四步搭起AI量化研究流水线：Obsidian笔记→每天新策略→自动回测

作 者：老余捞鱼

原创不易，转载请标明出处及原作者。

文中示例仅用于技术讨论，不构成任何操作建议。
量化策略开发应以学习和技术交流为目的。
本号不荐股、不卖课、不承诺收益。
市场有风险，请合法合规投资。

本文约 2200 字 | 阅读预计需 5 分钟

· · ·

早上七点四十分，早餐刚做好，我的终端里已经躺着一个新文件。

四分钟前，strategy_research_20260807.ipynb 生成完毕。Codex 的一个子代理从我的 Obsidian 笔记库里随机抽了三篇，把它们揉成一个新策略，在SPY上跑完了回测。

我没有碰一行代码。

这件事我坚持了九十天，今天就和大家说说我是怎么搭的，以及我真正得到了什么。

前提：先有一个笔记库

这件事能跑起来，核心不是 AI，是笔记库。

我的 Obsidian 里现在有一千七百多篇策略想法、指标原理、风险参数、别人的帖子摘录都有，这不是大家想的那种随手收藏，是我认真整理过的。这个库是流水线的燃料，没有它，AI 无从合成；有了它，它每天早上能从七百个想法里拉出没人会主动组合的搭配。

所以如果你还没开始建笔记库，先做这件事。AI工作流是工具，你的笔记是资产。

第一步：给它一个专属文件夹

mkdir research

就这一行，这是四步里最简单的一步，但也是最容易跳过的。专门的项目文件夹有三个好处是散乱文件永远不会有的，配置文件在一个地方，每次生成的Notebook 自动落在同一个目录，整个项目可以提交到 Git。三个月后你还能回答我当时在测什么。

我的认知里，文件夹不是存储空间，是痕迹。

第二步：写一个教会 AI 干活的 Skill

不管是Codex、Cloud Code、OpenCode还是其他的AI工具，它们不懂布林带，不懂夏普比率，不懂任何量化概念。但它会学习，靠的是你把工作流写成文档，那份文档叫 Skill，一份带 YAML 头部的 Markdown 文件。

大概长这样：

---name: quant-strategy-researcherdescription: Reads trading research notes, synthesizes signal logic,  generates a fully runnable Python Jupyter Notebook  to backtest the strategy.---# Quant Strategy Researcher & Notebook BuilderThis skill instructs Codex to act as a Quantitative Trading Developer. It scans localObsidian vault notes for strategy ideas, risk rules, and indicator parameters, translatesthem into vectorized Python code, and outputs a structured Jupyter Notebook (`.ipynb`)ready for execution in VS Code.## Workflow1. Read Obsidian vault notes2. Extract: asset class, signal logic, risk parameters3. Formalize strategy mathematically4. Generate a 5-cell Jupyter notebook:   Cell 1 ， Dependencies   Cell 2 ， Data (yfinance)   Cell 3 ， Indicators & vector signals   Cell 4 ， Vectorized backtest   Cell 5 ， Equity curve visualization

description 那行最重要，AI 决定要不要加载这个Skill就看这行，写得模糊它就当你是通用工具。另外把这个文件夹放到全局路径下，一次配置好，以后这台机器上任何项目都能用。

五个 cell 到底在干什么

Skill 里藏了一个五格 Notebook，每一格都是独立一步，这也是整个工作流的精髓。我把每一格拆开讲，顺便标一下国内怎么落地。

Cell 1，依赖。

 Install/import required libraries: `pandas`, `numpy`, `yfinance` (or `vectorbt` / `backtrader`), `matplotlib` / `plotly`.

最开头那几行 import，把 pandas、numpy、yfinance 这些包导进来。国内如果走 akshare，这里就多一行 import akshare as ak，tushare 则是 import tushare as ts 再加一个 token 初始化。这格没什么花头，但少了它后面全崩。

Cell 2，数据。 

Fetch historical market data using `yfinance` or load local OHLCV CSVs.Sanitize missing values and ensure datetime indexing.

