一、量化实验室是什么？
量化实验室是SuperMind量化平台最新推出的AI功能，它想解决的不是“再给你一堆工具”，而是把投研想法往可执行、可验证的结果上推一步：研究因子可以交给Agent拆解，策略想法也可以直接交给Agent写成代码并回测。
目前量化实验室的核心能力有2个：因子研究和策略代码生成。
1.1 因子研究
支持从研究想法、已有公式或研报逻辑出发，Agent自动生成因子表达式并回测验证。适合把“我想研究某个市场规律”这类想法，快速变成可以检验的数据结果。
1.2 策略代码生成
用自然语言描述策略逻辑，Agent自动生成可执行源码并回测：
- 支持Python策略和公式策略两种类型
- Python策略适合选股、多因子、择时、风控、资金管理等复杂逻辑
- 公式策略适合单标的择时、技术指标、期货或股票的轻量策略
- 生成策略源码后自动执行回测，结果文件里能看到指标、交易记录和策略表现
- 支持多轮对话，哪里不满意就直接说，Agent继续改代码、重新跑结果
二、支持的策略类型
量化实验室支持两种策略类型：Python策略和公式策略。两者定位不同，各有适用场景。
2.1 Python策略
Python策略自由度更高，适合把一套完整交易框架写出来：
- 多股票选股：支持从指数成分股、行业板块或全A股票池中筛选股票
- 多因子模型：打分排名、因子回归、因子中性化
- 复杂风控：动态止损、移动止盈、仓位控制、个股持仓上限
- 灵活调仓：日、周、月任意频率，支持条件触发
- 完整回测：生成策略源码后直接执行回测，沉淀结果报告
2.2 公式策略
公式策略基于同花顺指标公式语法，更适合单标的、技术指标型策略：
- 单标的回测：主要针对单只股票、指数或期货合约
- 技术指标：MACD、KDJ、布林带等经典指标
- 交易信号：金叉死叉、突破、超买超卖、ATR波动突破
- 期货策略：日内交易、趋势跟踪、止损止盈规则
2.3 两者对比
| 能力 | Python策略 | 公式策略 |
|---|---|---|
| 选股范围 | 全市场动态股票 | 提前指定单只标的 |
| 择时逻辑 | 任意复杂 | 指标信号、突破信号等 |
| 风控体系 | 动态止损、移动止盈、仓位管理 | 简单止盈止损 |
| 资金管理 | 等权、市值加权、风险平价 | 简单资金调整 |
| 因子研究 | 多因子打分、排名、回归 | 不支持 |
| 编程语法 | Python | 同花顺公式 |
| 回测结果文件 | strategy_backtest_*.md |
funcat_backtest_*.md |
| 适用场景 | A股选股、多因子策略 | 股票/期货单标的择时 |
2.4 如何选择？
- 想做A股选股、多因子策略 → 选Python策略
- 想做股票/期货日内、单标的技术指标择时 → 选公式策略
- 不确定 → 选Python策略，通用性更强
三、使用方法
3.1 整体流程
进入量化实验室 → 选择Agent → 描述策略 → AI生成代码 → 自动回测 → 查看结果 → 多轮优化
3.2 第一步：进入量化实验室
- 打开 同花顺SuperMind量化平台
- 注册登录（同花顺账号通用）
- 点击上方导航栏「我的研究」-「量化实验室」
3.3 第二步：选择Agent
根据你的需求选择合适的Agent：
| Agent | 适用场景 |
|---|---|
| 量化助手 | 生成Python策略或公式策略，并执行回测（最常用） |
| 因子研究Agent | 从研究想法出发，生成因子 |
| 因子复现Agent | 把公式/伪代码翻译成可执行表达式 |
生成策略代码时，直接选择「量化助手」即可。在使用时，最好在描述中明确说“生成Python策略”或“生成公式策略”，否则Agent可能会理解错方向。
3.4 第三步：描述你的策略
用大白话把策略逻辑讲清楚，关键是这几个要素：
| 要素 | 说明 | 示例 |
|---|---|---|
| 买什么 | 股票池 | "沪深300成分股"、"全A股剔除ST" |
