- 登入
- 註冊
到底該用哪個AI？ChatGPT、Gemini、Claude的策略研發能力比較｜從零開始AI量化交易（三）
如果想用 AI 做 AI 程式交易策略研發，前提其實不是先選模型，而是先把需要的資料與流程準備完整。
基本上至少要有平台語法資料、交易市場的 K 棒資料，以及一套能反覆驗證的策略研發架構。後面的工作才會進入策略蒸餾、邏輯拆解、停損停利 設計、濾網加入與參數最佳化。
這篇文章會先整理目前三大主流 AI 工具在本地端開發上的應用方式，再把我自己實際用在 XQ 策略研發上的流程與比較結果一併記錄下來。
*贊助商內容
這次我們把龍蝦 OpenClaw 先暫時放在一旁，我們先來看看目前三大主流 AI 在策略研發上的應用方式。
目錄 Content
隱藏
▍程式交易策略的研發
如果你想利用 AI 進行程式交易策略的研發，在開始之前，至少需要準備三種核心資料：
加入量化通「AI x 量化交易 LINE討論群」！1. 程式交易平台的語法資料
例如官方說明文件、語法手冊，或是 GitHub 上的範例程式碼。
2. 交易市場的 K 棒資料
也就是你要研究的商品歷史資料，例如 1 分 K、5 分 K、15 分 K 等。
3.策略研發的流程架構
這是整個策略疊代與驗證的核心，例如如何驗證入場優勢、如何設計停損停利，以及如何加入濾網提升勝率。
▍本地端開發工具
接著，我們會搭配三個主流模型的本地端開發工具來完成策略研發：
Gemini → Antigravity
Antigravity 可以同時調用 Claude 與 Gemini，適合做大量測試與快速產出，但Gemini精準度不佳。
ChatGPT → Codex
Codex 的優勢在於 ChatGPT 訂閱的使用額度通常較高，適合長時間的程式修改與工具開發。
Claude → Claude Code
Claude Code 在策略邏輯撰寫與程式理解能力上表現非常突出，是目前我最常用來生成交易策略的工具。
題外話：以我目前的實際使用經驗來看，各平台的可用額度與使用體感會變動，因此工具選擇除了能力之外，也要把額度、穩定性與成本一起考量。
▍前置作業
到 TradingView 參考開源策略程式碼挑選一份公開的策略腳本，並將完整程式碼存成 .txt 檔，作為 AI 蒸餾策略邏輯的來源。
準備回測所需的 K 棒資料至少需要兩種資料：
·1 分 K 資料：用於多時框架構驗證。
‧指定回測週期的 K 棒（例如 5 分 K、15 分 K 等）：作為策略實際運行的主要週期。
以我使用 XQ 為例的主要流程
蒸餾外部交易策略解析 TradingView 的策略程式碼，提取核心的進場邏輯與交易概念。
設計合理的停損與停利機制依據回測數據，建立符合該策略特性的風險控管與出場條件。
加入降低敗率的濾網條件根據 K 棒資料與市場特性，設計濾網來過濾低品質的進場訊號。
尋找最佳化參數配置對關鍵參數進行測試與調整，找出整體績效最穩定的組合。
轉譯為 XQ 專用策略檔 .XS將完整策略輸出為 XQ 可執行的 .XS 檔案，內容包含：
- 指標腳本（Indicator Script）
- 交易腳本（Trading Script）
▍策略疊代規格（每個人的規格不一樣）
進場訊號優勢驗證
在第一階段，只驗證進場訊號本身是否具有優勢。
回測時不設置任何停損與停利，進場後固定 持有 1 天平倉，用來純粹觀察進場邏輯的品質。
此階段要求 PF（Profit Factor）至少 > 1.2，未達標則直接淘汰。
設計合理的停損與停利
在確認進場訊號具有基本優勢後，再依據第一階段的回測數據，設計適合該策略的停損與停利機制。（這裡要注意 請 AI 把前面的持有 1 天的限制移除）目標是透過風險控管，進一步提升整體 PF 表現。
加入降低敗率的濾網
根據第二階段的回測結果，分析虧損交易的特徵，加入適當的市場濾網（例如：趨勢、波動或成交量條件）。
目的在於過濾低品質進場訊號，進一步提升策略穩定度與 PF。
參數最佳化測試
對策略中的關鍵參數進行系統化測試，尋找在不同市場情境下表現最穩定的配置，
讓策略整體績效達到最佳平衡。
過度擬合檢測
為避免策略過度擬合，使用 1 分 K 資料重新擬合目標週期的前後幾分鐘 K 棒，
檢查策略績效是否大幅崩潰。
若在不同時間切片下仍能維持穩定表現，代表策略具備較好的泛化能力。
演化流程:
