企业官网建设流程全解析

前阵子一个做实体生意的朋友问我：他想对比亚迪做一次量化分析，验证一下这只票该怎么买，但他连 Python 都没装过，更别提写完整回测代码了。搁以前，我的答案很直接：要么去学，要么花钱请人写。但这次我让他用 WorkBuddy 试了一把，结果他愣是靠自己把一套多策略回测跑通了。这件事给我的触动挺大——量化分析的门槛正在从“会不会写完整回测代码”悄悄转向“能不能把策略逻辑讲清楚”。这篇文章我就以比亚迪 002594 的多策略回测为例，完整拆解我用 WorkBuddy 做量化分析的全过程。适合完全不会写回测代码、但想验证交易思路的人，也适合会一点 Python 但不想每次从零搭框架的量化爱好者。整个过程不需要你手敲完整代码，但你得知道自己在测什么。

我用 WorkBuddy 跑完这批回测之后最大的感受是：工具负责把“想法”翻译成“代码”，而你必须负责把“模糊想法”变成“可执行规则”。WorkBuddy 解决的是代码实现问题，不是策略设计问题。如果你能说清楚“什么时候买、什么时候卖、买多少、费用怎么算”，剩下的事它可以接手。下面我把整个流程从环境搭建、数据接入、策略定义，到结果解读和排坑经验，一条条拆开讲。

1. 为什么 WorkBuddy 能把我从回测代码里解放出来

1.1 它不是一个聊天机器人，而是一个能动手干活的智能体

很多人第一次接触 WorkBuddy，以为它就是个带知识库的问答工具，问一句答一句。实际上我更愿意把它理解成一个“智能体工作台”：它能把一个大任务拆成多个小步骤，然后调用数据接口、生成代码、在沙箱里执行、把结果整理成表格或文本返回给你。也就是说，它不是一个只会说话的助手，而是一个能动手干活的“数字员工”。

拿回测这个场景来说，WorkBuddy 要跑通一次完整的多策略回测，至少需要完成这些事：拉取行情数据、检查数据质量、根据策略描述生成回测代码、设置交易成本模型、执行回测、计算绩效指标、输出对比结果。这在过去是一条完整的工程链路，现在通过自然语言指令就可以串起来。当然，这不是说它不需要配置，而是说配置的复杂度从“写代码”降到了“做选择”。

我用的 WorkBuddy 支持自定义指令、Skill 扩展、本地部署，也支持通过连接器接入外部数据源。这些能力组合在一起，才让“不懂代码的人做回测”变成了可能。如果你手里的版本功能入口名称不一样，不用纠结，核心逻辑是通的：先给它一个跑回测的工作区，再把数据和策略规则告诉它，剩下的交给它执行。

1.2 不懂代码的人缺的是框架，不是策略

我观察到一个很有意思的现象：很多人觉得自己“不会写完整回测代码”就等于“做不了量化分析”，但真让他们讲讲想测什么策略，反而说得头头是道。比如“跌到 30 日均线以下就止损”“突破 20 日高点就买入”“涨太多了就分批卖”，这些其实都是策略雏形。你缺的从来不是交易想法，而是把想法变成回测工程的那套框架。

一套完整的回测代码框架，通常包含数据获取、复权处理、交易成本建模、信号生成、持仓更新、绩效统计、可视化输出这几大块。对新手来说，最劝退的是前面那些“脏活累活”：数据要清洗、复权要一致、日期要对齐、手续费和滑点都不能漏。这些问题和“策略有没有道理”没有关系，纯粹是工程门槛。

WorkBuddy 的价值在于，它把框架封装成了可复用的 Skill。你可以不关心 DataFrame 怎么拼接、循环怎么写，只需要告诉它“策略规则是什么、测哪只票、用多久的数据”。它会在底层调用那个回测 Skill，把框架搭好，再把你描述的策略填进去。这就好比开手动挡车和开自动挡车的区别：你还是要会看路、打方向盘，但不用再纠结什么时候踩离合换挡。

1.3 为什么拿比亚迪当试验田

我选择比亚迪 002594 做例子，不是因为我看好或看空这只票，而是因为它的历史行情非常适合检验策略。2020 到 2024 这五年，比亚迪经历了明显的上升趋势期、高位震荡期和深度回撤期。这种“行情风格切换明显”的标的，最能看出一个策略是吃趋势、吃震荡还是吃波动率的饭。如果只选一只匀速上涨的票做回测，任何多头策略都会显得很厉害，那没有参考价值。