| 什么时候买 | 开仓条件 | "金叉买入"、"突破20日高点" |
| 什么时候卖 | 平仓条件 | "死叉卖出"、"亏损5%止损" |
| 怎么分钱 | 资金管理 | "等权重"、"按因子加权" |
| 回测区间 | 起止时间 | "2023年到2024年" |
| 回测频率 | 运行频率 | "日频"、"5分钟频率" |
| 基准指数 | 对比基准 | "沪深300"、"中证500" |
描述示例：
写一个Python策略：
- 股票池：沪深300成分股
- 买入：5日均线上穿20日均线，次日开盘买
- 卖出：5日均线下穿20日均线，次日开盘卖
- 资金：每笔买入5万
- 回测：2023-2024年，初始资金1000万，日频
公式策略可以这么说：
生成一个公式策略：
- 标的：300033.SZ
- 信号：收盘价上穿20日均线买入，下穿20日均线卖出
- 风控：亏损5%止损，盈利后从最高点回撤3%止盈
- 回测：2023-2025年，日频
3.5 第四步：查看回测结果
AI生成代码并执行回测后，策略源码和回测结果会保存到文件中：
- Python策略：
strategy_backtest_*.md - 公式策略：
funcat_backtest_*.md
报告通常包含：
- 核心指标：总收益率、年化收益率、最大回撤、夏普比率、胜率、盈亏比、交易次数
- 净值曲线：策略收益 vs 基准收益
3.6 第五步：多轮优化
不满意？直接告诉AI怎么改：
# 加个过滤条件
在刚才基础上，加个成交量过滤，金叉时成交量要大于5日均量的1.5倍
# 优化风控
再加个动态止损：从最高点回撤5%止损，同时3%移动止盈
# 调整参数
把MACD参数改成(8,17,9)，回测时间延长到2024年
每一轮AI都会自动修改代码、重新回测、出新报告。反复调整，直到满意为止。
当然，AI生成的代码也需要用户自己甄别。它能大幅降低从想法到回测的门槛，但重要参数、交易假设和异常结果仍然建议自己再检查一遍。
四、实战案例
案例1：双均线公式策略
策略思路：最经典的趋势跟踪策略。收盘价上穿20日均线买入，下穿20日均线卖出，再加上止损止盈。这个案例适合用公式策略快速上手。
你怎么说：
生成一个公式策略：
1. 回测标的：
- 标的：同花顺
- 频率：日频
- 回测区间：2023-01-01 至 2025-01-01
2. 开仓条件：
- 计算20日收盘价均线MA20
- 当收盘价从下方上穿MA20时买入
3. 平仓条件：
- 当收盘价从上方下穿MA20时卖出
- 买入后亏损达到5%时止损
- 买入后盈利创新高，再从最高点回撤3%时止盈
案例2：动量选股+止损策略
策略思路：选近期涨得好的股票（动量效应），但排除涨太多的（避免追高），加上硬性止损保护。
你怎么说：
生成一个Python选股策略：
1. 选股条件：
- 股票池：中证500成分股
- 剔除ST股、停牌股、上市不足120日的股票
- 过去20日收益率排名前20%（动量强）
- 过去5日平均换手率大于3%（确保流动性）
- 排除过去20日涨幅超过30%的股票（避免追高）
2. 开仓条件：
- 每周一开盘时，根据上述条件筛选出目标股票池
- 买入所有符合条件的股票，以开盘价执行
3. 平仓条件：
- 每周一调仓时，不在新目标池中的股票全部卖出
- 个股亏损达到8%，无论是否到调仓日，立即止损卖出
- 个股盈利达到20%止盈
4. 资金分配：
- 初始资金100万
- 持仓上限20只股票
- 采用等权重分配：总资金/持仓股票数 = 每只股票的分配金额
- 如果筛选出的股票超过20只，按动量排名取前20只
- 买入时按100股整数倍取整
5. 回测参数：
- 回测区间：2022-01-01 至 2024-12-31
- 基准指数：中证500
- 初始资金：100万
- 回测频率：分钟
案例3：资金流向+波动率复合策略
策略思路：跟着主力资金走，但要选波动适中的股票（资金流入说明有人看好，波动适中说明走势稳健）。
你怎么说：
设计一个Python策略：
1. 选股条件：