這類流程設計，其實只有 AI 最適合處理與優化。
當整體邏輯與架構想清楚之後，我通常會直接把流程 交給 ChatGPT，並請它協助優化成結構清晰、可執行的提示詞。
簡單來說就是：
先把流程想清楚 → 丟給 ChatGPT → 請 AI 幫忙整理與優化提示詞。
（寫完幾篇文章後回頭補充，這個流程適用於單一策略蒸餾）
這樣可以大幅減少人工整理的時間，也能讓後續的策略研發流程更加穩定、可重複使用。
▍成果輸出－Claude Code v.s 網頁版）
開源程式碼 Smart Money Concepts [LuxAlgo]
以下結果皆使用同一份原始策略來源、相同市場資料、相同回測期間與相同成本設定進行比較，僅比較不同模型 / 工具在策略產出上的差異。
| 模型 | PF | 3Y績效 | MDD |
|---|---|---|---|
| Claude Code (雙向) | 1.98 | 677355 | -53954 |
| Gemini 3.1 網頁版 | 1.46 | 489173 | -179139 |
| Gemini 3.1 加入Skill | -0.87 | X | X |
| ChatGPT5.4網頁版 | -0.97 | X | X |
| ChatGPT5.4加入Skill | 1.22 | 102482 | -56388 |
我過往都是使用 Gemini web PF 在 1.5 左右是極限了。
▍成果輸出－Claude Code v.s 本地端開發工具
開源程式碼 Smart Money Concepts [LuxAlgo]
以下結果皆使用同一份原始策略來源、相同市場資料、相同回測期間與相同成本設定進行比較，僅比較不同模型 / 工具在策略產出上的差異。
| 模型 | PF | 3Y 績效 | MDD |
|---|---|---|---|
| Claude Code(雙向) | 1.98 | 677355 | -53954 |
| Codex(純多) | 2.07 | 271743 | -16806 |
| Antigravity | 1.35 | 390753 | -48634 |
| Gemini 3.0 cli | -0.8 | X | X |
提取方向（從原始策略抽了什麼）
- Antigravity：抽「純 FVG 進場」為主，沒有把 BOS/CHoCH 結構訊號拉進來（Antigravity版本.xs:112-113）。
- CLAUDE：抽「FVG + 結構突破同 K 共振」，用 Highest/Lowest 近似 BOS/CHoCH（CLAUDE版本.xs:193-201）。
- CODEX：把原始 SMC 訊號拆成可切換模式（FVG、內部/擺動 BOS/CHoCH、組合），預設用 Internal CHoCH（CODEX版本.xs:14,100-111）。
相對原始策略的還原度
- 原始結構訊號是 pivot + crossover/crossunder 的 BOS/CHoCH 引擎（原始策略.txt:551-606）。
- 原始 FVG 是 MTF + 自動門檻過濾（原始策略.txt:634-642）。
- 三版都把 FVG 簡化成 3K 缺口條件；CODEX 在結構拆分上最接近原始精神，CLAUDE 次之，Antigravity 最精簡。
疊代方向（策略工程哲學）
- Antigravity：先做可交易 baseline（雙向、規則少、速度快）。
- CLAUDE：走「訊號品質優先」路線（FVG+BOS 同步、量能更嚴、可加 ADX）。
- CODEX：走「研究框架化」路線（訊號模組化 + Gate 註記 + Long-only 決策，見 CODEX版本.xs:2-9,138-142）。
▍一句話總結
不同模型對提示詞的理解與反應差異很大，即使我的提示詞已經先透過 ChatGPT 優化，實際套用到不同模型時，產出仍然可能明顯不同；因此我不會直接評斷誰最好、誰最差，而是會依照模型特性持續修正提示詞。
不過以目前的使用體感來說，我還是會優先選擇 Claude Code。
最後，我無法保證這些教學與範例能在每個人的電腦環境中完全重現。因為最終產出，往往會受到所使用的 AI、操作者本身的知識程度，以及提示詞細節差異的影響。
*本文主要由 AI 量化交易共同群主 阿考 撰寫，並由 Tony 與量化通團隊審核校稿後發佈。
