秘书使用指南：量化交易指导语实践笔记
最近量化界李新野出了一本爆火的《人妻约会指南》，我们这篇就叫做《秘书使用指南》。
别想歪了——这里的秘书是 AI 。
怎样吩咐任务其实也是一门高深的学问。
一个好的秘书是什么样的？比如说领导安排需要订一张晚上去北京的机票。一个好的秘书会查询这个领导当周的计划，了解到明天在海淀区上午开会。于是会订终点站是北京清河站的高铁车票，因为距离海淀区最近。并且会订到晚上开会距离最近的酒店方便休息，相关司机也会安排，六点准时接领导到本地的高铁站。
但一个好的领导，吩咐起来又是另一回事。他不会只说"订张去北京的票"就完事，而是会告诉秘书："我明天上午10点在海淀开会，今晚我需要一张8点到达北京清河站的高铁票，我需要司机在6点接我前往高铁站，并且今晚的酒店也帮我订在海淀区。"给出具体的每一步任务，让秘书有足够的上下文去执行相关任务。
而现在我们就需要当一个好的领导。当前的人工智能并不能达到主动求索的地步，它不会像人类秘书那样主动去翻你的日程表、猜你的真实需求。交易系统中的指导语也是这个道理——AI只知道你告诉它的那些事，所有相关的前因后果、上下文信息，都得你一点点喂给它。一步一步。
这就是为什么指导语Prompt这么重要——它决定了AI能帮你做什么，具体做到什么程度。
你可能会想，既然AI这么聪明，写指导语应该不难吧？但现实是，量化交易领域对指导语的要求远比我们想象的严苛。
想象一下这样的场景：你在普通聊天中问 AI “今天适合穿什么衣服”，AI回答“根据天气情况，建议你穿一件轻薄的外套”。这样的回答虽然不够具体，但也没什么大不了的，大不了你再问一遍或者自己判断。
但如果你问 AI “BTC现在该买吗？”，而 AI 回答“根据最新的市场数据，当前比特币价格出现回调，市场情绪较为低迷。对于是否应该购买，市场上存在显著的分歧，这需要你结合自身的风险承受能力和投资目标来综合判断。”这就是标准的AI回答，永远都会为你想前想后，却总不给你一个实际的建议。而这样的回答在交易中就是灾难性的。因为每一秒的犹豫都可能意味着错失机会或者增加损失。
这就是量化交易的残酷之处：AI的每个建议都直接关乎你的真金白银。
精准度要求极高
时效性要求苛刻
容错率接近零
正是因为这些近乎严苛的要求，量化交易的指导语编写成了一门高深的技术活。
通过观察那些成功的量化交易员是怎么跟AI对话的，会发现他们问AI问题的方式完全不同：
prompt
"比特币现在103200美元，RSI指标显示70（超买状态），MACD信号线刚刚死叉。我账户里有1万美元，最多能亏3%。请分析：
1)现在应该买入、卖出还是观望？
2)如果操作，具体价位是多少？
3)止损位设在哪？"
AI的改进回答：
"基于RSI超买(70)和MACD死叉信号，建议谨慎做空。具体操作：入场价104,700-105,200美元，止损106,000美元，目标103,000美元。最大仓位0.3个BTC（风险控制在300美元内）。"
改进效果：
现在你可以拿着这个标准化的输出进行解析，开始相关的交易。但是真的有用吗？实际模拟盘测试结果只能用四个字形容："亏不死你"。在胜率五五分的交易判断中，手续费的磨损和插针的频繁发生，注定了账户的无限亏损。
这个类似的指导语如果想去嘲笑的话，可以去《工作流实盘测试示例》进行批判。
于是我们开始反思，AI量化交易真的不可行吗？比较幸运的是，Alpha Arena来了。这个启用了六个大模型的实盘交易系统，完整展示了AI量化交易的实际过程。网站公开了所有的信息输入和输出，对于我们了解怎样写好AI指导语帮助很大。这个平台最特别的地方是用了双层指导语系统：
用户指导语层：输入实时的策略运行状态
prompt
交易时长：已运行120分钟
调用次数：第40次分析
总收益率：+2.3%
可用资金：5,230 USDT
当前持仓：BTC 0.08个（盈利中）
系统指导语层：定义AI的专业身份和约束
prompt
你是专业的加密货币永续期货交易员
核心原则：真金白银·质量第一·宁可错过不可做错
交易框架：4小时判趋势+3分钟找时机
风险管理：动态止损+严格仓位控制
标准输出格式：方便解析进行交易操作
这个设计让我们恍然大悟：AI不只需要知道市场数据，还需要知道自己现在的状态！
用了这个新模板后，AI的回答质量有了明显提升。它开始：
这就是我们在《AlphaArena克隆版交易系统》中使用的指导语。
效果好吗？也不尽然。基础版用了几周后，三个核心问题暴露了出来：
经过思考，我们开始着手解决。
为了纠正AI的多头偏见（DeepSeek用A股数据训练，天然倾向做多），我们在指导语中加入“强制要求”。核心思路是让AI按顺序先做多头分析、再做空头分析，最后对比多空两方的强度做决策。
prompt
# 平衡分析要求
请按以下顺序分析ETH交易机会：
步骤1：多头分析
- 列出所有看涨的技术指标
- 分析上涨概率和目标位
步骤2：空头分析
