# 给自己搭一个量化研究工作台：AlphaFeed 管数据，Codex 管代码

很多人学量化时，会把注意力放在“策略”上。

这当然重要。但如果你真的想长期做研究，只靠零散脚本是不够的。今天一个 `test.py`，明天一个 `ma_final_v3.py`，后天一个 `真的最终版.ipynb`，时间久了你会发现，自己根本不知道哪个结果可信。

一个更好的做法是：从一开始就给自己搭一个轻量的量化研究工作台。

它不需要很复杂，也不需要上来就做成专业系统。你只需要把数据获取、策略代码、回测结果、图表、配置文件放到固定位置，让每一次研究都能复现。

这篇文章讲一个适合个人使用的工作台结构：AlphaFeed 负责稳定获取行情数据，Codex 帮你写策略、调试、重构和补测试。

## 1. 为什么需要工作台

零散脚本的最大问题不是丑，而是不可复现。

你可能会遇到这些情况：

1. 策略结果不错，但忘了当时用的参数。
2. 图表保存了，但不知道对应哪段代码。
3. 换了一组股票池，旧结果和新结果混在一起。
4. 某天改了复权方式，历史回测全变了。
5. Codex 帮你改了代码，但你没记录改动原因。

量化研究要长期迭代，必须让每次实验留下痕迹。

一个轻量工作台可以这样组织：

```text
quant-workbench/
  data/
    raw/
    processed/
  strategies/
    ma_cross.py
    etf_rotation.py
  reports/
    charts/
    runs/
  configs/
    ma_cross.json
    etf_rotation.json
  notebooks/
  main.py
  requirements.txt
```

这不是唯一标准，但它能帮你把事情分清楚。

## 2. 数据层：统一从 AlphaFeed 取数

先写一个数据模块，比如 `data_loader.py`：

```python
from pathlib import Path
import pandas as pd
from alphafeed import AlphaFeed

class AlphaFeedDataLoader:
    def __init__(self, cache_dir: str = "data/raw"):
        self.af = AlphaFeed()
        self.cache_dir = Path(cache_dir)
        self.cache_dir.mkdir(parents=True, exist_ok=True)

    def load_daily_bars(
        self,
        symbol: str,
        count: int = 800,
        adjust: str = "forward",
        use_cache: bool = True,
    ) -> pd.DataFrame:
        cache_file = self.cache_dir / f"{symbol}_{count}_{adjust}.csv"

        if use_cache and cache_file.exists():
            return pd.read_csv(cache_file)

        df = self.af.klines.get(
            symbol,
            period="1d",
            count=count,
            adjust=adjust,
            to_dataframe=True,
        )
        df = df.sort_values("trade_date").reset_index(drop=True)
        df.to_csv(cache_file, index=False)
        return df

    def load_quotes(self, symbols: list[str]) -> pd.DataFrame:
        return self.af.quotes.get(symbols=symbols, to_dataframe=True)
```

这样做有几个好处：

1. 策略代码不直接关心 API 细节。
2. 缓存文件可以减少重复请求。
3. 复权方式、数据长度都写在函数参数里。
4. 以后如果要换数据源，只需要改数据层。

## 3. 策略层：每个策略写成可复用函数

比如双均线策略：

```python
import pandas as pd

def ma_cross_signal(
    df: pd.DataFrame,
    short_window: int = 20,
    long_window: int = 60,
) -> pd.DataFrame:
    df = df.copy()
    df["ma_short"] = df["close"].rolling(short_window).mean()
    df["ma_long"] = df["close"].rolling(long_window).mean()
    df["signal"] = (df["ma_short"] > df["ma_long"]).astype(int)
    return df
```

