前几天我发了一篇文章，里面提到用AI进行量化交易，很多朋友私下和我说他用AI写出来的策略在ptrade上面根本不能运行，错误百出。

其实AI还是好工具，只是这些朋友还没有用对方法。

想要AI能听你的话，按平台API写策略，你得掌握我今天分享的几个办法。

错误案例

首先我们来看看用AI写策略的反面教材

我相信大多数朋友都像图中这样，直接一句话甩给AI，让AI写

接下来我们把AI写的策略拿去ptrade上面回测运行，果不其然，无法运行

有人说那我继续让AI自己改可不可以呢？你可以试试看绝对会把你累死，改了100遍都不一定能改好

因为你这种方式从一开始就错了！后面再怎么改也是徒劳无功！

其实这也不能怪AI，你的指令就一句话：“写一个小市值策略”，太粗略了，给谁写都无法精准地写出来

想要AI写出有效的量化交易代码，你得做好以下工作。

AI写策略应该这么调教

基本逻辑

想要AI能理解你的意图，你得尽量说得详细

根据我多年的经验总结，要让AI写好一个量化策略，得经过以下几个流程：

需求解构

想让AI写策略得让AI知道你的需求具体是怎么样的

但是很多朋友自己其实对一些策略并不懂，

比如在上面的例子中，只知道小市值策略这个概念。不知道如何具体实现的

遇到这种情况你可以让AI先给一个具体方案，比如让他从监控标的，买卖规则等方面来阐述，如下图所示

可以看到AI给了我一个比较详细的小市值投资方案，那如果你有自己的想法，你就可以在此基础上修改，比如把里面的10%改成20%

策略构建

在明确需求后，我们就可以让AI写代码了

在这里有构建的一步就是要给AI看你的量化交易平台的资料，因为不同平台的量化函数是不同的

我经常用的是ptrade平台，所以我把ptrade的API文档给了AI，形成了资料库

这样AI写出来的代码才能符合平台规则，能运行的概率才会变大

接下来我们来输入提示词让AI写具体的代码，为了保险，代码中可以让AI强制参考资料库里面的文档写，并且再给他强调平台的编写规则和简单案例

就像教小孩一样，给了AI规则和参考他才能写出正确的代码

测试修正

AI写完后别急着用，可以让AI自己再检查一遍，扫描规避 API 误用与结构错误，修复大模型幻觉

经历过上面几轮的调教后我们得到以下代码：

# 小市值策略实现
# 选择A股市场中流通市值最低的前10%股票作为交易标的

def initialize(context):
    """
    初始化函数，设置全局变量和定时任务
    """
    g.stocks = []  # 存储每日筛选的股票池
    set_universe([])  # 初始化空股票池
    
    # 设置每日定时任务（14:50执行交易逻辑）
    run_daily(context, handle_data, time='14:50')

def before_trading_start(context, data):
    """
    盘前处理：每日9:10运行，筛选当日小市值标的
    """
    try:
        # 获取A股全量代码（带尾缀）
        ashare_list = get_Ashares()
        if not ashare_list:
            log.info("未获取到A股列表")
            return
        
        market_caps = []
        # 遍历股票计算流通市值
        for stock in ashare_list:
            # 获取行情快照（需要带尾缀的代码）
            snapshot = get_snapshot(stock)
            if not snapshot:
                continue
            
            # 获取流通股数和最新价（注意字段名称与文档一致）
            circulation_amount = snapshot.get('circulation_amount', 0)
            price = snapshot.get('price', 0)
            
            if circulation_amount <= 0 or price <= 0:
                continue
            
            # 计算流通市值
            market_caps.append((stock, price * circulation_amount))
        
        # 按流通市值升序排序
        market_caps.sort(key=lambda x: x[1])
        n = len(market_caps)
        # 确保至少选1只股票
        top_n = max(1, int(n * 0.1))
        g.stocks = [stock for stock, _ in market_caps[:top_n]]
        
        # 更新策略股票池（参数类型检查通过）
        set_universe(g.stocks)
        log.info("当日小市值股票池构建完成，共%d只" % len(g.stocks))
    
    except Exception as e:
        log.info("盘前处理异常：%s" % str(e))

def handle_data(context, data):
    """
    盘中处理：每日14:50执行交易逻辑
    """
    try:
        # 获取当前持仓（Portfolio对象属性检查通过）
        current_positions = context.portfolio.positions
        current_stocks = list(current_positions.keys())
        
        # 1. 卖出不在当日股票池的持仓
        for stock in current_stocks:
            if stock not in g.stocks:
                order_target(stock, 0)  # 使用命名参数
                log.info("卖出剔除股票：%s" % stock)
        
        # 2. 买入新入选股票
        if not g.stocks:
            return
            
        # 计算资金分配
        available_cash = context.portfolio.cash  # Portfolio属性检查通过
        if available_cash <= 0:
            return
            
        # 每只股票分配资金
        position_count = len(g.stocks)
        cash_per_stock = available_cash / position_count
        
        # 买入新股票
        for stock in g.stocks:
            if current_positions.get(stock) is None:
                order_value(stock, cash_per_stock)  # 使用命名参数
                log.info("新建仓股票：%s" % stock)
    
    except Exception as e:
        log.info("交易执行异常：%s" % str(e))

接下来我们把策略放到ptrade平台上去试试，结果还是报错了，原来是用的函数不支持回测

看不懂没关系，直接复制给AI，让他自己改

改完后，在ptrade上面就可以成功运行了，回测结果如下，仅供参考：

绩效优化与实战

上面的操作已经写出来了一个可以实际运行的代码，全程只花了半个小时左右，比你从头学起可节省太多时间了，要不怎么说AI是生产力呢

有了可以运行的代码可以通过回测或者模拟运行来看看效果，

在之后也可以持续对策略进行改进，比如把阈值10%进行修改

总之有新的思路和需求都可以按上面的方式交给AI去写，去优化