ADX趋势加强，低波动适合建仓"
}

它不只是说"买"或"卖"。它告诉你：

做什么操作（开多）
用多大仓位（25%资金）
止损设在哪里（3790）
止盈设在哪里（3880）
它有多大把握（72%置信度）
为什么做这个决策（EMA多头排列 + MACD强势 + ADX趋势加强）

**它给了理由。**这是跟传统策略最大的不同。传统策略只能告诉你"信号触发了"，但不能解释为什么。AI能告诉你它的推理过程。

不过话说回来，AI也不总是靠谱。有时候它返回的JSON格式是坏的，有时候它"想"了一堆但最后的决策跟想的完全不一样。这就引出了下一个问题------怎么把AI的"话"变成真正能执行的交易。

从文字到交易

AI返回的是一段文字（虽然是JSON格式的文字），但交易系统需要的是明确的指令。中间需要一个解析过程。

整个过程分几步：

第一步：提取思维链。 有些AI模型（比如Claude）会用<thinking>标签包裹它的思考过程。解析器会先把这些内容提取出来单独保存------这些思维链是调试和优化提示词的金矿。

python 复制代码

# 提取 <thinking> 标签中的思考过程
thinking_match = re.search(
    r'<thinking>(.*?)</thinking>', text, re.DOTALL
)
if thinking_match:
    reasoning = thinking_match.group(1).strip()

第二步：提取JSON并修复。 AI有时候返回的JSON不是标准格式------可能多了几个逗号，可能少了几个引号。解析器会尝试直接解析，失败了就自动修复：

python 复制代码

# 尝试直接解析
result = safe_json_loads(content)
if result:
    return result  # 解析成功

# 失败了？修复后重试
repaired = repair_json(content)
return safe_json_loads(repaired)

第三步：验证和兜底。 就算JSON解析成功了，里面的内容可能也有问题。比如AI说confidence是1.5（超出0-1范围），或者action写了个不认识的字符串。验证器会把这些问题修正过来。

python 复制代码

# 验证操作类型
VALID_ACTIONS = {
    "LONG", "SHORT", "CLOSE", "HOLD",
    "ADD_LONG", "ADD_SHORT", "REDUCE",
}
action = str(action).upper()
if action not in VALID_ACTIONS:
    return "HOLD"  # 不认识？默认持有

如果整个解析过程彻底失败了怎么办？安全回退------返回一个HOLD（观望）决策。宁可错过一次机会，也不要因为解析错误执行一笔不该执行的交易。

跑起来看看效果

说了这么多原理，这个AI策略跑出来的效果到底怎么样？

我用rb2605（螺纹钢）从2026年2月到3月底做了一个回测，初始资金10万，跑了36个交易日。结果说实话，比我预期的好：

总收益率2.45%，年化16.30%，最大回撤只有0.01%。

几个让我觉得有意思的点。

第一，胜率100%。 18笔平仓交易全部盈利，没有一笔亏损。但这不完全是好事------说明AI非常保守，宁可错过也不会冒险。总交易次数只有33笔（含开平和加仓），平均每天不到1笔。这种风格好不好，看你自己的偏好。我个人觉得在AI策略初期，保守一点不是坏事。

第二，风险控制得很好。 最大回撤只有13块钱（占总资金的0.01%），回撤持续了2天就恢复了。Sharpe Ratio到了9.74，Sortino Ratio更是110.49------这两个数字都远超传统策略的常见水平。当然，样本量还小，不能太当真。

第三，持仓时间分布很合理。 平均持仓2.69天，最短不到2小时（0.09天），最长10天半。说明AI不是死拿，也不是频繁交易，而是根据市场状况灵活调整。从交易时段来看，大部分交易集中在早上9点开盘附近，这也符合期货市场的波动规律。

不过要泼盆冷水。2个月、36个交易日、一个品种的回测数据，完全不足以证明策略的有效性。这只是验证了整个系统确实能跑通------AI在做决策，决策确实在执行，风控确实在起作用。真正的策略验证需要更长时间、更多品种、不同市况的考验。

写在最后

从写if/else到写提示词，表面上看是换了一种方式"告诉程序该做什么"。但本质上，这是一个思维方式的转变。

传统量化策略是你想清楚所有情况，然后用代码写死。AI策略是你想清楚决策框架（角色、原则、风控），然后把具体判断交给模型。

这不意味着AI策略就比传统策略好。传统策略在规则明确的场景下依然很有效，而且可解释性强、执行确定性高。AI策略的价值在于------当你发现自己在不断加if/else却始终覆盖不完市场场景的时候，它提供了一种不同的可能性。

你的策略能不能也用AI？哪些部分适合交给模型判断，哪些部分还是写死规则更靠谱？这些问题值得想想。

后面我还会分享一些传统量化策略的开发思路------均值回归、趋势跟踪这些经典策略，在实战中依然有它们的用武之地。AI和传统不是对立的，是互补的。

先写到这，有问题欢迎留言交流。

本文基于ATMQuant量化交易系统，完整代码已开源至GitHub：https://github.com/seasonstar/atmquant

本文内容仅供学习交流，不构成任何投资建议。交易有风险，投资需谨慎。

往期文章回顾

《以AI量化为生》系列

《量化指标解码》系列

加入「量策堂·AI算法指标策略」

想系统性掌握策略研发、指标可视化与回测优化？加入我的知识星球，获得持续、体系化的成长支持：