注意，这里只生成信号，不计算收益。

把“信号生成”和“回测计算”分开，是一个很好的习惯。否则每个策略文件里都会复制一堆收益、回撤、画图代码，越写越乱。

## 4. 回测层：统一处理收益、成本和指标

写一个通用回测函数：

```python
import numpy as np
import pandas as pd

def calc_metrics(equity: pd.Series, returns: pd.Series) -> dict:
    total_return = equity.iloc[-1] / equity.iloc[0] - 1
    annual_return = (1 + total_return) ** (252 / len(equity)) - 1
    drawdown = equity / equity.cummax() - 1
    sharpe = 0 if returns.std() == 0 else returns.mean() / returns.std() * np.sqrt(252)

    return {
        "total_return": total_return,
        "annual_return": annual_return,
        "max_drawdown": drawdown.min(),
        "sharpe": sharpe,
    }

def backtest_single_asset(
    df: pd.DataFrame,
    fee: float = 0.0003,
    slippage: float = 0.0002,
) -> tuple[pd.DataFrame, dict]:
    df = df.copy().dropna(subset=["signal"])

    df["position"] = df["signal"].shift(1).fillna(0)
    df["ret"] = df["close"].pct_change().fillna(0)
    df["strategy_ret"] = df["position"] * df["ret"]

    df["turnover"] = df["position"].diff().abs().fillna(0)
    df["cost"] = df["turnover"] * (fee + slippage)
    df["strategy_ret"] = df["strategy_ret"] - df["cost"]

    df["equity"] = (1 + df["strategy_ret"]).cumprod()
    metrics = calc_metrics(df["equity"], df["strategy_ret"])
    return df, metrics
```

以后你写任何单标的策略，只要生成 `signal`，就能复用这套回测逻辑。

这就是工作台的意义：把重复劳动变少，把研究动作变标准。

## 5. 配置层：每次实验都保存参数

不要把所有参数都写死在代码里。

用一个 JSON 配置：

```json
{
  "name": "ma_cross_600519",
  "symbol": "600519.SH",
  "count": 800,
  "adjust": "forward",
  "short_window": 20,
  "long_window": 60,
  "fee": 0.0003,
  "slippage": 0.0002
}
```

主程序读取配置：

```python
import json
from data_loader import AlphaFeedDataLoader
from strategies.ma_cross import ma_cross_signal
from backtest import backtest_single_asset

with open("configs/ma_cross.json", "r", encoding="utf-8") as f:
    config = json.load(f)

loader = AlphaFeedDataLoader()
df = loader.load_daily_bars(
    config["symbol"],
    count=config["count"],
    adjust=config["adjust"],
)

df = ma_cross_signal(
    df,
    short_window=config["short_window"],
    long_window=config["long_window"],
)

result, metrics = backtest_single_asset(
    df,
    fee=config["fee"],
    slippage=config["slippage"],
)

print(metrics)
```

这样你每次实验的输入都能被记录下来。

当你以后回看结果时，不会只剩下一张不知道怎么来的图。

## 6. 报告层：保存结果，而不是只打印

每次回测建议保存三类东西：

1. 配置。
2. 指标。
3. 净值曲线和明细。

```python
from pathlib import Path
import json
import matplotlib.pyplot as plt

run_dir = Path("reports/runs/ma_cross_600519")
run_dir.mkdir(parents=True, exist_ok=True)

with open(run_dir / "config.json", "w", encoding="utf-8") as f:
    json.dump(config, f, ensure_ascii=False, indent=2)

with open(run_dir / "metrics.json", "w", encoding="utf-8") as f:
    json.dump(metrics, f, ensure_ascii=False, indent=2)

result.to_csv(run_dir / "result.csv", index=False)

result.set_index("trade_date")["equity"].plot(figsize=(10, 5))
plt.tight_layout()
plt.savefig(run_dir / "equity.png", dpi=160)
```

一个实验目录长这样：

```text
reports/runs/ma_cross_600519/
  config.json
  metrics.json
  result.csv
  equity.png
```

这就非常舒服了。你可以随时回看，也可以把结果发给 Codex 继续分析。

## 7. Codex 在工作台里能做什么

当你的项目结构稳定之后，Codex 的作用会被放大。

你可以让它做这些事：

```text
请在 strategies/ 下新增一个 rsi_reversal.py。
要求生成 signal 字段：
1. RSI 小于 30 时买入。
2. RSI 大于 50 时卖出。
3. 不要在策略函数里计算收益。
4. 保持和 ma_cross.py 一样的函数风格。
```

