从一次到数百次：我用四句话让AI扫完了所有技术指标

作者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：过去我们回测策略，很多时候像是带着答案找过程。现在让AI助手遍历所有技术指标及其组合，对目标资产进行“地毯式”回测，然后按“期望收益”自动排名。结果也可能是单个表现平平的指标组合后可能成为王者。这也许改变了策略研发的起点：从“我认为”转向“数据说”。

做量化这些年，我见过太多人把回测当成”编故事大会”。你先拍脑袋想出一个指标，比如RSI，然后指定一个参数14，再挑一个看起来顺眼的股票比如英伟达，最后跑出个还不错的曲线。你很高兴，觉得自己找到了秘诀。

但其实，你只是在自己的世界里打了个转。

这篇文章我想跟你聊的，是怎么跳出这个怪圈。方法说起来很暴力：别只测一个，让AI把你的所有指标、所有参数、所有两两组合全部跑一遍，然后按数学结果自动排名。数据会自己开口，告诉你哪个策略值得多看一眼。

说白了，就是从”假设驱动”转向”数据驱动”。

一、单指标回测的幻觉

之前的文章里，我介绍过怎么用一句话让AI跑回测：

Backtest TSLA with RSI 14 over 3 years

这确实方便。但它本质上还是”拿着手电筒找东西”，光照到哪，你就只能看到哪。你根本不知道RSI是不是最好的选择，也不知道14这个周期是不是最优参数。更别提，也许有个你从来没正眼看过的指标，在特斯拉这种高波动资产上表现远超RSI。

心理学上管这叫”确认偏误”。你带着答案找证据，看到的自然都是你想看的。在量化领域，这是最贵的错误。

一个残酷的事实：
手工回测几百个指标和参数组合，一个人要干几个月。但借助AI和向量化回测框架，一杯咖啡的时间就能跑完。所以问题不是”能不能测完”，而是”你有没有意识到需要去测完”。

二、全量扫描，打开全屋的灯

我的解法很简单：让AI遍历所有指标。

我把脚本升级了一下，核心思路是写一个循环，让程序自动测试所有内置技术指标及其常用参数范围。测试完不是简单排个名，而是引入一个关键门槛：交易记录必须不少于5条。

为什么设这个门槛？因为如果三年只触发两三次信号，所谓的”高期望收益”完全是空中楼阁。一次运气不好的波动就能把整个统计结果掀翻。你要的是统计意义，不是彩票奇迹。

另外，排序的核心指标我选的是期望收益（Expectancy），而不是很多人爱看的胜率。这里面的道理很简单：

期望收益 = 胜率 × 平均盈利 − 败率 × 平均亏损

一个胜率90%的策略，如果每次赚1块钱，输一次亏100块，那它依然是亏钱的。期望收益把这个真相直接拍在你脸上，比胜率诚实得多。

指令很简单，就是一句话：

Can you modify python expectancy_skill.py — ticker TSLA — years 3 so it tests every indicator to find the best expectancy for TSLA?

程序跑完后，排名表出来了。以下是对特斯拉过去三年数据的单指标扫描结果：

单指标扫描排名数据

看到问题了吗？排名第一的随机指标（STOCH）期望收益最高，但仔细一看，三年只触发了5次。这个频率太低了，结果的稳健性存疑。换句话说，你端着枪三年只开五枪，其中一枪打偏了，整个成绩就大打折扣。

而布林带（BBANDS）和RSI虽然排名靠后一点，但各自触发了9次，胜率也差不多。这就靠谱多了。

一次扫描，不仅告诉你谁表现好，还立刻告诉你谁的表现”信得过”。这才是穷举的价值。

三、把武器库从5个扩充到300个

基础脚本一开始只支持MA、RSI、MACD、布林带和随机指标。但这远远不够。

我让AI把ATR（波动率突破）和OBV（成交量背离）也加进去。只需要一句话，后续每次扫描都会自动带上它们：

Yes, add ATR (volatility-based breakout) and OBV (volume divergence) to the expectancy script.

如果你想玩得更大，背后依托的vectorbt框架可以对接TA-Lib等外部库，一次性解锁超过300个技术指标。从动量类到波动类，从趋势类到成交量类，全部覆盖。指令同样简单：

Run the full expectancy sweep on TSLA using all TA-Lib momentum indicators over 3 years.

