不会写量化代码？把 QuantDash 数据源告诉 Codex，让它帮你自动写策略

weixin_45515140

228人浏览 · 2026-07-11 17:24:05

weixin_45515140 · 2026-07-11 17:24:05 发布

过去学量化，普通人面临的入门路径通常极长且容易被劝退：

先学 Python 语法 ➔ 再学 Pandas 数据清洗 ➔ 接着啃金融市场基础与技术指标 ➔ 折腾复杂的事件驱动型回测框架（如 Backtrader）➔ 解决多市场数据除权复权 ➔ 处理实盘接口。

每一步都没错，但对绝大多数只想验证交易想法的非专业程序员来说，门槛确实太高了。很多人不是没有好的策略想法，而是卡在了**“我不知道怎么把想法翻译成无 Bug 的 Python 代码”**。

在 AI 代码生成模型（如 Codex、GPT-4、Claude、Cursor）高度成熟的今天，量化研发的范式完全可以重塑。

你不需要先把所有语法背完。你可以换一种更高效的学习方式：先把干净、标准的数据源接好，然后让 AI 充当你的“量化助教”，根据你的策略构想去写代码、运行、捕获报错、自我修复并优化。

一、为什么 QuantDash 适合作为 AI 的量化数据底座？

AI 在生成量化代码时，最容易发生“幻觉”的地方有两点：

多数据源接口不规范：如果不同市场（A股、美股、港股）的调用方式五花八门，AI 写的代码必错无疑。
需要繁琐的手动清洗：如果返回的数据是未经过对齐的复杂嵌套 JSON，AI 生成的清洗代码会充满逻辑漏洞。

QuantDash 的 Python SDK 足够直接且高度规范化。无论是获取 K 线、实时行情还是五档盘口，其核心方法设计得非常精简，且原生支持一键返回标准格式的 Pandas DataFrame。

这种“低噪音、标准化、对 DataFrame 友好”的 API 结构，非常便于大语言模型（LLM）精准理解，能让 AI 生成的代码质量大幅提升。

二、实战步骤：如何把 QuantDash 接入 AI

我们可以通过一套高标准的 Context Prompt（上下文提示词） 模板，在对话开始前先让 AI 彻底掌握 QuantDash 的调用规则，随后再让它干活。

1. 复制以下提示词发送给 AI（Codex/GPT/Claude）：

Role: 你是一个资深的 Python 量化交易研究员。

Context:
我想使用 Python 编写一些量化策略并进行回测。我选定的数据源是 QuantDash
请牢记 quantdash 库的基本用法，以便稍后帮我编写策略代码：
安装：pip install quantdash
初始化：
from quantdash import QuantDash
qd = QuantDash(api_key="your-api-key")  # 或从环境变量 QUANTDASH_API_KEY 自动读取
获取单只股票 K 线：
df = qd.klines.get("600519.SH", period="1d", adjust="forward", to_dataframe=True)
# 支持前复权 "forward"、后复权 "backward"、不复权 "none"
获取日内分时 K 线：
df = qd.klines.intraday("600519.SH", period="1m", to_dataframe=True)
# 支持 1m, 5m, 15m 等日内分时
获取批量实时行情：
quotes = qd.quotes.get(symbols="600519.SH,00700.HK,AAPL.US", to_dataframe=True)
获取全市场实时行情：
all_cn = qd.quotes.get(universes=["CN_Stock"], to_dataframe=True) # A股全市场
获取五档盘口（实时深度）：
depth = qd.depth.get("AAPL.US") # 返回包含 bid_prices, ask_prices, bid_sizes, ask_sizes 的字典
常见 DataFrame 统一返回字段：

symbol (标的代码，如 600519.SH / AAPL.US / 00700.HK)

trade_date (交易日期，格式 YYYY-MM-DD)

open, high, low, close, volume, amount

请遵守以下回测代码编写规范：

严禁使用未来函数：计算当天的交易信号只能使用当天及以前的历史数据，不能包含任何未来信息。

执行延迟（Shift）：在计算完策略信号（signal）后，必须将信号向下移动一个周期（df['signal'].shift(1)），作为当期的持仓仓位，以模拟“在信号发出后的下一个开盘价或收盘价进行交易”。

结果指标计算：输出累计收益率、年化收益率、最大回撤。

如果你已经完全理解 QuantDash 的 SDK 结构及回测要求，请回复“我已准备好，请告诉我你的具体策略构想”。

2. 给 AI 下达具体策略构想任务

当 AI 回复“我已准备好”后，你就可以用纯中文的大白话告诉它你想做什么。例如：

我现在的策略构想是：

获取港股腾讯控股（00700.HK）从 2025 年 1 月 1 日到 2026 年 6 月 30 日的日 K 线。

计算 14 日 RSI（相对强弱指标）。

制定超买超卖策略：

当 14 日 RSI 低于 30 时，判定为超卖，产生买入信号（signal = 1）；

当 14 日 RSI 高于 70 时，判定为超买，产生卖出信号（signal = 0）；

其他时间保持前一天的信号状态。

严格按照我刚才提到的 shift(1) 规则计算每日策略收益，并绘制净值对比曲线（策略净值 vs 腾讯股价基准净值）。

3. AI 自动生成的策略回测代码

在精准消化了 QuantDash SDK 的接口定义后，AI 会吐出一段完全可运行的、符合规范的量化脚本：

import os
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from quantdash import QuantDash

