发布于VeighNa社区公众号【vnpy-community】
原文作者：Fusion小助手 | 发布时间：2026-07-28
夜盘进行到一半，你起身离开了几分钟。回来时，原本等着的突破已经走完。也有反过来的时候：止损条件明明已经触发，你却对着屏幕想“再等等”。一边是错过该做的，一边是拖延该走的——难点都在：执行依赖人，也容易被人改掉。
这两种经历都会引出同一个念头：能不能把交易条件提前写清楚，让程序去盯盘和执行？
带着这个念头往下走，很多人会接触到CTA量化。CTA量化策略在国内通常指这样一类策略：主要研究对象是各个交易品种自身的价格时间序列，趋势跟踪是其中非常典型的一种。随着研究方法演进，如今的CTA量化早已不止简单的规则组合，也会用到各类时序因子和机器学习算法。但对刚上手的人来说，先把输入、判断和执行条件讲清楚仍然是非常合适的入口，所以本系列从规则化方法讲起。
不过，把规则写清楚只是第一步。从“有个想法”走到“程序在实盘里跑起来”，中间还隔着几道具体的坎。我们在社区答疑中见到的问题五花八门，归拢下来却大多落在同样五道坎上：规则、数据、代码、验证和实盘。
本篇只负责把这张地图画清楚——每道坎是什么，难在哪里。连续合约怎么合成、代码怎么审查、回测指标怎么读、实盘流程怎么走，留到后面的文章逐项展开。
做量化的第一道坎不是编程，而是把“我感觉能赚钱”翻译成机器能执行的规则。
第一道坎：把想法变成规则
“均线金叉就做多”听起来已经很像一条规则，但机器仍然无法直接执行。
均线用几分钟的K线计算？金叉出现时立即进场，还是等收盘确认？一次进多少手？满足什么条件离场？信号连续出现时要不要加仓？方向不明确时又该怎么办？
主观交易者会在盘中用经验补全这些空白，程序不会。每一个分支都要提前给出明确答案，连“没有信号就不交易”也要写进规则。
所以策略规则化的关键，是找出交易想法里隐藏的前提，而不只是把一句话换成几行代码。本系列第2篇文章会给出一套五要素框架，把一段大白话整理成可以执行、也可以核对的“策略逻辑说明书”。
第二道坎：准备能用的数据
规则写好以后，需要放到历史行情中检验。而期货和股票不同：合约会到期退市，要回测一个品种过去三年的表现，通常不能只用某一个交割月份的合约。
研究者需要按照一定规则，把不同月份的合约拼接成连续序列。主力合约什么时候切换、新旧合约之间的价差怎么处理，这些选择都会影响最终得到的K线。
直接拼接还可能在换月处留下虚假跳空。程序如果把这段跳空当作真实行情，就可能生成现实中并不存在的交易信号和盈亏。
这也解释了为什么不同软件的“主力连续”数据有时对不上：差异往往来自构造规则的不同，不能只凭价格不一样就断定哪一方的数据有误。本系列第3篇文章会讲清指数、前复权和后复权连续序列各自适合什么场景。
第三道坎：把规则翻译成代码
过去，交易者往往要先学习Python、配置开发环境，再熟悉量化框架，才能写出第一份策略。现在，AI辅助策略投研开发已经能根据逻辑说明生成代码初稿，这道坎正在显著变矮。
但实现变得容易，不等于确认的责任也一起交了出去。代码能够运行，只说明它通过了基本的语法和接口要求，并不能证明它忠实实现了原始想法。
例如，用户要求用1.5倍ATR移动止损，AI在代码里却可能写成固定止损。两种写法都能跑完回测，交易行为却已经不是一回事。
想要把这类偏差找出来，不一定必须先学会从零写策略。阅读一份结构固定的CTA策略代码，通常比从零编写要容易得多。本系列第4篇文章会介绍参数、K线合成、指标计算、信号判断和持仓管理这五个固定部件，第5篇继续讨论AI生成代码的审查方法。
第四道坎：验证它是否经得起检查
策略跑得通、回测曲线向上，仍不足以说明它可以投入实盘。
回测用的是历史数据和简化的成交模型。有三种情况会让报告显得过于乐观：代码引用了决策时还拿不到的信息（未来函数）；手续费和滑点设得过低（成本低估）；参数被反复调整到恰好贴合某段历史（过度拟合）。
以其中的滑点为例：它指下单时的预期价格与实际成交价格之间的偏差。对交易频率较高的策略来说，即使每次只差一个最小变动价位，累积起来也可能改变回测结论。
在我们看来，验证是整条路线中极为需要耐心的一段。明显的程序错误通常会直接让策略跑不起来，而验证方法有缺陷却可能留下一份完整报告，让人带着错误的信心继续往前走。
因此，本系列第5至第7篇文章会依次讨论怎么审查代码、怎么读回测报告，以及怎么识别参数优化中的过拟合。
第五道坎：合规走向实盘
策略验证通过后，离真实账户交易仍有一段路：程序化交易权限要单独申请；用外部软件接入时，往往还要先完成系统合规测试，流程更长。接入方式不同，准备工作也不同——回测跑通，不等于可以立刻实盘。
本系列第8篇文章会依据当前期货行业的监管规定，把这条路上的常见步骤与路径差异讲清楚。
两条上手路径
地图有了，还要选择用什么工具。常见做法可以归纳为两类：自行安装开源框架并维护环境，或者使用期货公司提供的标准平台。
这两条路径面向的是不同类型用户的需求：VeighNa 开源版适合希望自行配置环境、扩展功能的开发者；VeighNa Fusion适合希望把精力放在量化投研与交易本身的交易者。
两个版本都采用标准CtaTemplate策略模板，策略结构和开发经验可以延续，区别主要在于环境、数据和运行依赖由谁维护。
本系列后续会用Fusion展示实际操作，但文章中的规则化、数据处理和验证方法与具体工具无关。即使选择其他量化平台，也可以沿着同一张地图开展工作。
下面两张图分别是Fusion主界面，以及内置CTA Agent的工作流全景——后文演示会沿着这条工作流展开。
本篇小结
- 规则化是理解CTA量化的入门起点；更复杂的时序因子和机器学习策略，同样需要清晰的输入、验证与执行流程。
- 从想法到实盘，规则、数据、代码、验证和合规流程这五道坎要依次跨过。
- AI降低了代码实现门槛，没有降低逻辑确认与结果验证的要求。
- 开源框架和标准平台服务于不同类型用户的需求，可以按自身能力与偏好选择。
接下来讲什么
五道坎的顺序，也是本系列计划的连载顺序：
- 想做量化，到底从哪开始（本篇）
- 你的交易想法，机器看不懂
- 连续合约没搞对，回测结论靠不住
- 不会写代码，也要会读策略
- AI写的策略，能运行不等于能信
- 回测很好看，先别急着相信
- 参数越调越完美，越要警惕过拟合
- 策略准备好了，实盘还有合规门槛
下一篇，我们从第一道坎动手：用一个具体案例，演示怎么把一段交易想法整理成机器能执行、人能逐项核对的策略逻辑说明书。
VeighNa Fusion 是韦纳软件面向期货公司推出的标准化期货量化交易平台，本系列文中演示均基于 Fusion 内置功能完成，如希望了解详情，请扫描下方二维码添加小助手交流：
