我没写一行代码，让 AI 跑了 8 年纳斯达克回测

两句话先抛出来：

胜率 100% 的策略，年化只比闭眼买多 2 个点。

"跌了才买"听起来很聪明，回测下来年化只比"每月固定买"多 0.2 个点。

这篇文章有两条线：

财经线：8 年纳指 + 5 个策略 + 反直觉数据

AI 工具线：我是怎么靠一份"人话需求文档" + 几句"开始干"，让 AI 在 30 分钟内跑完整套回测的

不卖课、不带链接、不构成投资建议。先放总表给急性子的人看。

策略	总收益	年化	最大回撤	交易次数	胜率
A: All-in 一次性满仓	244.37%	16.82%	-36.40%	1	100%
B: 每月定投 $100	117.96%¹	19.04% (IRR)	-27.23%	96	100%
C: 200 日均线右侧交易	231.26%	16.25%	-22.70%	15	40%
D: 200MA + 3x 杠杆推演	1878.80%	45.55%	-56.39%	15	40%
E: 单日跌 >2% 才买（同口径 vs B）	116.17%¹	19.24% (IRR)	-27.04%	60	98%

¹ B/E 的"总收益"= (期末市值 − 总投入) / 总投入，与其他策略口径不同，应主要看 IRR。

〇、为什么写这一篇

我是个想搞清楚"定投到底比 All-in 强不强"的普通人。问题是我懒，不想 pip install pandas、不想注册 yfinance、不想 debug strftime。

于是这次我一行代码没敲，全程在 IDE 里和一个 AI Agent 说人话，让它拉了 8 年纳斯达克综合指数日线、跑了 4 个策略的完整回测、输出了一份带胜率/回撤/IRR 的 Markdown 报告。

总耗时大概 30 分钟，期间我做的事就是打字、看结果、提下一个需求。

前半段讲怎么做的（AI 工作流），后半段讲做出了什么（回测结论）。

一、工具栈：三件套，没有一件是付费的

1.1 我用了什么

角色	用了什么	干了什么
Agent / 编辑器	CodeBuddy IDE（Agent 模式）	跑命令、写脚本、读文件、生成报告
大模型	Claude Opus 4.7（在 CodeBuddy 里切的模型）	理解需求、写代码、解释结果
数据接口	westock-data（一个 CLI Skill）	拉 K 线数据

分工很简单：我把"做什么"丢给 AI，AI 自己决定用哪个数据、写什么代码。我只负责验收和提下一个需求。

1.2 为什么是 westock-data，而不是 yfinance / Tushare

这是这次的关键工具，多花两段讲清楚——它有它的好，也有它的坑。

能用的地方：不用注册账号、不用 API key，装好 Skill 即用；一套命令行同时覆盖 A 股/港股/美股/指数/ETF/财务/宏观；输出直接是 Markdown 表格，给 AI 解析的成本几乎为零；数据源是腾讯自选股的接口，行情、K 线、财务三表、资金流向、技术指标、机构评级、新闻公告都有。

坑也得说清楚：

K 线单次最多 2000 条——这就是为什么样本只能从 2018 年 6 月开始，而不是 2000 年起。日线满打满算约 8 年。
美股复权选项相对粗糙（指数本身不分红影响不大，个股要小心）
数据源是商业接口，不适合学术级研究，但做"对策略量级有个直觉"够了
风险事件、龙虎榜、筹码分布只支持 A 股
search 和 minute（分时）不支持批量

一句话：个人投研够用，学术研究不够。要回测 1971 年以来的纳指，请换 yfinance 或 Stooq。

1.3 这套工作流的"成本"

维度	传统做法	这次的做法
写代码	1~2 小时（解析、回测、画表）	0 行
找数据	注册 API、配 token、调试	1 句话
出报告	自己写 Markdown 排版	AI 直接产出
总时间	半天	~30 分钟
钱	0~99 元（API/订阅）	0

