用 WorkBuddy 开发量化交易策略：把「超市战法」变成可执行代码

用 WorkBuddy 开发量化交易策略：我如何用 AI 把「超市战法」变成可执行的代码

作者：量化小学生 | 工具：WorkBuddy + 国金证券 QMT

前言：为什么我想用 AI 写量化策略

作为一个有点编程基础但不算熟练的量化爱好者，我一直在研究各种交易策略。某天听说了「超市战法」——一种不做止损、靠分批止盈和补仓取胜的股票交易方法。

核心逻辑听起来简单：

**不止损**：亏了不卖，靠补仓摊薄成本

**分批止盈**：涨10%卖一半，涨20%全清

**金字塔补仓**：跌30%补0.5倍，跌50%补1倍

**60日冷却**：卖完要等两个月才能重新买

但当我试图把这个策略写成代码时，问题来了：

1. 选股条件怎么量化？（股价3-25元、同行业持仓≤3只、市值≥10亿……）

2. 资金管理怎么做？（50万本金怎么分配到100只股票）

3. 止盈补仓的触发逻辑怎么写？

这时候我想到了 WorkBuddy。

一、我和 WorkBuddy 的「磨合期」

说实话，一开始我对这类 AI 工具有点偏见——总觉得它们写出来的代码「看起来对但跑起来废」。

第一次用 WorkBuddy，我直接丢给它一段描述：

"帮我写一个股票量化策略，不止损，分批止盈，金字塔补仓"

WorkBuddy 确实给我生成了代码，但那个版本太粗糙了——没有选股过滤，没有资金管理，止盈逻辑也有漏洞。

关键转折点：** 我学会了「渐进式对话」——不是一次说清所有需求，而是把策略拆成几个模块，一个一个调。

二、实战：把「超市战法」拆成4个模块来开发

模块1：选股条件过滤（最基础，也最重要）

一开始我写的需求太模糊，WorkBuddy 给我的选股逻辑漏洞百出。

**我是这样一步步优化的：**

**第一轮（太粗糙）：**

帮我写选股条件

WorkBuddy 返回的代码只考虑了价格，没有考虑同行业分散和市值。

第二轮（加约束）：**

补充条件：同行业持仓不超过3只，市值≥10亿元，日成交额≥500万，股票池限定为中证1000成分股

这次逻辑好多了，但我发现成交额的数据获取方式不对。

**第三轮（精确到字段）：**

需要用 tushare 或 baostock 获取数据，具体字段是：trade_date（日期）、ts_code（股票代码）、close（收盘价）、total_mv（总市值，单位万元）、amount（成交额）

**最终成果：**

```python

import baostock as bs

import pandas as p

def filter_stocks(date):

"""

超市战法选股过滤

返回满足所有条件的股票列表

"""

# 登录 baostock

lg = bs.login()

# 获取中证1000成分股

rs = bs.query_zz500_stocks(date=date)

zz500_list = []

while (rs.error_code == '0') and rs.next():

zz500_list.append(rs.get_row_data())

zz500_df = pd.DataFrame(zz500_list, columns=['code', 'code_name', 'date', 'is_hs'])

获取当日行情数据

rs = bs.query_daily_data(code=zz500_df['code'].iloc[0], date=date)

... 过滤逻辑：价格3-25元，市值≥10亿，成交额≥500万

pass

```

这个过程教会我：**AI 写代码的质量，取决于你提需求的精确度。** 给的约束越细，输出的代码越可用。

---

模块2：资金管理配置

这部分是最让我头疼的——50万本金，怎么分配？

我告诉 WorkBuddy：

> 总资金50万，预留5万作为补仓备用金，剩余45万分散到100只股票，每只4500元建仓。需要考虑同行业不超过3只股票的分散原则。

WorkBuddy 给我的方案：

```python

TOTAL_CAPITAL = 500000 # 总资金

RESERVE_CAPITAL = 50000 # 预留补仓资金

INVESTABLE = TOTAL_CAPITAL - RESERVE_CAPITAL # 450000

MAX_POSITIONS = 100 # 最大持仓数

INITIAL_PER_STOCK = 4500 # 单只初始建仓金额

同行业股票数量限制

INDUSTRY_MAX = 3

def allocate_capital(selected_stocks):

"""

资金分配：

1. 按行业分组，每组最多3只

2. 等权分配，每只 INITIAL_PER_STOCK 元

"""

allocations = []

industry_count = {}

for stock in selected_stocks:

industry = stock['industry']

if industry_count.get(industry, 0) >= INDUSTRY_MAX:

continue # 该行业已达上限，跳过

allocations.append({

'code': stock['code'],

'name': stock['name'],

'industry': industry,

'allocate': INITIAL_PER_STOCK,

'shares': int(INITIAL_PER_STOCK / stock['price'] / 100) * 100 # 整手100股

})

industry_count[industry] = industry_count.get(industry, 0) + 1

if len(allocations) >= MAX_POSITIONS:

break

return allocations