- 股票池：全A股（剔除ST股、停牌股、上市不足120日的次新股）
- 因子1 - 资金流向：过去5日主力资金净流入（大单+特大单买入 - 大单+特大单卖出）/ 总成交额 > 0
- 因子2 - 波动率：过去20日收益率的年化波动率，要求处于全市场中位数±1个标准差之间
- 两个条件同时满足才入选
2. 开仓条件：
- 每两周的第一个交易日开盘时执行选股
- 买入所有符合条件的股票
3. 平仓条件：
- 每两周调仓时，不在新目标池中的股票全部卖出
- 个股亏损达到10%，立即止损
- 个股持有超过30个交易日仍未盈利，考虑卖出（避免长期套牢）
4. 资金分配：
- 初始资金100万
- 持仓上限15只股票
- 采用等权重分配：可用资金/新买入股票数
- 卖出股票释放的资金，在下一个调仓日再分配
- 保留5%的现金作为缓冲，避免频繁满仓操作
5. 调仓频率：
- 每两周调仓一次（即每10个交易日）
6. 回测参数：
- 回测区间：2023-01-01 至 2024-12-31
- 基准指数：中证800
- 初始资金：100万
- 回测频率：分钟
案例4：多因子打分排名策略
策略思路：综合多个维度给股票打分，选出综合表现最好的。类似基金公司的量化选股模型。
你怎么说：
创建一个多因子Python策略：
1. 选股条件：
- 股票池：沪深300成分股
- 剔除ST股、停牌股
- 三个因子，各自权重：
- PE_TTM（市盈率，越低越好）：权重30%
- ROE（净资产收益率，越高越好）：权重40%
- 过去60日收益率（动量，越高越好）：权重30%
- 对每个因子进行标准化打分（0-100分）
- 加权计算综合得分 = PE得分×30% + ROE得分×40% + 动量得分×30%
- 选择综合得分排名前20的股票
2. 开仓条件：
- 每月第一个交易日开盘时执行选股
- 买入综合得分前20名的股票
3. 平仓条件：
- 每月调仓时，不在新目标池中的股票全部卖出
- 个股亏损达到15%，立即止损
- 如果某只股票连续两个月综合得分跌出前30名，下个月强制卖出
4. 资金分配：
- 初始资金100万
- 固定持仓20只股票
- 采用等权重分配：总资金/20 = 每只股票5万元
- 调仓时，先卖出需要清仓的股票，再买入新股票
- 买入顺序按综合得分从高到低，确保高分股票优先获得资金
- 如果资金不足，优先买入得分最高的股票
5. 调仓频率：
- 每月第一个交易日调仓
6. 回测参数：
- 回测区间：2022-01-01 至 2024-12-31
- 基准指数：沪深300
- 初始资金：100万
- 回测频率：日频
五、常见问题
Q：AI生成的代码一定正确吗？ A：不一定。AI能显著提高从想法到回测的速度，但生成代码、回测参数和交易假设仍然需要自己甄别，尤其是用于真实交易前。
Q：生成的代码有bug怎么办？ A：直接告诉AI“回测报错了，错误信息是xxx”，它会根据报错继续修改代码并重新回测。
Q：生成后还能继续改吗？ A：可以。比如“加一个成交量过滤”“把止损从8%改成5%”“回测区间延长到2025年”，都可以在同一个会话里继续说。
Q：策略能导出到本地吗？ A：可以。Python策略会沉淀Python源码和 strategy_backtest_*.md 报告，公式策略会沉淀公式策略结果和 funcat_backtest_*.md 报告。
Q：可以免费使用吗？ A：我们为每位用户每周提供了一定的体验额度，可以满足多个策略代码生成任务。
六、总结
| 传统方式 | 量化实验室方式 |
|---|---|
| 学Python语法 → 学量化框架 → 写代码 → 调试 → 回测 | 说策略想法 → 生成Python/公式策略 → 自动回测 → 看报告 |
| 耗时：几天到几周 | 耗时：几分钟 |
不管你是量化新手想入门，还是老手想快速验证想法，SuperMind量化实验室都值得一试。尤其是策略代码生成这一步，它把“我有个策略想法”和“我看到了回测结果”之间的距离，压到了几分钟。
相关链接：