另外，A 股数据源对这只热门票的覆盖度很高，历史日线、前复权数据都容易获取，复现起来也方便。需要先说明的是，我在下文里给出的所有回测数字，都是我在本地用 WorkBuddy 跑出来的示例结果，用来演示方法，不代表真实收益，也不构成任何投资建议。历史回测最大的意义是帮你理解策略的脾气，而不是给你一张未来的成绩单。

2. 搭一个能跑回测的 WorkBuddy 环境：数据、模型与 Skill 三层

2.1 我用的组件配置

在正式开始之前，得先让 WorkBuddy“手里有粮”。我用下来，一套能跑通回测的最小环境由这几块组成：

我不建议一上来就追求复杂配置。最简路径是：打开 WorkBuddy，建一个工作区，数据源选 AkShare，回测 Skill 选内置的默认版本，模型用默认的云端推理，直接开始跑。等跑通一个简单策略之后，再根据需求换数据源、改参数、调模型。

这里有个容易被忽略的点：WorkBuddy 有没有“执行代码”的能力，决定了它能不能真正跑回测。如果只是一个纯文本对话模型，它能给你一段代码，但没法替你运行。我用的版本是带代码沙箱的，所以它能直接执行脚本并返回结果。如果你的 WorkBuddy 只能生成代码不能执行，那就需要把代码复制到本地环境跑，流程会多一步。

2.2 数据接入：三种方式按需选

回测最怕数据出错，数据接入环节一定要让 WorkBuddy 把“数据从哪来、是否复权、格式如何”讲清楚。我测试了三种方式，分别适用不同情况。

第一种是让 WorkBuddy 通过连接器直接拉取数据。比如我会直接说：“用 AkShare 拉取比亚迪 002594 的日线数据，前复权，时间范围 2020-01-01 到 2024-12-31，保存到工作区。”它会自动调用数据接口，生成一个 CSV 文件。这种方式最省事，适合大多数场景。

第二种是让 WorkBuddy 写一段数据获取脚本，再由我手动或半自动执行。适合你不想让 WorkBuddy 直接联网的情况。实际上，如果你用的是本地部署模式，且没有配置数据连接器，让 WorkBuddy 生成一段 Python 脚本，你确认后再运行，也是一种可靠的方式。

第三种是手动上传 CSV。如果你手里已经有了一份现成的行情数据，或者你希望严格控制数据来源，就直接把 CSV 拖进工作区。数据至少需要六列：date、open、high、low、close、volume，日期格式统一，按升序排列。CSV 上传后，第一步不是直接回测，而是让 WorkBuddy 做一次数据质量检查。我常用的指令是：“检查这个 CSV 有没有缺失日期、重复日期、跳空异常、成交量异常，并给出统计摘要。”这一步很关键，能帮你挡掉后续大量莫名其妙的回测结果。

2.3 第一次回测前必须先确认的四个参数

在 WorkBuddy 里跑回测，它通常会问你四个关键参数，因为这几个参数直接决定结果长什么样。我通常这样设置：

这里面滑点和佣金是最容易被新手忽略的。如果你完全不设置，WorkBuddy 可能会默认“零成本成交”，结果就是策略收益虚高。可以简单理解成：手续费和滑点越接近真实，回测结果越老实，但也越难看。我不建议为了让曲线漂亮而故意把成本设成零，因为那是在骗自己。

3. 比亚迪多策略回测跑通全流程：从自然语言到绩效曲线

3.1 把策略逻辑翻译成自然语言指令

WorkBuddy 需要的不是“帮我看看比亚迪能不能买”这种模糊需求，而是“可执行规则”。规则要足够具体：什么时候产生信号、用什么价格成交、全仓还是半仓、什么时候退出。我第一次带朋友跑的时候，给他的指令模板是这样的：

“请对 002594 做多策略回测，数据用 AkShare 前复权日线，区间 2020-01-01 到 2024-12-31，初始资金 100 万，佣金万三，滑点 0.01 元。