二、我是怎么"提示"AI 的

这一节是给同样想用 AI 干活的朋友看的。没有提示词模板，只有一份白话需求文档。

2.1 我的"需求文档"长这样（58 行原文）

我没用任何 prompt 模板。就是在编辑器里把"我想要什么"写成一份人能看懂的需求文档，存成 回测需求.md，然后丢给 AI 一句：

"用项目已有的工具、数据完成回测需求"

数据源
· 标的：纳斯达克指数
· 周期：日线，尽可能长
· 工具：westock-data

需要跑的数据（基础统计）
1. 区间涨幅：总涨幅、年化收益率
2. 最大回撤：幅度、发生时间、对应前高
3. 单日跌幅分布：>2%、>3%、>4%、>5% 的次数和占比
4. 前 10 大单日暴跌：日期、跌幅

策略模拟（均以一个完整投资区间为准，不考虑税费和滑点）

策略 A：All-in 一次性买入
策略 B：定投（每月 1 日买入 $100）
策略 C：右侧交易（200 日均线）
策略 D：右侧交易 + 3 倍做多

输出格式
不要 JSON，用可读的 Markdown 表格 + 文字结论。
最后加一个四策略对比总表。

不需要的内容
· 不要画图（我没有视觉工具）
· 不要 Monte Carlo / 随机模拟
· 不要分红再投资计算
· 不要税费/手续费
· 不要在结论里给投资建议——只给数据

就这么白话。

2.2 我总结的 3 个"提示词要点"

不是 prompt 模板，是方法论。写多了你会发现，prompt 工程的核心从来不是用什么花哨咒语。

先把"不要什么"写出来。 我明确写了：不要画图、不要 Monte Carlo、不要分红再投资、不要税费、不要给投资建议。这一段直接砍掉了 50% 会被 AI 自作主张加进去的内容。AI 默认会"帮你想周到"，这种好心常常是过度设计。列负面清单比列正面需求更省事。

指定输出格式比指定内容更重要。 我写了"不要 JSON，用 Markdown 表格"，还给了一张最终总表的模板。AI 直接照着填，没有任何排版上的来回拉锯。

数据口径写死，不留歧义。 "不考虑税费和滑点"——这种话让 AI 不会反复来回问"请问您要不要加 commission？""分红是否再投？"。

2.3 中途我做了什么"补丁"

第一版报告出来后，我看了一眼总表，发现只有策略 C 写了胜率，A/B/D 都没写。

我没改需求文档，也没说「请帮我在 A、B、D 也加上胜率，注意 A 是单笔买入持有，所以胜率定义为……」。我就回了一句：

"把胜率也加进去"

5 个汉字。然后 AI 自己想清楚了每个策略的胜率口径：

策略	它怎么定义胜率
A 单笔买入持有	"末值 > 买入价"视为 1 胜 → 100%
B 96 次定投	每笔买入价 vs 末日收盘价逐批判定 → 96/96 = 100%
C 200MA 多段持仓	每段开仓→平仓收盘价比较 → 6/15 = 40%
D 3x 杠杆版 C	同样的持仓段，用 3x 复利重算单段收益判定 → 40%

它还主动在表格下方加了一段口径注释——A=单笔买入持有视末值正负；B=每月定投按"买入价 vs 末日收盘"逐批判定；C=200MA 每段开仓→平仓的收盘价比较；D=与 C 同样的持仓段，但用 3x 日复利重算单段收益判定。

过去你用 Tushare + Jupyter，是你写好每一步代码；现在你用 Agent，是你想清楚要什么。

后面所有数字都来自 AI 生成的那份 90 行 Python 脚本（纯标准库，零第三方依赖）。

三、先看市场本身有多"癫"

3.1 8 年的基本盘

指标	数值
区间	2018-06-07 ~ 2026-05-21（约 8 年，2000 个交易日）
起点收盘	7635
终点收盘	26293
总涨幅	244.37%
年化 (CAGR)	16.82%

过去 8 年，闭着眼买都赢。但是——

3.2 中间你要扛住一次"-36.40% 的 13 个月"

