AI辅助原语策略开发指南

本文档介绍如何利用大语言模型（如Claude、GPT等）辅助开发、调试和优化策引原语策略。通过AI辅助，您可以更高效地：

• 生成策略: 用自然语言描述需求，AI帮你生成JSON配置
• 调试诊断: AI分析回测数据，找出策略问题
• 优化迭代: 基于数据分析结果，AI提供优化建议

概述：AI辅助工作流

准备工作：让AI理解原语系统

方法一：直接提供 llm.txt（推荐）

策引提供了专为AI设计的参考文档，包含了所有原语的定义、语法和示例。

llm-quickstart.txt - Schema驱动快速上手指南 ⭐ 推荐

在线地址：

https://docs.myinvestpilot.com/primitives/_llm/llm-quickstart.txt

特点：

• ✅ 架构优先 - 前置 ABSOLUTE PROHIBITIONS，防止常见LLM错误（内联定义等）
• ✅ 渐进式学习 - 12个Level从简单到复杂，覆盖97.5%原语（39/40）
• ✅ 实战验证 - 所有策略来自真实回测案例，包含性能数据
• ✅ 模型约束 - 包含Gemini/ChatGPT实际错误示例作为反面教材
• ✅ 紧凑高效 - 仅74KB，token使用量是完整版的1/5
• 📊 适用模型 - GPT-4, Claude, Gemini, DeepSeek, Llama 3.3等所有主流模型
• 💰 免费选项 - 可通过 OpenRouter 使用免费的 Llama 3.3 70B 模型

使用示例：

请先阅读这份原语策略参考文档，然后帮我编写策略：
https://docs.myinvestpilot.com/primitives/_llm/llm-quickstart.txt

我想要一个双均线交叉策略，20日均线上穿60日均线买入，下穿卖出。

💡 提示：

• 💰 没有GPT/Claude订阅？使用 OpenRouter 的免费 Llama 3.3 70B 模型
• ⚠️ 如果模型无法访问URL，下载文件后直接复制内容到对话框
• ✅ 经过验证：Gemini、ChatGPT、Llama 3.3 在使用此文档后错误率从100%降到0

方法二：使用官方 JSON Schema（高级）

如果你需要进行严格的类型验证或自动化工具开发，策引提供了引擎自动生成的官方 JSON Schema：

Schema 地址：

https://media.i365.tech/myinvestpilot/primitives_schema.json

特点：

• ✅ 权威准确 - 由策引引擎自动生成，与实际运行版本完全一致
• ✅ 完整类型定义 - 包含所有原语类型、参数、默认值、约束条件
• ✅ 机器可读 - 适合 IDE 自动补全、类型检查、代码生成工具

使用场景：

1. 编辑器集成 - VS Code、WebStorm 等可以基于 Schema 提供自动补全
2. 策略验证 - 在提交回测前，用 Schema 验证 JSON 配置的正确性
3. 工具开发 - 如果你要开发策略生成器、配置编辑器等工具

示例：在 VS Code 中启用自动补全

{
  "$schema": "https://media.i365.tech/myinvestpilot/primitives_schema.json",
  "market_indicators": {
    // VS Code 会基于 Schema 提供智能提示
  }
}

何时使用 llm-quickstart.txt vs llm-core/full vs JSON Schema：

需求	推荐方案	原因
AI 生成策略	llm-quickstart.txt	Schema驱动，架构约束清晰，防止常见错误
AI 调试分析	llm-quickstart.txt	包含SQL诊断和优化指导
RAG知识库	llm-core.txt	完整定义，适合检索
深入学习案例	llm-full.txt	17个真实策略详细分析
IDE 自动补全	JSON Schema	提供精确的类型定义
策略验证工具	JSON Schema	可编程校验所有约束
开发自动化工具	JSON Schema	完整的 API 规范

💡 最佳实践：AI 辅助开发时优先使用 llm-quickstart.txt，它专为代码生成优化，经过Gemini和ChatGPT验证，错误率从100%降到0。只有在需要严格类型校验或工具开发时才使用 JSON Schema。