# 1. 从环境变量或手动填入初始化 QuantDash
# 官方网站：https://quantdash.net/
api_key = os.getenv("QUANTDASH_API_KEY", "your_api_key_here")
qd = QuantDash(api_key=api_key)

def run_rsi_strategy(symbol: str, start: str, end: str):
    # 2. 调用标准 K 线接口
    print(f"[+] 正在从 QuantDash 读取 {symbol} 历史 K 线数据...")
    df = qd.klines.get(
        symbol=symbol,
        period="1d",
        start_time=start,
        end_time=end,
        adjust="forward",  # 前复权
        to_dataframe=True
    )
    
    if df is None or df.empty:
        print("[-] 数据拉取失败，请检查 API Key 或代码格式")
        return

    # 对齐日期排序
    df = df.sort_values("trade_date").reset_index(drop=True)

    # 3. 计算 14 日 RSI 指标
    delta = df["close"].diff()
    gain = delta.clip(lower=0)
    loss = -delta.clip(upper=0)
    
    avg_gain = gain.rolling(14).mean()
    avg_loss = loss.rolling(14).mean()
    
    rs = avg_gain / avg_loss
    df["RSI"] = 100 - (100 / (1 + rs))

    # 4. 生成买卖信号
    df["signal"] = np.nan
    df.loc[df["RSI"] < 30, "signal"] = 1  # 超卖买入
    df.loc[df["RSI"] > 70, "signal"] = 0  # 超买卖出
    
    # 填充信号以维持持仓状态
    df["signal"] = df["signal"].ffill().fillna(0)

    # 5. 【严格遵守】信号 shift(1) 后再参与收益计算，模拟下一期开盘交易
    df["position"] = df["signal"].shift(1).fillna(0)

    # 6. 计算收益
    df["market_return"] = df["close"].pct_change().fillna(0)
    df["strategy_return"] = df["market_return"] * df["position"]

    # 累计收益率 (从 1 开始的净值)
    df["market_equity"] = (1 + df["market_return"]).cumprod()
    df["strategy_equity"] = (1 + df["strategy_return"]).cumprod()

    # 7. 计算评价指标
    total_days = len(df)
    annual_factor = 252  # 交易日
    
    final_market_ret = df["market_equity"].iloc[-1] - 1
    final_strat_ret = df["strategy_equity"].iloc[-1] - 1
    
    # 最大回撤计算
    df["strat_peak"] = df["strategy_equity"].cummax()
    df["drawdown"] = (df["strategy_equity"] - df["strat_peak"]) / df["strat_peak"]
    max_dd = df["drawdown"].min()

    print("================== 回测结果 ==================")
    print(f"回测标的: {symbol}")
    print(f"基准累计收益: {final_market_ret * 100:.2f}%")
    print(f"策略累计收益: {final_strat_ret * 100:.2f}%")
    print(f"策略最大回撤: {max_dd * 100:.2f}%")
    print("==============================================")

    # 8. 绘制净值对比图
    plt.figure(figsize=(12, 6))
    plt.plot(df["trade_date"], df["market_equity"], label="Base Asset (00700.HK)", color="gray", alpha=0.6)
    plt.plot(df["trade_date"], df["strategy_equity"], label="RSI Strategy", color="blue", linewidth=2)
    plt.title(f"RSI Strategy Backtest on {symbol}")
    plt.xlabel("Date")
    plt.ylabel("Net Value")
    plt.legend()
    plt.grid(True)
    plt.xticks(rotation=45)
    plt.tight_layout()
    plt.show()

if __name__ == "__main__":
    run_rsi_strategy("00700.HK", "2025-01-01", "2026-06-30")

三、运行与闭环调试

拿到 AI 生成的代码后，你该如何快速闭环调试？

直接运行：将代码粘入你的本地编辑器（VS Code / PyCharm 或 Cursor）并运行。
发生报错时的应对：AI 生成的代码难免会因为环境差异（如缺少 matplotlib 库等）或参数细微变动报错。此时不需要去翻搜索引擎，直接复制控制台报错日志发回给 AI，加上这句：

“运行这段代码时发生了报错：[粘贴报错内容]。请帮我分析原因并直接给我修复后的完整 Python 脚本。”
策略迭代：比如你想把刚才的 RSI 指标改成“布林带突破”，直接输入：“请保留数据获取部分，把计算逻辑换成：当收盘价突破布林带上轨时买入，跌破下轨时卖出。”