项目	数值
最大回撤	-36.40%
前高	2021-11-19（16057 点）
谷底	2022-12-28（10213 点）
回到前高	2024-02-29

从顶到底花了 13 个月，从底回到前高又花了 14 个月。整整 27 个月账户上的数字都不太对。

3.3 单日跌幅分布

阈值	次数	占比
单日跌 > 2%	150 天	7.50%
单日跌 > 3%	58 天	2.90%
单日跌 > 4%	23 天	1.15%
单日跌 > 5%	7 天	0.35%

前 3 大单日暴跌清一色是 2020 年疫情周：

日期	跌幅
2020-03-16	-12.32%
2020-03-12	-9.43%
2020-03-09	-7.29%

一周吃满了近 8 年最惨 Top3。后面 2025-04 那一周（中美关税波动期）的两天 -5.97% 和 -5.82% 也在 Top10 里。

这一节的作用是给后面策略的"心理成本"一个锚：8 年里，你要忍 7 次单日 -5%、150 次 -2% 以上、外加一次长达 27 个月的折返跑。

四、四个策略，逐个拆

4.1 策略 A：All-in 一次性买入——最懒，但不一定最差

第一天满仓，持有到最后一天。

指标	数值
初始资金	$10,000
期末市值	$34,437
总收益率	244.37%
年化	16.82%
最大回撤	-36.40%
交易次数	1

2018 年那个夏天闭眼买，2026 年账户翻 3.4 倍。

代价是：2022 年那一年，你要看着账户从 $16000 跌到 $10000 还不动手。问问自己：能熬过 13 个月持续阴跌不打开账户吗？

4.2 策略 B：每月定投 $100——胜率 100%，但年化只多 2 个点

每个月遇到的第一个交易日买入 $100。

指标	数值
总投入（96 个月）	$9,600
期末市值	$20,924
总收益率（盈利/本金）	117.96%
年化 IRR	19.04%
最大回撤	-27.23%
胜率	100%（96/96）

两个反直觉点：

胜率 100%——96 次买入价格全部低于末日收盘价，因为是大牛市末段。但年化 IRR 19.04%，只比 All-in 的 16.82% 多 2.2 个百分点。

为什么？定投本质是在涨的过程中持续摊高成本——钱进入市场的平均时间晚了一半，时间杠杆短了一半。

那定投的真正优势是什么？回撤从 -36% 降到 -27%。换算到账户体感，就是 2022 年那一年看到的浮亏小了将近 1/3。

所以定投不是为了多赚，是为了让你睡得着。

4.3 策略 C：200 日均线右侧交易——胜率 40%，但收益追平 All-in

收盘 > 200 日均线就满仓持有，跌破就全部清仓持现金。T 日收盘判断，T 日收盘成交。

指标	数值
期末市值	$33,126
总收益率	231.26%
年化	16.25%
最大回撤	-22.70%
交易次数	15
胜率	40.00%

全文最反直觉的数据：胜率只有 40%，但收益几乎追平 All-in，最大回撤从 -36% 砍到 -22.70%。

为什么胜率这么低还能赢？看 15 笔交易里赚最多的 3 笔：

时间段	单笔收益
2020-04-22 → 2022-01-18	+70.76%
2023-10-31 → 2025-03-03	+42.79%
2025-05-12 → 2026-03-13	+18.16%

剩下 12 笔大多是 -1%~-3% 的小亏损（伪信号），还有几笔 +5%~+16% 的小赚。9 次小亏 + 6 次盈利，其中 2 次大赚。不指望"次次对"，指望"对的时候吃肉"。关键是它躲过了 2022 年那段 -36% 的熊市——9 月跌破 MA 就清仓了。

趋势策略里，胜率不重要，赔率才重要。看到量化策略胜率 40% 就觉得"这不是赌博吗"，恭喜，你和大多数人一样掉进了胜率陷阱。

4.4 策略 D：200MA + 3x 杠杆推演（TQQQ）——年化 45%，但你不一定扛得住

在策略 C 的"满仓"区间，用日收益 × 3 复利模拟（推演 TQQQ）。

指标	数值
期末净值	$197,879
总收益率	1878.80%
年化	45.55%
最大回撤	-56.39%
是否触发 -80% 爆仓	否
胜率	40%

$10,000 → $197,879，年化 45.5%。数字很性感，但这是上限，不是真实 TQQQ：波动率衰减没建模（3x ETF 每日重置，震荡市持续吃本金）、融资成本没算（实际 TQQQ 内含 SOFR + 几十 bp 的隐性融资费）、再平衡误差没算。即便砍半，它的实际收益仍然是 4 个策略里最高的。