策略一：双均线趋势，短期均线 10 日，长期均线 30 日，短线上穿长线全仓买入，下穿清仓卖出。

策略二：14 日 RSI 超买超卖，RSI 低于 30 买入，高于 70 卖出，全仓进出。

策略三：20 日布林带突破，收盘价突破上轨做多，跌破中轨离场。

每个策略独立回测，最后输出总收益率、年化收益率、最大回撤、夏普比率、胜率、交易次数，并和同期买入持有基准对比。”

这条指令里的关键信息包括标的代码、数据源、时间范围、费用模型、每个策略的入场和出场条件、期望输出的指标列表。WorkBuddy 收到之后，会把任务拆解成多个子任务分别执行。如果它觉得哪里规则不明确，比如“RSI 低于 30 就立刻以收盘价成交吗”，它会反过来问你，这是好事，说明它在做有逻辑的执行，不是硬猜。

3.2 WorkBuddy 是怎么把指令变成回测代码的

从自然语言到回测代码，中间发生了什么？WorkBuddy 内部大概做了这几步：拆解任务、拉取数据、生成回测脚本、在沙箱里执行、汇总结果。为了让你对“代码长什么样”有个概念，我挑一段它生成的双均线核心逻辑给你看：

import pandas as pd # df 为前复权日线数据 df['fast_ma'] = df['close'].rolling(10).mean() df['slow_ma'] = df['close'].rolling(30).mean() # 信号：短期均线在上方时持有 df['signal'] = (df['fast_ma'] > df['slow_ma']).astype(int) # 关键：信号 shift(1)，次日开盘生效，避免未来函数 df['position'] = df['signal'].shift(1) # 策略收益 = 持仓状态 * 当日收益率 df['strategy_return'] = df['position'] * df['close'].pct_change() # 计算组合净值 df['equity'] = (1 + df['strategy_return']).cumprod()

这段代码最值得注意的就是那个shift(1)。它确保了当天收盘算出的均线信号，不会用当天的价格成交，而是从第二天开始生效。这是回测里最容易出错也最影响结果真实性的细节。你不会写代码完全没关系，但如果你在结果解读里发现某个策略收益异常高，要想到可能犯了“未来函数”的错，这一点我在后面专门讲坑的时候会展开。

3.3 结果怎么读：五项指标一个都不能少

WorkBuddy 执行完回测后，会返回一张绩效表。不要只看收益率，那是全场最会骗人的指标。我习惯先扫一眼五个数：总收益率、年化收益率、最大回撤、夏普比率、胜率。年化用来衡量赚钱速度，最大回撤用来衡量你扛不扛得住，夏普比率用来衡量收益和波动的性价比，胜率用来判断策略的“手感”。

下面是我用默认参数跑出来的示例结果，对比买入持有：

注意双均线的胜率只有 38.5%，明显低于五成，但总收益比买入持有高，最大回撤也更小。这说明它是一个典型的趋势策略：大部分交易是小亏或小赚，真正赚钱靠的是抓住 2020 到 2021 年那种大级别上涨行情。只看胜率很高不代表策略好，只看收益很高也不代表策略稳。这五个指标放在一起看，才能拼出策略的真实性格。

4. 三个策略的实际表现拆解：趋势、动量与波动率突破

4.1 策略 A：双均线趋势策略，吃大波段也会挨震荡的打

双均线策略的逻辑很简单：短期均线上穿长期均线，说明短期趋势转强，买入；下穿，说明趋势转弱，卖出。这个策略在单边上涨行情里非常舒服，2020 到 2021 年比亚迪那种持续拉升的走势，双均线能从头吃到尾。但在 2022 到 2024 年反复震荡的行情里，均线会频繁金叉死叉，来回挨打。

参数不同，效果差异也很大。我把 10/30 和 20/60 两组都跑了一遍：

10/30 更敏感，交易次数多，收益略高但回撤也更大；20/60 更钝，交易次数少，回撤控制得更好，但在行情快速反转时会显得反应迟钝。没有哪组绝对更好，取决于你能接受多大的回撤。这个对比也说明了一点：多策略回测的意义，不是非要分个输赢，而是理解每个参数组合在“收益”和“痛苦”之间的取舍。

4.2 策略 B：RSI 动量回调策略，不加过滤就是送人头

策略 B 的原始逻辑是“RSI 低于 30 买入，高于 70 卖出”。听起来像低买高卖，实际回测结果很打脸。因为比亚迪在 2023 到 2024 年的下跌趋势里，RSI 可以长期处于低位，你每次低于 30 买入，都可能买到半山腰。这是典型的“接飞刀”问题。