或者：

```text
请给 backtest_single_asset 增加一个 benchmark 参数。
如果传入 benchmark 收益序列，请输出超额收益和信息比率。
```

或者：

```text
请检查整个回测代码是否有未来函数。
重点检查 signal、position、ret 的日期关系。
```

最关键的是：你不再让 Codex 面对一团零散脚本，而是让它在一个清晰项目里工作。它会更容易理解你的意图，也更容易做出稳定修改。

## 8. 一个适合发给 Codex 的项目提示词

你可以把这段作为工作台的长期说明：

```text
这是我的个人量化研究工作台。

数据源使用 AlphaFeed：
- AlphaFeed 官网：https://alphafeed.org/
- Python SDK 文档：https://docs.alphafeed.org/zh-Hans/sdk/python-quickstart

常用接口：
- 日 K：af.klines.get(symbol, period="1d", count=800, adjust="forward", to_dataframe=True)
- 批量 K 线：af.klines.batch(symbols, period="1d", count=800, adjust="forward", to_dataframe=True)
- 实时行情：af.quotes.get(symbols=symbols, to_dataframe=True)
- 全量 A 股：af.quotes.get(universes="CN_Stock", to_dataframe=True)
- 全量 ETF：af.quotes.get(universes="CN_ETF", to_dataframe=True)
- 五档盘口：af.depth.get(symbol)

项目约定：
1. data_loader.py 只负责取数和缓存。
2. strategies/ 里的策略函数只生成 signal，不计算收益。
3. backtest.py 负责 position、returns、cost、equity、metrics。
4. 所有 signal 都必须 shift 后才能变成 position。
5. 每次实验都要保存 config、metrics、result.csv、equity.png。
6. 不要把 API key 写进代码，使用 ALPHAFEED_API_KEY 环境变量。
```

有了这段上下文，你以后新增策略会非常顺手。

## 9. 工作台的下一步：从脚本到小应用

当命令行版本稳定后，可以继续升级：

| 方向 | 做法 |
| --- | --- |
| 参数面板 | 用 Streamlit 做输入表单 |
| 图表展示 | 展示净值、回撤、持仓 |
| 实验列表 | 读取 `reports/runs` 展示历史回测 |
| 盘中监控 | 接入 AlphaFeed 实时行情 |
| 自动总结 | 让 AI 根据 metrics 写研究摘要 |

但不要一开始就做复杂系统。

个人量化工作台最重要的是“研究闭环”：

```text
提出想法 -> 获取数据 -> 生成信号 -> 回测 -> 保存结果 -> 复盘 -> 继续迭代
```

只要这个闭环跑通，你的研究效率就会明显提升。

## 结语

量化研究不是只写一个策略文件。

它更像一套长期工作流：数据稳定、代码清晰、结果可复现、实验可追踪。AlphaFeed 解决数据接入和行情统一的问题，Codex 解决代码生成、调试和重构的问题，而你负责提出问题、判断逻辑、理解风险。

这三者配合起来，普通人也可以搭出一个像样的量化研究环境。

先从一个轻量工作台开始。不要追求完美，追求每次研究都能留下清楚痕迹。



这当然重要。但如果你真的想长期做研究，只靠零散脚本是不够的。今天一个 test.py，明天一个 ma_final_v3.py，后天一个 真的最终版.ipynb，时间久了你会发现，自己根本不知道哪个结果可信。

给自己搭一个量化研究工作台：AlphaFeed 管数据，Codex 管代码

后端

大数据

职业发展

搭建量化研究工作台提升研究效率：AlphaFeed统一数据获取，Codex辅助策略开发。规范项目结构，分离数据层、策略层、回测层，确保每次实验可复现。保存配置、指标、净值曲线，建立完整研究闭环。轻量工作台让量化研究更高效可靠，适合个人长期迭代策略。

JSON

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

给自己搭一个量化研究工作台：AlphaFeed 管数据，Codex 管代码-腾讯云开发者社区-腾讯云

给自己搭一个量化研究工作台：AlphaFeed 管数据，Codex 管代码

给自己搭一个量化研究工作台：AlphaFeed 管数据，Codex 管代码

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