外部库指标扩展

同一个排名框架，海纳百川。一个指令，几百个指标全部跑完。在手工时代，这活儿够一个实习生干三个月。现在泡杯茶的时间就能搞定。

四、组合才是王炸

单个指标的问题是噪音太多。市场稍微抖一下，假信号就来了。

真正的杀招是组合。两个指标同时满足条件才触发信号，用的是”与”逻辑。门槛提高了，信号少了，但质量往往呈指数级上升。

我让AI跑了一遍所有两两组合。结果如下：

双指标组合排名数据

数据不会说谎。有些组合，靠人类直觉根本猜不到。RSI(7)配合布林带(15)，期望收益达到1730美元，这种事拍破脑袋也想不出来。

两个反直觉的发现：

第一，排名前五的全是RSI加布林带的组合。其他指标的混搭根本挤不进来。

第二，单个指标排名里RSI(14)只排第五，表现中规中矩。但把它和布林带(20)组合起来，盈利因子直接飙到9.41。这意味着平均每亏1块钱，能赚回9块4。而随机指标虽然单指标时表现亮眼，一旦进入组合筛选，排名直接崩盘，说明它的兼容性很差，是个”独行侠”。

五、穿透数字，看交易日志

排名表只是起点，不是终点。

看到RSI(14)加布林带(20)表现最好，我立刻让AI把详细交易记录和资金曲线图都调出来：

Give me RSI(14) + BBANDS(20) — TSLA 3yr with the transaction log and chart.

交易日志

三年时间，这个组合一共触发5次信号，其中4次盈利，1次亏损，平均每次期望收益974美元，累计净收益4872美元。

带标注的资金曲线图

看交易日志不是为了自我陶醉，而是为了验证逻辑。每一次进场是在什么位置？离场是因为触及了规则还是指标反转？有没有集中发生在某一段特殊行情里？如果5次盈利里有4次都发生在同一个月，那策略根本经不起时间考验。

数字好看，不如逻辑过硬。这是老余的口头禅。

六、四句话工作流

如果你想在任何资产上复制这套方法，记住这四句指令：

1. 扫描全景。 “Test every indicator on [代码] over [N] years and rank by expectancy (minimum 5 trades)” —— 先摸清全貌，别急着下结论。
2. 扩充武器库。 “Add [新指标] to the expectancy script, then re-run the sweep” —— 觉得指标不够，随时加，随时扫。
3. 组合深挖。 “Run all two-indicator combinations on [代码] over [N] years, minimum 5 trades, ranked by expectancy” —— 让指标互相过滤，找到高含金量的信号。
4. 穿透验证。 “Give me [最佳组合] — [代码] [N]yr with the full transaction log and chart” —— 数字背后必须有故事，故事必须经得起推敲。

AI会帮你完成剩下的脏活：下载数据、调用vectorbt跑回测、计算期望收益、生成排名表、画出带标注的曲线图。你要做的，只是读懂结果，然后做决定。

七、这事儿到底改变了什么

以前我们做回测，是假设驱动。先有一个想法，再去找数据验证。这很容易变成自我证明的闭环。

现在这套流程把它彻底倒过来了。你让数学先说话，让穷举结果替你提出假设，然后你再去审视这个假设是否符合市场常识。

RSI加布林带这种组合，如果不是机器扫出来，几个人会主动想到去测？随机指标单看很香，组合里却一塌糊涂，这种反直觉的结论，也只有在大规模扫描里才能浮出水面。

计算力让穷举变得廉价。廉价的穷举，让非直觉的策略有机会被发现。这才是AI给量化交易带来的真正礼物：不是替代你思考，而是扩展你思考的边界。

观点总结

传统回测像拿着手电筒找东西，光照到哪就只能看到哪。而批量穷举回测像打开全屋的灯，让所有信号同时显形，再用数学帮你筛选。这种方法最大的价值不是找到某个具体策略，而是彻底改变你寻找策略的起点，从”我觉得”变成”数据说”。

• 单指标回测容易陷入确认偏误，样本量不足时结论不可靠。
• 利用AI批量扫描技术指标，可快速定位真正有统计意义的信号。
• 扩展指标库至数百个，显著增加发现非直觉策略的概率。
• 双指标”与”逻辑组合能有效过滤噪音，提升信号质量。
• 最终必须穿透交易日志验证，数字好看不如逻辑过硬。

最后多说一句：方法归方法，敬畏归敬畏。回测是回测，实盘是实盘。

历史数据能告诉你过去发生了什么，但不能担保未来一定重演。任何策略在真正落地之前，都需要样本外测试和更严格的压力检验。别因为几张漂亮的曲线图就盲目乐观。我们用量化的目的，不是为了追求短期暴富，而是为了在这个充满噪音的市场里，用规则和纪律保护自己。

风险提示：本文仅供参考，不构成投资建议。投资有风险，入市需谨慎。

版权声明：本文为原创内容，转载请注明出处。

#量化交易 #AI回测 #技术指标 #策略挖掘 #期望收益 #自动化交易 #数据驱动 #特斯拉 #Python #交易系统 #Alpha挖掘 #金融科技