代价是：2020 年 2 月到 4 月，账户回撤 -56.39%。$10,000 在 2 个月内变成 $4,360。你要在那个时刻不平仓，不卖飞，不打开手机刷新闻。

实操上 90% 的人在这种回撤里会自己止损跑路。这个 1878% 的数字，99% 的人是吃不到的。

4.5 策略 E：单日跌 >2% 才买——逢低买入听着聪明，实际呢？

这条策略是写文章过程中我自己冒出来的念头，模拟一个读者反应：

"前面统计里看到 8 年有 150 天跌幅超过 2%。我能不能不要每月固定时间买，专门挑这种大跌日买？是不是收益会更高？"

听起来很直觉对吧。毕竟"逢低买入"是投资圈最经典的口号之一。

我跑了 3 个变体，核心对比留给 E3（与策略 B 完全同口径，月度预算 $100，差别只在"何时投出去"）：

变体	策略	总投入	终值	年化 IRR	最大回撤	买入次数
基线	B 每月固定	$9,600	$20,924	19.04%	-27.23%	96
同口径对比	E3 跌了才买（现金桶）	$9,600	$20,752	19.24%	-27.04%	60
参考	E1 跌了才买（每次 $63）	$9,450	$21,830	20.15%	-20.21%	150
参考	E2 跌了才买（每次 $100）	$15,000	$34,651	20.15%	-20.21%	150

E3 的玩法：每月把 $100 放进一个"现金桶"等着，只要某天单日跌幅 > 2%，就把当前桶里所有钱一次性砸进去。这样保证 8 年总投入 = B 的 $9,600，唯一变量是"何时投出去"。

结果让我自己也愣了一下：E3 的 IRR 是 19.24%，B 的 IRR 是 19.04%，差 0.20 个百分点。把"机械地每月 1 号买"换成"专门挑暴跌日买"，8 年下来年化只多赚 0.2 个点。最大回撤：-27.04% vs -27.23%，只少了 0.19 个百分点。

为什么"逢低买入"不香？三个原因：

8 年只有 150 个">2% 跌幅日"，平均 19 次/年，但你 8 年要等的钱总共就 $9600。两种方式最终都把钱投进了同一个长期上涨的市场。
暴跌日和"市场底部"不是一回事——单日跌 2% 的日子绝大多数不在阶段底部。2020-03-09 暴跌 7.29%，第二天还跌；2022 年从 -36% 跌到底之前，路上一连暴跌过 4 次。
机会成本：拿着现金等暴跌的时候，市场可能已经默默涨了 6%。错过 6% 的上涨，比抄到 2% 的底要贵。

E1/E2 看起来更香（IRR 20.15%、MDD -20.21%），但它们和 B 不是同一个游戏：E1 的 8 年总投入 $9,450 不固定；E2 最后投了 $15,000，比 B 多投了 56% 的本金。本金更多、终值更大，但 IRR 和 E1 完全相同，只是规模放大。"E1/E2 看起来好"是因为偷偷加大了本金投入或挪动了时点，不是"逢低"这个动作本身的功劳。同口径的 E3 几乎跑不出 B 的水平。

顺便戳破一个流行说法：「定投不如逢低买入」——8 年里它们的差距，比一次 5% 的单日波动还小。

附带一个发现：E3 只交易 60 次（B 是 96 次），节省了一半的交易频次。如果你的券商有交易成本/最低手续费，E3 反而可能略胜。但这是"少交易"的功劳，不是"逢低"的功劳。