我做了个改进：加入 20 日均线过滤，只允许在收盘价站上 20 日均线时执行 RSI 超卖买入。这等于加了一道趋势确认的闸门，结果是：

加过滤之后，交易次数几乎少了一半，收益反而更高，回撤小了一大截。这个案例特别适合让 WorkBuddy 帮你做“对比实验”：同一个策略，加不加某个过滤器，结果差多少。它能快速给你跑出来，远比你自己凭感觉猜测靠谱。

4.3 策略 C：布林带突破策略，追的是爆发力

策略 C 用 20 日布林带，2 倍标准差。收盘价突破上轨时进场，跌破中轨时离场。这个策略的本质是捕捉价格的突发性突破，适合流动性好、容易出现趋势行情的标的。比亚迪 2021 年和 2024 年都出现过放量大涨的阶段，布林带突破能捕捉到一部分。

但它也有明显短板：横盘震荡时，价格经常虚破上轨然后立刻回落，连续小亏会让人心态崩掉。回测结果：

胜率只有 32%，但总收益依然为正，说明突破策略一旦抓到大行情，单笔利润能覆盖很多次小亏损。这个策略比较适合搭配其他策略使用，单独满仓它，对心脏不太友好。

4.4 三个策略怎么组合，WorkBuddy 能做组合回测

三个策略各有脾气：双均线吃趋势、RSI 吃反弹、布林带吃突破。它们的信号来源不同，相关性不高，组合在一起可以平滑净值曲线。我做了一个最简单的等权组合测试：每个策略分配三分之一资金，独立运行，最后把三条净值曲线按比例合成一条。

组合的年化不是最高的，但最大回撤显著下降，夏普比率升到 1.02。这个结果很有代表性：多策略组合的核心价值不是提高收益，而是降低回撤、提高收益的稳定性。对不会写代码的人来说，用 WorkBuddy 做这种组合测试，成本很低，只需要在指令里描述清楚“资金怎么分配、是否每日调仓”就行。

5. 回测结果里那些看不见的坑：我的踩坑排查记录

5.1 坑一：前复权数据混用导致价格断裂

我第一次跑双均线策略时，净值曲线在 2022 年 7 月突然出现一次毫无来由的跳变。一开始我以为是策略信号触发，但仔细看，那个时间点附近既没有金叉也没有死叉，收益却硬生生被拉高了一截。排查链路是这样的：先让 WorkBuddy 打印净值曲线的突变点日期，再对比当日成交量，发现价格跳低但成交量并没有明显放大，随后检查除权除息日，确认是比亚迪当年的分红除息日。问题出在数据上：数据源里有一部分行情是未复权价格，有一部分是前复权价格，两者拼接后，除息日当天价格出现向下跳空，被回测引擎误认为是真实下跌。

修复方法很简单：统一使用前复权数据，并在数据检查阶段就确认“整个区间是否同一复权口径”。现在我做任何回测之前，都会让 WorkBuddy 输出一段数据摘要，重点看有没有莫名其妙的跳空缺口。如果你发现回测收益在某个财务事件日附近出现异动，第一反应应该是查复权，而不是怀疑策略灵光乍现。

5.2 坑二：未来函数让策略“开天眼”

第二个坑更隐蔽，也更要命。RSI 策略第一次跑出来胜率 78%，最大回撤不到 10%，我当时差点觉得策略可以上实盘。还好留了个心眼，让 WorkBuddy 把每次买卖点打印出来核对。结果发现，信号生成用的是当日收盘价计算出的 RSI，成交也记在当日收盘价上。这在实盘里是不可能的：收盘价出来的时候，交易已经结束了，你根本来不及按同一个价格成交。

这就叫未来函数，等于策略偷看了当天的答案再去答题。修复方式就是前面代码里出现的那个shift(1)：信号统一往后移一天，第二天开盘再执行。修改之后，RSI 策略的胜率立刻从 78% 掉到 55% 左右，最大回撤从 8% 涨到 20% 以上，离谱的收益曲线瞬间变得现实主义。这个坑几乎是新手回测的必经之路，我在帮朋友跑的时候特别强调了这一点：如果策略只负责“当天收盘后给出信号”，那成交价必须选次日开盘价，不能选当日收盘价。让 WorkBuddy 跑完回测后，主动检查一下成交价和信号价到底是不是同一天，能省掉后面无数自嗨。

