从假设开始
描述市场、时间周期、入场和出场逻辑以及风险。AI 研究代理会将你的方向转化为结构化假设。
看看策略工厂如何运转。
示例展示 · 非实盘结果
观看 AI 代理构建并审查策略。
AI 代理负责完善创意、编写代码并评估测试结果。审查结论可能会将策略送回，进入下一轮迭代。
关注过程，而不只是结果。
示例权益曲线揭示了过程中的波折。在解读结果之前，请先查看回撤和交易成本。
将持仓纳入整体视图。
对比账户权益与已平仓余额。未平仓头寸可能在交易完成前就改变账户权益。
- 描述
- 构建与验证
- 回测
- 压力测试
- 模拟交易
净值已平仓交易余额回撤
净收益—
最大回撤—
检查点—
结合背景构建
AI 编码代理使用可用数据和已配置的交易场所规则来实现策略。自动验证和 AI 质量保证代理会在回测前进行检查。
从每次运行中学习
把假设、迭代、结果与审核决策保存在一起。工作区从自身运行中学习；付费方案还可使用平台研究知识库。
研究简报，明确下一步。
先说明策略为何可能有效，再定义证伪条件、所需数据以及必须克服的成本。工厂会记录假设及其开发历史。
研究方向
市场、标的、时间周期
假设
预期优势、规则、风险
可审核成果
代码、检查、迭代
向 AI 研究代理提出一个可以进行测试的问题。
明确的任务简述能让实现方式和结果都更容易被评判。先界定清楚想法，再去寻找结果，而不是反过来挑选最美化的结果。
明确说明什么样的证据会让你停止该研究。一次不成功的实验依然可以回答一个有价值的问题。
- 市场与周期
- BTC 现货，小时线；研究短期均值回归。
- 提出的机制
- 偏离滚动均值较大的幅度可能会部分回归。
- 需要明确的规则
- 入场偏离幅度、出场条件、仓位大小和最长持仓时间。
- 什么能证伪该假设
- 扣除成本后该效应消失，或该效应仅依赖于某一段异常时期。
只改变一个假设，看看哪个因素起作用。
让比较保持聚焦，这样才能解释清楚结果为何发生变化。借助运行历史将每次修订与其证据关联起来。
横向滚动以查看全部列。
| 实验 | 变更内容 | 问题 |
|---|---|---|
| 基线 | 使用原始的入场和出场规则。 | 在计入建模交易成本后是否仍存在效应？ |
| 稳健性检验 | 尝试相近的入场阈值。 | 该效应能否经受住参数的微小变化？ |
| 风险修订 | 增加最长持仓期限。 | 能否在不消除效应的前提下限制长期亏损仓位？ |
示例研究设计；这些并非已报告的运行结果。反复挑选最佳结果可能导致对同一段历史数据的过拟合。
互动图示
寻找某一设定附近的稳定性。
在相邻设定范围内保持广泛的良好响应，与单一的孤立峰值，代表着不同的研究问题。移动回溯期设定，以比较这两种模式。
审视邻近区域
在25根K线处，孤立峰值看起来表现最强，但其相邻设定的表现急剧减弱。应核查所选结果是否仅依赖于一次幸运的选择。
广泛响应孤立峰值
示意性夏普比率
- 广泛响应
- 孤立峰值
问题与解答。
更多问题与解答每个想法都会成为策略吗？
不会。数据限制、检查失败、经济性不足或审核发现都可能导致迭代或放弃。
可以先查看公开示例吗？
可以。在创建自己的工作区前，先浏览公开策略及其可用报告。市场策略的代码访问取决于发布者和你的权限。
什么样的想法是可测试的？
一个可测试的想法要指明预期的市场行为，并给出可衡量的入场、加减仓和出场规则。它还应说明所需的数据，以及能够证伪所提出优势的证据。在比较结果之前，先陈述这些假设。
生成的策略是如何被检查的？
验证包括对代码、声明的标的和支持行为的检查，随后是模拟和质量审核（QA review）。可查看的报告会显示需要关注的发现。这些检查有助于发现实现层面的问题；它们无法证明每一个经济假设都是正确的。
我能看到各次尝试之间的变化吗？
策略报告和迭代历史会将各次尝试与其结果及审核反馈关联起来。在比较业绩表现之前，先阅读哪些假设或参数发生了变化。源代码的可见性遵循该策略的访问规则。
研究是否会利用以往运行的经验教训？
研究背景资料包括工作区可获取的以往成功和失败案例。免费方案使用自身的运行历史；付费方案还可以使用平台的研究语料库。获得该语料库的访问权限并不意味着可以访问其他用户的私有策略代码。
从值得检验的问题开始。
探索已发布的策略，或打开工作区，使用 AI 代理构建、测试并监控你自己的策略。
Stratmill 是 AI 交易策略平台，不提供财务建议，也不是经纪商。回测和模拟交易结果均为假设性结果。交易存在亏损风险。