可以用 yfinance 直连雅虎财经，国内也可以换 akshare，一行代码就能把沪深 300ETF的日线拉下来，symbol 换成股票代码就行。

ak.stock_zh_a_hist(symbol="510300", period="daily")

想接北向资金、行业资金流这些国内独有的数据，akshare 里也都有现成接口。

Cell 3，指标和信号。 

Calculate technical indicators programmatically using Pandas/NumPy.Compute vector signals: `1` (Long), `-1` (Short), `0` (Cash/Hold).

真正属于”合成”的一格。它把笔记 A 的趋势过滤、笔记 B 的布林带 %B、笔记 C 的 ATR 止损三个零件拼成一套具体买卖信号。一个笔记只贡献一个零件，三个零件才是一个完整策略。

Cell 4，向量化回测。 

用 NumPy 对整个历史区间一次性算完，不写循环。夏普、最大回撤、胜率就摆上桌了。

Compute strategy returns, equity curve, Sharpe Ratio, Max Drawdown, and Win Rate.Account for friction (trading commissions and slippage).

国内直接换 510300 或中证 500ETF，逻辑一模一样。想用现成框架的，backtrader、vectorbt 都能接，只是把”算收益”这格换成框架的回测引擎。

Cell 5，画权益曲线。 

Plot price chart with Buy/Sell markers.Plot Cumulative Strategy Returns vs. Benchmark (Buy & Hold).

把净值走势画成图，两秒看出是稳步爬坡还是大起大落。

到这，一个完整的策略研究工作流就跑通了。剩下的只有一件事，让 AI 每天自动替你按这个流程走一遍。

第三步：把 Skill 变成子代理

Skill 是手册，子代理是同事。

这步心理转换比技术步骤重要。你在 agents/ 目录下放一个 markdown 文件，告诉主代理”遇到量化回测就找它”，然后它会在自己干净的上下文里运行。

这一步本身没有多少国内特有的坑。唯一要留心的是底层模型的选择。在国外默认搭 Anthropic 或者 OpenAI 的模型，国内访问同样有门槛。你可以给它配一个国内可以稳定调用的模型，DeepSeek、通义千问、Kimi 这几家都有兼容 API，接进去就能跑，量化代码这种任务它们的表现也完全够用。

重启你的ai工具，输入 @quant-strategy-researcher，名字就会出现在补全列表里，你就多了一名随时待命的同事。

第四步：每天早上定时触发

提示词固定，每天执行：

Open the Obsidian vault. Pick 3 different strategy notes at random.
Extract one key concept from each, synthesize a brand-newquantitative strategy hypothesis, document the rationale.
Then generate a backtest notebook namedstrategy_research_YYYYMMDD.ipynb.
Report the results honestly.

整个循环四分钟。你不盯着，不干预，回来时桌上已经躺着一个以日期命名的 Notebook。

代码是它写的，策略是它选的，结果用同一套指标评判。

AI 真正值钱的地方，它不会自证

说一个可能有点反直觉的结论。

人类研究员有新策略，有动机把它打磨漂亮。调个参数让曲线更好看，改个假设让回撤更好看，这是人性。AI 没有这个冲动，它对”证明自己对了”完全无感。

所以一件事比找到一个赚钱的策略值钱：找到一个说真话的回测。找到赚钱的回测，很多人能做到；找到不美化数据的回测，很少有人做到。

一年三百六十五个假设

最后回过头看整个事情，它真正的产品是习惯，不是任何一个具体策略。

一年三百六十五个假设，每个都有文档记录，每个都经过回测验证，用同一套指标评判。大部分会亏钱，有些会赚钱，但每一个都在教你认识自己暴露了什么样的风险敞口。

市场是过滤器，这个 AI 是筛子。

#AI量化 #自动化研究 #Obsidian #Codex #量化策略 #AI助手 #交易策略 #量化研究 #每日策略 #AI工作流 #知识管理 #量化笔记