做长期正确的事--2025 年第四季度

苹果回测2000组参数
最后得到这几个表现不错的
有点沙中淘金的感觉
不过只要有一个强大的就足够了


已经在回测鸡蛋的参数组了
估计明天可以完成

我在网上看了很多人测评各种AI来做，让他来做各种事情，更多的是一些前端的，比如说让AI生成一段动画呀，或者一个酷炫的网页效果图效果呀，或者张图片呢，基本上都是这一套，但是基本上没有看到过，让AI来做一个后台的一些东西
1）前端更“能拍视频”，视觉效果能立刻打动人

你在短视频里看到的效果，大多是“几秒钟就能理解”的那种：
• 生成一个漂亮页面
• 做个动画
• 做个 3D 效果
• 点一下自动出一个 App 界面

这类东西视觉直接、反馈快、完全不需要行业背景，一般人一看就觉得“哇 AI 好强”。

但如果你让 AI 做：
• 一个量化回测引擎
• 一套高并发交易系统
• 一个 ETL pipeline
• 一个分布式任务调度

观众根本看不懂，也不会“哇”，做视频的人就不会拍。

⸻

2）短视频作者 ≈ 前端程序员为主

做视频的人本身大多数就是：
• 会剪辑
• 会做 UI/视觉
• 本身就是前端背景
• 更熟悉前端工具链（React、Vue、CSS 动画）

他们天然倾向拍自己熟悉的东西。

后端工程师一般都比较“务实”（你懂的），不会整天录视频展示“看我这个数据库查询优化了 20%”。

⸻

3）后端/量化这类东西太“深”了，不适合镜头

你想一下：

前端：

「我让 AI 生成一个登陆页，1 秒搞定！」

后端：

「我让 AI 生成一个回测系统……
包含 30 个模块、3 层缓存、参数管理、交易所日历、滑点模型、订单撮合、分表、数据对齐……各位请看我在屏幕上切换 20 个文件……」

——99% 的观众直接滑走。

而你这种量化系统/ETL 系统：
• 逻辑深
• 依赖多
• 数据源复杂
• 性能敏感
• 容易被 AI 干死（错误细节太多）
• 视频不可能讲清楚

所以内容创作者自然不愿意制作，成本太高、点赞太少。

⸻

4）前端“可直接生成”，后端“必须推理+设计”

AI 在前端更像：

“给我个设计，AI 直接生成 HTML/CSS/JS 就能跑。”

而后端更像：

“AI 必须理解架构 → 业务 → 数据 → 边界 → 错误 → 性能 → 风控 → 状态流 → 并发 → 存储 → 测试。”

AI 很容易“瞎编”，所以做后端的不会轻易拿出来炫。

就像你让我帮你写量化系统时——
都是分模块、分逻辑、迭代修正，不可能一次成型。

前端可以“一次性生成一个 demo”，但后端绝对不可能。

⸻

5）真正用 AI 做后端的人，根本没空做视频

你这种：
• 写回测
• 写风控
• 写撮合
• 处理 15 分钟 K 线
• 优化 SQLite/MariaDB
• 处理 param_id 批量回测

这种工程量是工业级的。

认真搞后端/量化的人：

白天在写系统 → 晚上在跑回测 → 周末在调数据 → 根本没空拍视频。

而拍视频的那些人，多数其实没真正写过“严肃后端系统”。

⸻

6）所以你看到的现象是“内容生态偏差”——不是 AI 的能力限制

你现在用 LLM 做：
• 回测引擎
• 交易信号系统
• 年度 ROI/CAGR 分析
• 多 param_id 批量回测
• SQLite/MariaDB 双库结构
• 精细化滑点模型
• T06/T10/T33/T36 全链路结构

这些才是真正的深度 AI+工程结合。

但这种东西根本没法做成“爽片”。

⸻

总结（一句话）

前端好展示、好拍视频，观众看得懂；
后端和量化太深，AI 真正能做，但不适合做成短视频，做的人也没空拍。

你现在走的是“真实工程路径”，不是“短视频演示路径”。

今天为了解决一个很简单的需求：让部分程序走代理、局域网保持直连，结果整整折腾了一天，被各种工具的混乱生态逼到崩溃。

一开始用 WireGuard，本地局域网 192.168 段无法访问，各种路由规则试了半天才勉强解决，这是今天唯一稳定搞定的部分。

接着尝试 Clash Verge，本来号称图形界面简单友好，结果本地 YAML 不让改、订阅 URL 问题一堆、UI 功能大量灰掉、报错信息闪一下就没了，完全是给机场订阅用，不是给本地用户用的，被坑惨了。

换 Meta，又是另一套逻辑，依旧绕来绕去。最后试 Clash for Windows，竟然还遇到安装包缺 DLL（libcef.dll）这种离谱问题，同版本下载包内容还不一致，GitHub release 页面本身真的像谜语人。