五、五策略对比总表 + 反直觉解读

策略	总收益	年化	最大回撤	交易次数	胜率
A: All-in	244.37%	16.82%	-36.40%	1	100%
B: 月度定投	117.96%¹	19.04% (IRR)	-27.23%	96	100%
C: 200MA 右侧	231.26%	16.25%	-22.70%	15	40%
D: 200MA + 3x	1878.80%	45.55%	-56.39%	15	40%
E3: 跌 >2% 才买（同口径 vs B）	116.17%¹	19.24% (IRR)	-27.04%	60	98%

胜率是心理护城河，不等于赚钱能力。A、B、E 胜率都接近 100%，但年化彼此差距只有 1~2 个点；C 的胜率 40%，但年化追平 A、回撤砍半。
最浅回撤归 200MA：全场最低 -22.70%，比 All-in 少 14 个百分点。这部分省下来的浮亏，换算成账户体感是很大的。
最高年化不等于最佳策略。D 的 -56% 回撤会让 90% 的人提前跑路，纸面收益不是你能拿到的真实收益。
"逢低买入"不是免费午餐。E3 用了 8 年时间，只比 B 多赚 0.2 个百分点，真正的差异来自"少交易了 38%"——这是纪律奖，不是择时奖。
样本只有 8 年，且全程偏多头。没经历 2000 互联网泡沫（-78%）、2008 金融危机（-55%）这种长熊；200MA 在长震荡市会被反复打脸。

六、必须坦白的局限

知乎不写这段会被怼到自闭。

样本期太短——只有 8 年，且全程是大牛市背景。换到 2000-2010 这十年，200MA 是输给 All-in 的。
3x 模拟是上限——衰减、融资、再平衡误差都没建模。实际 TQQQ 的长期收益会偏离理论值 30%~50%。
不计税费/滑点/分红再投——美股长期股息约 1.5%/年，复利 8 年差距会拉大。频繁交易（C/D 各 15 次）的实际成本被低估。
"过去 ≠ 未来"——同一个 200MA，2018-2026 跑赢 All-in，不代表 2026-2034 也跑赢。
AI + westock-data 的天然限制：腾讯自选股的指数数据在 2018 年部分日期 volume 字段为 0，策略 C/D 不依赖成交量所以无影响，但其它策略要警惕。AI 不会主动质疑数据，你给它什么它就跑什么，数据脏了它不知道，人工要做最后一道质检。跑"5 个策略 + 基础统计"很顺，但要做参数寻优、Walk-forward、组合优化，仍然得写正经代码。

七、双线收尾

给财经党读者：

策略没有最好，只有最贴你性格的那一种。你能扛多深的回撤，决定了你能用多激进的策略。

在按下任何一个买入键之前，先问自己：

你能在 13 个月持续阴跌里不打开账户吗？（决定能不能用 A）
你是觉得"不亏就好"，还是"想跑赢指数"？（决定 B 还是 C）
你能接受账户两个月内腰斩吗？（决定要不要碰 D）
你愿意为了多赚 0.2 个点的年化，多花 8 年精力盯着每日跌幅吗？（决定 B 还是 E）

给 AI 工具党读者：

真正打开 AI 协作生产力的不是更牛的提示词模板，是把人话需求写清楚的能力。

这次什么模板都没用：58 行白话需求文档 + 一句"开始干"，活就完成了。中途想加新指标？"把胜率也加进去"，5 个汉字。想加一个新策略？"单日跌幅超过 2% 就定投一份，跑一下"，一句话。

AI Agent 时代，最稀缺的技能不是 prompt engineering，是 product thinking：把模糊的"我想看看"翻译成具体的指标和口径，把"我不要什么"列得比"我要什么"更清楚，把验收标准前置成输出格式。

附：本文用到的工具与数据

数据源：westock-data（腾讯自选股 CLI）
大模型：Claude Opus 4.7（在 CodeBuddy IDE 里切换）
代码量：1 个 90 行 Python 脚本（纯标准库，零依赖），全部由 AI 生成
总耗时：约 30 分钟（含一次"加胜率"的迭代）
总花费：0 元

本文不构成任何投资建议。回测基于历史数据，结果不代表未来表现。

我没写一行代码，让 AI 跑了 8 年纳斯达克回测：5 个策略，2 个反直觉结论