5.3 坑三：网格搜索出来的完美曲线，换个时间段就露馅

第三个坑是全自动参数优化。有一阵我图省事，让 WorkBuddy 在双均线参数空间里跑网格搜索，短均线从 5 到 50，长均线从 20 到 100，最后筛选出一组“历史最优参数”，年化 45%，回撤 12%，曲线完美得像假的。我差点就准备实盘了。

为了验证稳健性，我把数据切成两段：2020 到 2022 作为训练段，2023 到 2024 作为验证段。训练段最优的参数组，在验证段年化只跑出 6%，甚至不如买入持有。我又把参数改成最优参数附近的一组，绩效波动极大。这说明严重过拟合：那组参数是在精确记住历史噪声，而不是在总结规律。

之后的处理方式我总结成三条：第一，参数搜索范围宁小勿大；第二，单个策略的参数最好不要超过两三个；第三，必须做分段验证或 walk-forward 检验。WorkBuddy 可以帮你执行这些操作，但决定“要不要克制搜索欲望”的是你。工具不会拦着你过拟合，它只会高效地帮你把过拟合做到极致，这个责任得自己担。

6. 把 WorkBuddy 变成自己的量化助手：Skill 沉淀与进阶用法

6.1 把回测流程固化成 Skill，下次一句话跑通

把比亚迪这个案例完整跑过一遍之后，我发现最费时间的不是回测本身，而是每次都要重复描述一遍参数、数据源、费用模型。WorkBuddy 支持把一套流程固化成 Skill，这个设计对不会写代码的人特别友好。我的做法是跑通一次之后，对 WorkBuddy 说：“把这次回测的完整流程保存成一个 Skill，以后只要提供股票代码、时间区间、策略描述，就自动按同样的参数和流程执行，并输出绩效表和净值数据。”

保存完 Skill，再想测另一只票就很简单了。比如朋友问“看看宁德时代怎么样”，我只需要说：“用回测 Skill 跑一下 300750，时间 2021 到 2024，策略用之前的三套，默认参数。”剩下的一切它都会按既定流程执行。这等于把一次性的项目工程，变成了可复用的方法论资产。

6.2 进阶玩法：让 WorkBuddy 做参数敏感性分析

单跑一组参数只能看到策略的一个侧面，我更推荐做敏感性分析。所谓敏感性分析，就是固定其他条件，让某个参数在一定范围里变化，观察绩效指标怎么波动。我用 WorkBuddy 跑过一次双均线敏感性分析：短期均线从 5 到 30，步长 5；长期均线从 30 到 80，步长 10。它最后输出一张表格，横轴是短期均线参数，纵轴是长期均线参数，每个格子填的是对应策略的夏普比率。

这种表的价值在于，你能快速看出“哪些参数区域是稳定的高绩效区，哪些区域换个参数就崩盘”。如果高绩效只集中在一个很窄的点上，说明策略很脆；如果一整片区域都表现不错，说明策略有稳健性。这个认知比“找到一组最牛参数”重要得多。WorkBuddy 还可以做随机扰动测试，即在最优参数附近加入小幅随机波动，跑多次看绩效分布，这也是对抗过拟合的好办法。

6.3 本地部署与数据安全，我踩过的一个现实问题

最后说说数据安全。回测涉及价格数据、策略想法，对一些人来说属于敏感信息。如果你不希望自己的策略和行情数据传到云端，可以考虑用本地部署版 WorkBuddy，让数据和脚本都留在本机。我尝试过本地部署后再接一个开源模型，跑简单的回测任务，比如双均线、RSI 这种逻辑清晰的策略，完全够用。复杂的策略理解、长上下文分析能力会弱一些，但日常个人量化足够。

如果你用本地部署，几个建议供参考：把行情数据放在独立工作区，不要散落在系统目录里；模型推理服务建议单独起一个端口，方便 WorkBuddy 调用；跑完回测后，把结果文件统一导出到指定文件夹，方便从本机里找出来做二次分析。我个人的体会是，WorkBuddy 这类工具真正的价值不是替代分析师，而是把“从想法到验证”的距离压缩到了几分钟。你不必成为一个熟练的程序员，但你必须学会把策略说清楚，并保持对回测结果的警惕。参数可以交给工具去找，逻辑的合理性必须自己把好关。