Codex 与 LLM 量化交易实战课

量化交易这个方向，很多人卡在同一个地方：策略想法有一堆，真要用代码把它跑起来、还要跑得稳，中间隔着一大片空白。这门课不讲"量化改变命运"那套，它处理的就是这片空白——从一句模糊的交易想法，一路做到能回测、能风控、能落地执行的系统。另一条线是 Codex 和 LLM 的介入：它们不是拿来当噱头，而是用来压缩写策略、读文档、查错、做数据清洗这些真的耗时间的环节。

先说清楚：这门课在补哪几个缺口

如果下面这几条你中了两条以上，这门课对你就是有用的。

• 会写 Python，但没做过完整的交易系统，不知道从数据获取到下单中间还差哪些模块。
• 看得懂均线、动量、回测这些词，但自己写出来的回测结果总感觉"太好了"，不确定哪里出了问题。
• 听过 LLM 能辅助写代码、能读财报，但不知道放进量化流程里具体该放在哪一步，边界又在哪里。
• 接过行情数据，被复权、缺失值、时间对齐、幸存者偏差这类问题折腾过，却没有一套固定处理方式。
• 策略跑亏了，分不清是策略本身不行，还是滑点、手续费、成交假设设置得不合理。

缺口列出来之后，课程的定位就清楚了：它不是入门科普，也不是纯讲因子挖掘的研究课，而是一条把"想法 → 代码 → 回测 → 风控 → 执行"接通的工程线。

Codex 和 LLM 在这里扮演什么角色

这部分值得单独说，因为很容易被讲成玄学。放在量化场景里，它们的实际用途大致是三类。

第一类是代码生成与改写。策略逻辑、数据管道、指标计算这些重复度高的代码，让模型先出草稿再人工审校，比从零敲要快得多。但关键在于你能审——看不懂模型给的东西，就不敢往实盘逻辑里放。

第二类是理解与解释。面对一份陌生的行情字段说明、一份券商接口文档、一段别人写的回测框架，让模型帮你先梳理出结构和调用关系，省的是前期摸索的时间。

第三类是排查与验证。回测曲线异常、报错信息晦涩、某段逻辑结果对不上预期时，把上下文整理清楚交给模型一起分析，往往比独自盯着屏幕快。课程里会涉及提示词的写法、如何给模型足够的上下文，以及哪些环节必须由人复核——这条边界如果不划清，用起来是风险而不是效率。

配套练习会把你推到哪一步

实战导向意味着练习不是填空题。预期你会动手做的事情包括：

• 搭一条从数据获取、清洗到存储的最小可用管道，并处理复权与时间对齐。
• 把一个口头描述的策略翻译成可回测的代码，并用模型辅助生成初版再逐行审校。
• 用回测框架跑出结果，然后主动去找它可能骗你的地方：手续费、滑点、未来函数、参数过拟合。
• 给策略加上仓位管理和止损逻辑，观察风险指标怎么变，而不只是看收益率。
• 把 LLM 接进某个具体环节，比如事件文本处理或代码解释，并评估它到底带来了多少收益。

做完这些，你手里应该有一条自己能复现、能解释每一步为什么这么写的链路，而不是一份跑通一次就再也调不动的脚本。

看完之后，你应该能回答这几个问题

• 一个量化交易系统至少包含哪几个模块，各自的输入输出是什么？
• 一份看起来年化很高的回测报告，你会从哪几个角度判定它是否可信？
• 在量化流程中，LLM 适合放在哪一环、不适合放在哪一环，为什么？
• 你的策略在某段时间回撤明显放大，排查的先后顺序是什么？
• 如果要把这套东西从回测推进到模拟盘，还缺哪些部分？

这些问题答不上来，说明对应的章节需要回头再看一遍。答得上来，说明这条链子基本接上了。量化交易没有一步到位的课，能做的是一段一段把缺口补掉，剩下的交给实盘去教。