方法三：配置为AI Skill（推荐）

如果你使用支持Skill/Tool的AI助手（如Claude Code、自定义Agent），可以将原语策略开发配置为一个专用技能。

Claude Code skill 示例：

在 .claude/skills/ 目录创建 plutus-primitive.md：

# 策引原语策略开发 Skill

## 触发条件
当用户想要：
- 创建/编写投资策略
- 生成原语策略配置
- 分析策略回测数据
- 优化交易策略

## 参考文档
首先获取原语策略参考：
WebFetch https://docs.myinvestpilot.com/primitives/_llm/llm-quickstart.txt

## 工作流程

### 1. 策略生成
- 理解用户需求
- 生成符合JSON Schema的原语配置
- 解释策略逻辑

### 2. 数据分析
当用户提供sqlite数据库文件时：
- 使用SQL分析 trade_signals 表
- 检查信号健康度
- 验证信号切换逻辑
- 评估策略表现

### 3. 优化建议
基于分析结果提供：
- 参数调整建议
- 信号组合优化
- 风险控制改进

方法四：MCP Server（高级）

对于需要深度集成的场景，可以开发MCP Server将原语生成、回测、分析封装为工具函数。

---

其他 llm.txt 版本

除了推荐的 llm-quickstart.txt，还有两个版本适用于特定场景：

llm-core.txt（241 KB）

• 📚 适合RAG系统知识库和深度文档检索
• 📖 包含所有原语的完整定义和详细参数说明
• 🔗 llm-core.txt

llm-full.txt（411 KB）

• 📊 包含17个真实策略的完整案例分析
• 💡 详细的设计思路和复杂场景最佳实践
• 🔗 llm-full.txt

---

第一步：用AI生成策略

示例对话

用户：

帮我创建一个RSI超买超卖策略。RSI低于30时买入，高于70时卖出。同时要求价格在200日均线之上才能买入（过滤熊市）。

AI（在阅读llm.txt后）：

我为你设计了一个带均线过滤的RSI策略：

{
  "trade_strategy": {
    "indicators": [
      {"id": "rsi", "type": "RSI", "params": {"period": 14}},
      {"id": "sma200", "type": "SMA", "params": {"period": 200, "column": "Close"}},
      {"id": "threshold_30", "type": "Constant", "params": {"value": 30}},
      {"id": "threshold_70", "type": "Constant", "params": {"value": 70}}
    ],
    "signals": [
      {
        "id": "rsi_oversold",
        "type": "LessThan",
        "inputs": [{"ref": "rsi"}, {"ref": "threshold_30"}]
      },
      {
        "id": "rsi_overbought",
        "type": "GreaterThan",
        "inputs": [{"ref": "rsi"}, {"ref": "threshold_70"}]
      },
      {
        "id": "price_above_ma",
        "type": "GreaterThan",
        "inputs": [{"column": "Close"}, {"ref": "sma200"}]
      },
      {
        "id": "buy_condition",
        "type": "And",
        "inputs": [{"ref": "rsi_oversold"}, {"ref": "price_above_ma"}]
      }
    ],
    "outputs": {
      "buy_signal": "buy_condition",
      "sell_signal": "rsi_overbought",
      "indicators": [
        {"id": "rsi", "output_name": "rsi"},
        {"id": "sma200", "output_name": "ma200"}
      ]
    }
  }
}

策略逻辑：

• 买入条件：RSI < 30（超卖）且 价格 > 200日均线（牛市）
• 卖出条件：RSI > 70（超买）
• 输出RSI和MA200用于后续分析

生成技巧

1. 描述清晰：告诉AI你的交易思路、买卖条件、参数偏好
2. 指定市场：美股、A股可能需要不同的参数设置
3. 说明用途：趋势跟踪、均值回归、动量策略等
4. 提及风控：止损条件、仓位控制需求