```

**这个输出让我眼前一亮**：不仅帮我算了资金分配，还自动处理了「整手100股」的 A股规则——这是我原本没想到的细节。

---

模块3：止盈止损逻辑

这是超市战法的灵魂。我一开始写的触发逻辑有 bug——涨了之后又跌回来，会重复触发止盈。

**我的需求描述：**

> 止盈逻辑：

> - 持仓成本为 P，持仓期间最高价为 H

> - 如果 H ≥ P×1.1 且当前价 < P×1.1，卖出持仓的50%

> - 如果 H ≥ P×1.2 且当前价 < P×1.2，卖出剩余全部

> - 补仓逻辑：成本 P，当前价跌至 P×0.7 时，补0.5倍仓；跌至 P×0.5 时，补1倍仓

> - 注意：止盈和补仓共用一个持仓记录表，状态要互斥

WorkBuddy 给出的版本考虑了状态互斥——这个细节直接帮我省掉了半天调试时间。

```python

class PositionManager:

def __init__(self):

self.positions = {} # {stock_code: position_data}

def check_trigger(self, stock_code, current_price, cost_price, peak_price):

"""

检查止盈/补仓触发

返回：('sell_half', sell_quantity) 或 ('add_0.5x', add_amount) 等

"""

pos = self.positions.get(stock_code)

if not pos:

return None

止盈检查（优先于补仓）

if peak_price >= cost_price * 1.2 and current_price < cost_price * 1.2:

return ('sell_all', pos['shares'])

elif peak_price >= cost_price * 1.1 and current_price < cost_price * 1.1:

return ('sell_half', pos['shares'] // 2)

补仓检查

if current_price <= cost_price * 0.7:

return ('add_0.5x', pos['initial_amount'] * 0.5)

if current_price <= cost_price * 0.5:

return ('add_1x', pos['initial_amount'] * 1.0)

return None

```

模块4：接入 QMT 实盘

开发完回测逻辑，下一步是实盘对接。这部分 WorkBuddy 帮我梳理了 QMT 的 API 调用框架：

```python

# 国金证券 QMT 交易接口（框架示例）

def send_order_qmt(stock_code, price, quantity, direction):

"""

direction: 'buy' 或 'sell'

"""

# 这是 QMT 的下单接口框架

# 具体实现需要根据 QMT 的 API 文档调整

order_id = g.TradeApi.InsertOrder(

security=stock_code,

price=price,

volume=quantity,

price_type=0, # 限价单

direction=direction

)

return order_id

```

**说实话：** QMT 的实盘对接是最复杂的部分，WorkBuddy 给的框架还需要根据实际账号和券商文档做调整。这里建议大家**把 AI 生成的内容当作起点，而不是终点**。

三、我从中学到的 5 条经验

1. 把复杂任务拆成「小模块」

一次说清所有需求，AI 容易顾此失彼。拆成「选股→建仓→持仓管理→卖出」，逐个击破，迭代优化。

2. 给 AI 具体的数值和字段

> ❌ "获取股票数据"

> ✅ "用 baostock 的 query_history_k_data_plus，获取字段 trade_date/ts_code/open/high/low/close/volume，频率为日线"

3. 让 AI 先解释思路，再写代码

我学会了一个技巧：先问「如果要实现这个功能，逻辑步骤是什么？」确认思路对了再让它写代码，减少无效返工。

4. 不懂的地方直接问

比如我不理解 QMT 的 price_type 参数含义，直接问 WorkBuddy，它给出了各参数取值的详细说明，比翻文档快多了。

5. 积分要省着用

AI 生成代码会消耗积分。我的经验是：**想清楚再问，一次说清楚比来回改效率高10倍。**

四、真实感受：WorkBuddy 适合什么人？

**用下来我觉得 WorkBuddy 最适合以下几类人：**

| 场景 | 推荐程度 | 理由 |

|---|---|---|

| 写量化策略代码 | ⭐⭐⭐⭐ | 逻辑清晰，代码质量高 |

| 写报告/分析文档 | ⭐⭐⭐⭐⭐ | 速度快，可批量生成框架 |

| 快速查资料/科普 | ⭐⭐⭐⭐ | 响应快，覆盖面广 |

| 纯新手编程入门 | ⭐⭐⭐ | 需要一定判断力，不能全盘照搬 |

| 需要接入实时行情 | ⭐⭐⭐ | 框架可以，数据源需自备 |

五、写在最后

用 WorkBuddy 开发量化策略两个月，我的感受是：**它不能替你做交易决策，但它能把你脑子里的交易逻辑快速变成可跑的代码。*

最大的收获不是代码本身，而是通过和 AI 的反复对话，把原来模糊的策略逻辑理清了——哪些地方有漏洞，哪些参数需要回测验证，AI 的「追问」反而帮我发现了自己没想清楚的地方。

如果你也在研究量化，或者有其他重复性高、规则明确的工作想自动化，不妨试试 WorkBuddy。

*本文同步发布于腾讯云开发者社区，内容均为本人真实使用体验，不构成投资建议。*