- 列出所有看跌的技术指标
- 分析下跌概率和目标位
步骤3：最终决策
- 对比多空两方面的强度
- 强制要求：如果连续3次都是做多，必须主动寻找做空机会
统计提醒：你最近连续给出了3个买入建议，
这次分析请重点关注做空机会。
效果验证：
AI 不能成为一条只有7秒记忆的金鱼，需要让它知道每个币种的历史表现，对应调整风险金额和交易仓位。
记忆内容包括：
prompt
BTC历史档案：
- 总交易：15次，胜率65%，表现良好
- 方向偏好：多头优势（做多胜率75% vs 做空45%）
- 风险调整：可提升至4%（基于优秀表现）
- 状态：正常交易
ETH历史档案：
- 总交易：8次，胜率25%，表现糟糕
- 连续亏损：3次（触发冷却）
- 状态：冷却中，禁止交易
动态风险调整算法：
prompt
基础风险 = 3%（每笔交易的标准风险）
表现优异币种（胜率>70% AND 盈亏比>1.5）：
风险调整 = 基础风险 × 1.5 = 4.5%
表现一般币种（胜率50-70%）：
风险调整 = 基础风险 × 1.0 = 3%
表现差劲币种（胜率<50% OR 盈亏比<1.0）：
风险调整 = 基础风险 × 0.5 = 1.5%
冷却币种：风险调整 = 0%
逻辑很简单：在擅长的领域多投入，在不擅长的领域少投入或不投入。AI会根据历史胜率和盈亏比，自动调整每个币种的仓位大小。表现好的币种获得更多资金配置，表现差的币种被限制交易，这是典型的"凯利公式"思想的简化应用。
成熟的交易者都懂得一个道理：当你在某个品种上连续亏损时，最好的选择往往是暂时远离它。就像打牌时手气不好，明智的玩家会选择暂时离桌冷静一下，而不是越输越上头。
基于这个理念，我们设计了最近4小时的冷却机制，系统会统计每个币种在最近4小时内的连续亏损次数：
触发条件：
冷却效果：
prompt
IF 币种状态 == "冷却" THEN
不论技术面多好，强制选择观望
理由："该币种处于冷静期，暂停交易"
风险配置：0%
解冻条件：根据亏损程度设定冷却时间
这个机制有效解决了在震荡行情中，对于趋势并不明显币种的慢性亏损。本质上是用“强制观望”来切断亏损链条，避免AI陷入“越亏越做、越做越亏”的恶性循环。
上述的指导语，我们在《AlphaArena克隆版交易系统优化版2.0》进行了实现。
在不断优化指导语的过程中，我们也在思考：除了技术面的改进，能不能从“心理层面”激发AI的潜力？毕竟人类交易员在竞争环境下往往表现更好。基于这个想法，最近搭建了一个大模型竞争的策略框架，就是使用纸面交易让几个大模型进行交易竞赛，然后选择最好的模型进行真实跟单交易。在这个过程中，发现了一个有趣的现象：给AI加入一些“心理驱动”，能让它在适当时候更积极一些。
这个系统设计了一个虚拟的“AI交易竞赛”场景：
prompt
=== AI交易竞赛状态 ===
参赛模型：你（GPT-4）
当前排名：第 3 名 / 5个AI模型
你的收益：-2.2%
冠军收益：+12.1%
差距：-13.3%
近期表现：
- 最近10次决策：5次买入，2次卖出，3次观望
- 观望率：30%（其他AI平均20%）
- 提醒：过度谨慎可能影响排名
市场评价：你的分析精准但执行偏保守
竞赛规则：
- 胜负实时收益率为准
- 鼓励在高胜率时机果断出击
- 过度保守将被视为消极比赛
AI在这种设定下的回答：
"看到BTC在关键支撑位获得强力反弹，同时RSI从超卖区域回升，这是难得的低风险高回报机会。考虑到当前排名落后，建议适度加仓。买入价51,200-51,500区间，止损50,800，目标53,000。风险配置提升至4%。"
积极变化：
这个指导语，我们在《多AI模型窝里斗交易系统》中进行了实现。
当然，一个好的AI量化交易模型当然不只是写好指导语这么简单，我们还需要：数据清洗与特征工程来保证输入质量；**度的风控体系来应对黑天鹅事件；实时监控与自动熔断机制来防范系统性风险；持续的回测验证与策略迭代来适应市场变化；以及最重要的，对市场保持敬畏之心，永远不要觉得自己已经征服了这个市场。
最近《优化版的AlphaArena系统》的收益也在慢慢阴跌，观察AI分析结果可以了解到具体的原因。我们是将所有的历史记录放在指导语中交给AI进行分析，然而币圈节奏极快的牛熊转换，造成早期做空的盈利风格在最近这两天的反弹中吃亏颇多。幸好也想好了解决方案，正在试验中。
回到文章开头的比喻，我们一直在努力成为那个"好的领导"——给AI提供足够详细、准确的指导语。但现在我们意识到，仅仅做个好领导还不够，还需要像管理一个团队一样去管理AI：建立记忆系统、设置冷却机制、引入竞争激励。市场在教会我们，AI量化交易不只是技术问题，更是一个系统工程。
就像那个优秀的秘书需要不断学习领导的习惯和偏好一样，我们的AI交易系统也在市场的反复锤炼中逐步成长。每一次亏损都是学费，每一次优化都是进步。这条路很长，但我们正在路上。