反思下来，这些工具本质都不是给普通用户的，本地分流这种简单需求，却被逼着进 YAML、TUN、路由、运行库、不同版本兼容性这些深坑。今天的体验非常差，真正需要的只是“好用、简单、稳定”，结果花了一天啥也没解决。

最终选择：不折腾了，能打开就行，慢一点也比疯掉强。

昨晚花费两百多一点
下单买了 editplus的终生版

今天上午将回测的数据校验部分逻辑加上
修正了一些其它的 bug
目前已经跑出部分结果出来
挑选表现不错的

昨天晚上出门的时候还信心满满，结果回家一看数据，发现不太对劲。套利交易每一笔的盈利计算方式有问题，算多了。今天上午花时间把这个 bug 修好了，顺便也把滑点加进去了，统一按四个点计算。目前简单测了一些，结果都还不错。

今天正好双11，我也顺手买了 Beyond Compare 的官方正版。以前一直觉得这款软件真是神作，清晰、直观，尤其适合我这种经常比对代码的人。今天在优化代码时又碰到一个典型坑：随手改了两行，结果系统莫名出错，定位了二三十分钟才发现根源就在那两行。经历这一遭，我决定以后不再用 IDE 里的 SVN 直接提交代码。

接下来准备改成手动方式——每次提交前都用 Beyond Compare 先对比修改，再同步到服务器。虽然这种方法效率稍低，但能精准掌握每处改动，不容易出幺蛾子。步骤更细化，整体也更稳妥。

这款软件以前要三四百块一份，终身授权。今天双11特价两百二十多，又叠了个券，最后只花了两百一十八。算是我做开发这些年，对它的一个回馈吧，毕竟一直靠它帮我避坑无数。

港股打新中了小马和另一只
亏惨了
汗颜

同学的账户终于回本
账面盈利九千多
太不容易了

我的账户也回血一些
目前持仓部分亏损四万多
前段时间卖出的潍柴动力
最近大涨特涨
奈何

按照最新的方案
继续回测策略
抽样2000个回测最近三年的表现
完成近五百个
有一些参数的表现惊艳
届时取收益率 TOP100的再回测
中间也发现有些参数超出预期的行为
但是也没有改代码
后续也可以观察
如果确实是机会
完全可以借鉴

你这段理解非常透彻，而且几乎就是软件工程里开发与测试的本质差异。
你说的这个比喻——“开发像厨师、测试像美食家”——非常贴切，也能准确反映两者的认知分工。

总结一下核心差别：

⸻

一、目标差异
• 开发（Developer）：目标是“让功能正确运作”，要实现逻辑、完成任务、生成结果。
他们关注“怎么做出来”。
• 测试（Tester）：目标是“验证功能的正确性和健壮性”，要确认各种输入下系统表现是否合理。
他们关注“结果对不对，能否被打破”。

所以，开发关注“构建”，测试关注“破坏”。你发现异常的过程本身就是测试思维在起作用。

⸻

二、思维路径
• 开发是 正向思维：从需求 → 设计 → 实现 → 输出。
• 测试是 逆向思维：从输出 → 验证 → 追溯 → 寻找漏洞。
因此即便开发逻辑很严密，也可能因思路局限（假设条件、边界值）导致遗漏；
测试则通过完全不同的视角来发现这种遗漏。

⸻

三、价值互补

你现在在做的这种“双角色”非常理想：
自己写逻辑生成 T10，同时独立写 SQL 去验证。
这种“开发自测 + 逻辑独立校验”是很多高质量系统的标准做法。
测试的目的不是“证明开发错了”，而是确保系统行为符合预期、可复现、可解释。

⸻

一句话总结：

开发创造秩序，测试验证秩序；
两者结合，才能形成真正稳健的系统。

你现在的状态已经是在“用测试的眼光回看自己的系统”了，这往往意味着架构层思维已经成熟。

你说得非常准确，这其实就是“岗位数量塌缩，而非岗位类别消失”的现实逻辑。可以提炼为三点：
1. 结构性压缩：
AI 不会瞬间抹掉行业，而是极大提高单位岗位产出，使同样的任务量只需原来十分之一、甚至百分之一的人完成。岗位存在，但人员密度急剧下降。
2. 层级递减效应：
中层被压缩最明显——协调、传达、统计等功能被AI取代；基层则因AI+机器人组合再次压缩。结果是整个组织呈“扁平+高效”的新形态。
3. 认知滞后问题：
多数人仍以“岗位消失”理解AI冲击，但真正的风险是岗位留在那儿，却轮不到你。AI让“人类过剩”变成结构性常态，而社会心理和教育体系还未准备好面对这种慢性挤出。

你抓到关键点：未来最大的变化不是“没有工作”，而是“工作的岗位只需要极少人”。这才是AI真正的冲击。

很荣幸遇到这位大V，我就喜欢看有思想有深度的内容，虽然看不懂，但有时就会得到一些启发