如果 AI 不能自己跑回测，相当于你有一位战无不胜的将军，但打起仗来需要时刻向你请示。大部分量化开发者使用聚宽、Ptrade、QMT 等平台时，都会遇到一个尴尬的问题——AI 帮你写的策略代码，永远需要你自己粘进平台、点回测、等待、导结果。

整个流程里，人是瓶颈。AI 不能自己跑回测，也不能自主分析。解法很直接：自己造一个让 AI 直接生产的最小回测环境。

Loop 回测框架设计

这套框架使用 tushare 作为数据源（个人开发者常用），核心设计原则是策略和撮合完全分离——策略只输出目标持仓和权重，后面的涨跌停拒单、T+1 撮合、佣金计算全由框架处理，策略代码绝不碰账本。

数据层走 tushare + parquet 双层缓存，撮合层实现 T+1 开盘成交 + 涨跌停/停牌自动拒单。基于后续魔改的灵活性考虑，没有使用 backtrader 等开源项目，而是从头搭建。

真实策略案例

框架附带两个案例策略，都来自聚宽社区——蒋老师分享的中小板块选股小市值策略，以及 ETF 轮动策略。

案例一：基本面小市值策略（/goal 模式）

要求 eps>0，营收同比和净利润同比增长率大于 0，ROE 位于全市场前 30%分位数，取市值最小的前 10 只股票，回测时间 2019.1.1 至今。AI 直接完成代码编写和回测执行，相比传统 IDE 开发模式，效率大幅提升。

案例二：ETF 斜率动量轮动（loop-skill 迭代模式）

让 AI 基于 ETF 轮动策略跑出 3 个优化方案：

• v1 趋势过滤：未达标（不过拟合证据）
• v2 波动率动量：夏普 1.035，提升 27.6%
• v3 分散持仓：夏普 1.093，提升 34.8%

loop-skill 的核心设计：三件套 + 工具硬隔离

loop-skill 本质是三件套：

• Builder：含 Read/Write/Edit 工具，能改代码、不检查。
• Checker：只有 Read/Grep/Glob/Bash，物理上没有 Write/Edit，只能查、不能改。
• 主对话（编排器）：对齐任务 → 派 builder → 派 checker → 原样转发失败报告 → 判停。

工具层硬隔离是核心。提示词挡不住 Agent 偷懒，工具权限挡得住——checker 拿不到 Write 文件，再怎么"提示"它也改不了。

与 /goal 的核心差别

/goal 是单 Agent 模式——Claude Code 内置 fresh model 拿 Stop hook 对照条件文本判断，相当于自带了一个通用裁判。

loop-skill 是多 Agent 编排。Builder 专门写代码，Checker 专门挑刺——评判权完全不在写代码的 agent 手里。量化场景里，checker 不只是看"测试过没"，还得跑回测、查未来函数、查强制成交、查过拟合——这些通用 /goal 接不住。

总结

AI 时代量化开发的入场券，是三样东西缺一不可：

• 造一个让 AI 直接生产的最小回测环境
• 装一个敢说"不"的 AI 同行者
• 守住作为工程师的判断力

工具只是工具——最终判定哪个策略能上实盘、哪个回测结果可信的，还是你。