【回测策略实战检验】我把一张 K 线图交给 EVO
这周的 EVO 任务，比前两周更像一次真正的策略实验：把一个看起来很直观的 K 线形态，变成可以执行、可以扫描、可以回测的交易策略。
这次选择的案例是“双底反转形态”。以前看到这种形态，通常只能凭感觉说“这里可能要反弹了”。但感觉不能直接拿来交易，更不能判断一个形态在大量股票、不同市场环境里是否真的有效。所以第三周的目标很明确：让研究助手帮我把图形语言翻译成交易规则，再交给 EVO 扫描所有符合该形态的股票，统一模拟交易，最后看数据说话。
一、先让研究助手看懂“我想研究的形态”
第一步是在研究助手里上传 K 线形态示意图，并说明它要以专业 A 股技术分析师的身份进行判断。这一步让我感受到，研究助手的价值不只是“看图说话”。它会继续追问：什么情况下算真正突破？突破要不要配合成交量？如果突破后回落，什么位置还能买？跌破哪里必须止损？如果只说“双底看涨”，这些关键问题其实都没有解决。
二、把“看起来像双底”变成明确条件
研究助手给出的策略逻辑，大致可以拆成一条流程：
扫描一段历史 K 线 → 找到两个相近的低点 → 确认中间反弹形成的颈线 → 判断是否放量突破 → 等待回踩确认 → 买入并持有 → 触发止损或止盈时卖出。
在截图展示的示例中，规则进一步细化到了可计算的程度，例如：扫描约 60 根 K 线，寻找两个价格接近的低点，低点间隔不能太短；以两个低点之间的最高价作为颈线；突破颈线时参考成交量是否达到近 20 日均量的一定倍数；突破后还可以等待回踩确认，再决定是否入场。
这类数字并不是天然正确的答案，而是把模糊形态变成策略的第一版参数。后面必须通过回测检验：参数是不是太宽，导致误报太多；是不是太严，导致几乎没有交易；或者只是刚好适合某一段历史行情。
三、关键变化：不再只看一只股票，而是扫描全市场
这次任务最核心的要求，是让策略扫描所有符合“双底反转”条件的股票，而不是挑一只历史上表现好的股票来验证。
这样做的好处是，回测更接近真实使用场景：未来某一天，市场上可能同时出现很多个形态，策略需要回答的不是“这只股票能不能买”，而是：
- 当天到底有多少只股票符合条件？
- 信号集中在哪些行业？
- 多只股票同时出现信号时，资金怎么分配？
- 形态在大盘上涨、震荡和下跌阶段是否都有效？
- 扣除交易成本、滑点和无法成交的情况后，结果还剩多少？
EVO 的回测界面会把股票池、基准、累计净值、回撤曲线和策略指标放在一起。这个过程很重要，因为单个案例容易让人产生“形态有效”的错觉，只有把符合条件的样本尽量都纳入，才有机会判断它是不是具有普遍性。
四、如何优化迭代策略
第一版“双底突破反转策略·草稿 1”的结果并不漂亮，
但这个结果反而很有价值。它至少说明，不能因为双底形态在教科书里常被描述为反转信号，就直接把它当成买入信号。可能的问题包括：
- 低点识别得太宽松，很多并不标准的图形也被纳入；
- 突破确认不足，容易遇到假突破；
- 买入时点过晚，形态已经被市场提前交易；
- 没有充分处理涨跌停、滑点和 T+1；
- 固定持有周期不适合所有股票和市场环境；
- 策略没有过滤大盘趋势，逆势信号的质量较低。
我觉得这也是 AI 辅助量化特别容易被忽略的一点：它可以很快帮你写出一套“像策略的规则”，但规则能不能赚钱，必须接受回测的检验。回测结果不好，不是失败，而是告诉你下一步应该改哪里。
AI通过一系列分析并优化后得到另一版数据
这个过程让我看到了比较正确的迭代方式：
- 先把形态写成一套能运行的基础规则；
- 扫描全市场，而不是只挑成功案例；
- 查看收益、回撤、胜率和风险调整后收益；
- 找到假突破、逆势交易和持有周期等问题；
- 修改规则后重新回测；
- 再用不同区间、不同股票池和不同市场阶段验证。
如果只看一张正收益截图，很容易把偶然性误认为能力。把失败版本也保留下来，反而更能说明策略开发是一个不断验证假设的过程。
五、这次使用体验最惊喜的地方
以前我对“量化策略”的印象是，需要先学会很多代码和指标。但这次体验里，我可以先用自然语言描述一个形态，让研究助手帮助我补齐规则，再在 EVO 里直接进入回测流程。
让我印象比较深的有三个点。
1. 从图形到规则，中间有人帮你翻译
“双底”是人眼容易理解、程序却不能直接理解的概念。研究助手会把它拆成低点距离、时间间隔、颈线、成交量和回踩等可计算条件，让后续回测有明确入口。
2. 全市场扫描让结果更接近真实交易
不是研究某只股票有没有成功，而是让系统每天寻找所有符合条件的股票。这种方式更像一个真正的选股策略，也更容易暴露策略在样本数量、行业集中和行情切换上的问题。
3. 回测界面让“赚不赚钱”不再只看一个数字
累计收益只是一个结果，最大回撤告诉你过程中可能承受多大亏损，夏普比率帮助衡量承担风险后获得的收益，胜率则让你知道策略是不是依赖少数几次大赚。把这些指标放在一起，才比较接近策略的真实样子。
最后总结
EVO 第三周的任务，真正让我理解了“策略”和“想法”的区别。
一个 K 线形态只是研究起点，真正的策略还需要回答：什么时候买、买哪些股票、买多少、什么时候卖、亏多少止损、多个信号如何处理，以及历史结果是否经得起重复验证。
这次完整流程可以概括为：
K 线图片 → 研究助手识别形态 → 明确交易规则 → 扫描所有符合条件的股票 → 全市场回测 → 查看收益和风险 → 迭代策略。
对我来说，最大的收获不是某一版策略的收益率，而是终于把“看图判断”变成了一个可以被机器执行、被数据质疑、被不断改进的研究对象。
这也是我目前觉得 EVO 最有价值的地方：它不只是帮我写一个策略，而是把从想法到验证的中间过程完整呈现出来。下一步，我会继续测试不同的市场区间、交易成本和过滤条件，看看这个形态究竟是短期有效，还是能够形成更稳定的长期逻辑。
评论