第二步：回测并获取数据

在策引平台回测

1. 登录 策引平台
2. 创建/编辑投资组合
3. 在"原语策略"页面粘贴AI生成的JSON配置
4. 选择标的、时间范围
5. 运行回测

下载回测数据

策引提供两种数据库，推荐使用组合表现数据库（无需登录，包含完整交易记录）：

下载地址：

https://media.i365.tech/myinvestpilot/portfolios/[组合ID]/[组合ID]_portfolio.db

包含9张主要数据表：

• trade_records - 交易流水
• position_records - 每日持仓
• net_values - 每日净值
• portfolio_status - 组合摘要（CAGR、夏普比率等）
• capital_records - 资金记录
• benchmark_index - 基准对比
• 以及其他收益归因和对比表

💡 何时使用：90%的分析需求使用组合表现数据库即可满足。只有需要调试原语信号逻辑时，才使用信号数据库（需登录下载）。

详细的SQL查询方法请参考：策略诊断SQL查询手册

第三步：AI分析回测数据

下载数据库后，让AI分析交易表现、诊断问题、发现优化机会。

AI对话示例：

我有一个策引组合的表现数据库，请帮我分析：
1. 交易频率是否合理？
2. 买卖时机的成功率如何？
3. 有哪些可以优化的地方？

[上传 custom_lkeh0lxz_portfolio.db 文件]

常用分析维度：

• 交易频率和胜率分析（trade_records表）
• 持仓周期分布（position_records表）
• 风险收益指标（portfolio_status表直接获取）
• 回撤分析和净值曲线（net_values表）

详细的SQL查询模板和分析方法，请参考：策略诊断SQL查询手册

实战案例参考

想看完整的AI辅助决策流程？参考：SOXL杠杆ETF策略实战案例

该案例完整记录了从策略设计、回测分析、AI诊断到实盘决策的全过程。

第四步：迭代优化

优化工作流

分析结果 → AI提出假设 → 修改策略 → 重新回测 → 再次分析 → 循环

常见优化方向

1. 参数调优

用户：买入信号太少了，能不能放宽一点？
AI：可以将RSI阈值从30调整到35，或将均线周期从200调整到150。

2. 信号确认

用户：假信号太多，能加一个确认机制吗？
AI：可以使用Lag原语要求连续2天满足条件：
{
  "id": "condition_yesterday",
  "type": "Lag",
  "params": {"periods": 1, "fill_value": 0},
  "inputs": [{"ref": "condition_today"}]
}

3. 动态仓位

用户：能根据RSI动态调整仓位吗？
AI：可以使用LinearScaleWeight原语：
{
  "id": "dynamic_weight",
  "type": "LinearScaleWeight",
  "params": {"min_indicator": 30, "max_indicator": 70, "min_weight": 1.0, "max_weight": 0.3}
}

优化对话示例

用户：

策略在2022年熊市亏损严重，能不能加一个市场过滤？

AI：

可以引入VIX作为市场恐慌指标。当VIX处于历史高位时减少交易：

{
  "market_indicators": {
    "indicators": [{"code": "VIX"}],
    "transformers": [
      {
        "name": "vix_percentile",
        "type": "PercentileRankTransformer",
        "params": {"indicator": "VIX", "lookback": 252, "field": "Close"}
      }
    ]
  },
  "trade_strategy": {
    "signals": [
      {
        "id": "low_fear",
        "type": "LessThan",
        "inputs": [
          {"market": "VIX", "transformer": "vix_percentile"},
          {"type": "Constant", "value": 80}
        ]
      },
      {
        "id": "final_buy",
        "type": "And",
        "inputs": [{"ref": "original_buy"}, {"ref": "low_fear"}]
      }
    ]
  }
}

