学过 Python 的人常有一种信心：策略不就是把想法写成代码吗。真做过一轮就明白，代码只占整件事的一小部分，有四件事它替不了。

第一件，想清楚赚的是谁的钱。任何一个策略都要回答这个问题：你的对手方为什么愿意在不利的价格上和你成交？是因为他急、他不懂、他被规则约束，还是因为你在承担他不愿承担的风险？答不上来，策略就只是历史数据的巧合。

第二件，定义可执行的规则。想法是「跟随强势股」，规则必须是「按过去二十日涨幅排序，取前五名，每周一开盘调仓，单只权重不超过两成」。模糊的想法在代码里没有对应实现，规则不清的策略在实盘里必然走样。

第三件，处理异常与边界。停牌了怎么办，涨跌停了怎么办，资金不够一手怎么办，数据缺失怎么办。这些情况在回测里经常被忽略，在实盘里天天出现。写策略的时间，一半花在这些「不重要」的分支上。

第四件，接受不确定性。回测告诉你的是历史，不是未来。参数微调带来的差异，很多时候是噪音而不是改进。能区分「策略变好了」和「这组参数刚好合适」，需要的是统计常识和对自己策略的理解，不是编程能力。

这四件事之外，还有一件工程性的：把事情做成可重复的流程。数据怎么更新、信号怎么落库、下单怎么记录、出错怎么通知。这些看起来和策略无关，实际决定了策略能不能长期跑。

判断标准：一个策略如果只能在你亲自盯着的时候跑，那它还停在「脚本」阶段，离「系统」还有一段路。先把它做成不需要你在场也能安全停下的样子，再谈优化收益。

股票/量化开户欢迎找我！满足条件股票佣金万0.854、etf 可转债佣金万0.5、国债逆回购一折（百万分之一）！期权1.8元一张全包价！量化软件QMT+ptrade免费使用！还有888、999资金靓号等你选！