这样只有在VIX低于历史80%分位时才会买入，过滤掉了极端恐慌期。

完整案例：从需求到优化

第1轮：初始策略

用户需求：

我想要一个简单的双均线策略，适合美股大盘ETF。

AI生成：

{
  "trade_strategy": {
    "indicators": [
      {"id": "sma20", "type": "SMA", "params": {"period": 20}},
      {"id": "sma60", "type": "SMA", "params": {"period": 60}}
    ],
    "signals": [
      {"id": "buy", "type": "Crossover", "inputs": [{"ref": "sma20"}, {"ref": "sma60"}]},
      {"id": "sell", "type": "Crossunder", "inputs": [{"ref": "sma20"}, {"ref": "sma60"}]}
    ],
    "outputs": {
      "buy_signal": "buy",
      "sell_signal": "sell"
    }
  }
}

第2轮：数据分析

回测后，AI分析sqlite数据库发现：

• 交易69次，胜率52%
• 发现多次 B→S 快速切换（震荡市被反复"抽耳光"）
• 2020年3月熊市中错过了反弹

第3轮：优化

AI建议：增加RSI动态仓位控制，在震荡市减少仓位

{
  "trade_strategy": {
    "indicators": [
      {"id": "sma20", "type": "SMA", "params": {"period": 20}},
      {"id": "sma60", "type": "SMA", "params": {"period": 60}},
      {"id": "rsi", "type": "RSI", "params": {"period": 14}}
    ],
    "signals": [
      {"id": "buy", "type": "Crossover", "inputs": [{"ref": "sma20"}, {"ref": "sma60"}]},
      {"id": "sell", "type": "Crossunder", "inputs": [{"ref": "sma20"}, {"ref": "sma60"}]},
      {
        "id": "weight",
        "type": "LinearScaleWeight",
        "inputs": [{"ref": "rsi"}],
        "params": {"min_indicator": 40, "max_indicator": 75, "min_weight": 1.0, "max_weight": 0.3, "clip": true}
      }
    ],
    "outputs": {
      "buy_signal": "buy",
      "sell_signal": "sell",
      "target_weight": "weight"
    }
  }
}

第4轮：验证优化效果

重新回测后AI分析：

• 交易次数从69次降到28次
• 收益从151%提升到1178%
• 单次交易贡献从2.2%提升到42.1%

最佳实践

1. 提供足够上下文

❌ "帮我写一个策略"
✅ "帮我写一个适合美股科技ETF的趋势跟踪策略，
    使用双均线交叉，要有止损机制，
    我的风险偏好是中等"

2. 迭代式开发

不要期望一次就得到完美策略，应该：

1. 先生成基础版本
2. 回测看效果
3. 分析数据找问题
4. 针对性优化
5. 重复2-4步

3. 保持outputs完整

在策略中输出中间指标，方便后续分析：

"outputs": {
  "buy_signal": "buy",
  "sell_signal": "sell",
  "indicators": [
    {"id": "rsi", "output_name": "rsi"},
    {"id": "sma20", "output_name": "ma_short"},
    {"id": "sma60", "output_name": "ma_long"}
  ]
}

4. 利用AI的SQL能力

AI擅长编写复杂SQL查询。可以直接说：

"帮我写一个SQL，分析每次买入后10天内的最大回撤"

5. 版本管理

保存每个版本的策略配置和分析结果，方便对比和回溯。

相关资源

• llm.txt 参考文档:
  • 快速上手版: llm-quickstart.txt ⭐ 推荐 - Schema驱动，架构约束清晰，74KB
• 其他版本（用于RAG或深度学习）:
  • 核心版: llm-core.txt - 适合RAG检索和知识增强，241KB
  • 完整版: llm-full.txt - 包含详细案例分析，411KB
• 可视化编辑器: https://www.myinvestpilot.com/primitives-editor/
• 信号分析手册: https://www.myinvestpilot.com/help/signal-analysis/
• 高级故障排除: 高级调试指南
• 策略优化指南: 优化指南
• 动态仓位案例: 动态仓位策略

---

提示：AI是辅助工具，最终的投资决策需要您自己判断。回测表现不代表未来收益，请谨慎评估风险。