如果你想学会一套更接近专业量化交易员思路的交易方法，这篇内容你一定要认真看完。本文会带你从零开始，了解如何借助 Claude Code、ChatGPT 会员代充、账号购买平台（银河录像局）、Google Colab 和 Visual Studio Code，一步一步搭建一个基于 隐马尔可夫模型（HMM） 的 AI 量化交易系统。
先提前说明，这套东西不是普通的 TradingView 指标脚本，也不是那种简单写几个买卖条件就结束的策略。它的核心思路，是先让模型判断市场当前到底处于什么状态，比如单边上涨、快速下跌，还是无方向震荡，然后再决定现在该不该出手。也就是说，它不是直接猜下一根 K 线涨还是跌，而是先识别“市场环境”，再去决定交易动作。这个思路，本身就比很多散户常见的追涨杀跌方式更系统。
提示词1：
写一个用于 Google Colab 的 Python 脚本，使用隐马尔可夫模型（HMM）对比特币进行市场状态识别（Market Regime Detection）。
要求：
1）安装库：
– 需要包含一个 pip install 单元，用于安装：
yfinance、hmmlearn、matplotlib、pandas、numpy、scikit-learn
2）获取数据：
– 使用 yfinance 下载 BTC-USD 最近 730 天的小时级数据。
– 重要：必须使用 yf.download，并设置 period=”730d” 和 interval=”1h”（不要使用 start/end 日期）。
– 下载后，需要处理 yfinance 的 MultiIndex 多级列，最终列名必须严格为：
[‘Open’, ‘High’, ‘Low’, ‘Close’, ‘Volume’]
– 如果列是 MultiIndex，多级列展开时要使用 get_level_values(0)，而不是最后一层。
– 确保脚本不会因为 Open / High / Low / Close / Volume 列而报 KeyError。
3）特征工程：
– 严格创建以下 3 个特征：
– Returns = Close.pct_change()
– Range = (High – Low) / Close
– Vol_Change = Volume.pct_change()
– 然后清洗数据：先删除 NaN，再把 inf / -inf 替换成 NaN，再次删除。
4）训练模型：
– 初始化 hmmlearn.hmm.GaussianHMM，参数如下：
n_components=7, covariance_type=”full”, n_iter=1000, random_state=42
– 用 X = data[[‘Returns’,’Range’,’Vol_Change’]].values 来拟合模型
– 预测隐藏状态，并把结果存到 data[‘State’] 中
5）分析：
– 打印一张汇总表，每个状态占一行，展示：
Mean_Return（Returns 的均值）
Volatility（Returns 的标准差）
Count（样本数量）
– 按 Mean_Return 从高到低排序。
6）可视化：
– 绘制比特币最近 500 小时的收盘价。
– 叠加一个散点图，用不同颜色的点表示检测到的状态（7 个 regime）。
– 使用明显区分的 colormap，并包含图例。
输出要求：
– 返回一份可直接运行的 Colab 脚本（只要代码）。
提示词2：
使用 Python、Streamlit、Plotly 和 yfinance，构建一个专业的基于市场状态（Regime-Based）的交易应用。
1. 核心引擎（HMM 逻辑）：
使用 hmmlearn.GaussianHMM，并设置 7 个状态组件，用来识别市场状态。
基于 3 个特征进行训练：
– Returns（收益率）
– Range（波动区间，计算方式为 High-Low/Close）
– Volume Volatility（成交量波动）
关键要求：
自动识别出 “Bull Run（牛市强势状态）”——也就是正收益最高的状态；
自动识别出 “Bear/Crash（熊市/暴跌状态）”——也就是收益最低的状态。
2. 策略逻辑：
实现一个包含 8 个确认条件的投票系统。
只有当 HMM 判断当前市场状态为看涨，并且下面 8 个条件中至少满足 7 个时，才允许进场交易：
– RSI < 90
– Momentum > 1%
– Volatility < 6%
– Volume > 20周期 SMA
– ADX > 25
– Price > EMA 50
– Price > EMA 200
– MACD > Signal Line
3. 风险管理规则：
– 冷却时间（Cooldown）：
只要发生任何一次平仓，系统就强制进入 48 小时冷却期。
在这 48 小时内，机器人不能再次进场，用来避免震荡行情里反复打脸。
– 出场规则（Exit Rule）：
如果市场状态切换成 “Bear” 或 “Crash”，立即平仓。
– 杠杆（Leverage）：
在盈亏计算中模拟 2.5 倍杠杆。
4. 系统架构：
– data_loader.py：
使用 yfinance 获取 BTC-USD 最近 730 天的小时级数据。
– backtester.py：
用 1 万美元初始资金运行回测模拟，并记录每一笔交易日志。
– app.py：
一个 Streamlit 可视化仪表盘。
仪表盘顶部：
显示当前信号（Long 做多 / Cash 空仓）以及识别到的市场状态。
图表部分：
使用 Plotly 绘制交互式 K 线图，并根据识别出的市场状态动态切换背景颜色：
– 牛市状态为绿色背景
– 熊市状态为红色背景
指标区：
展示以下结果：
– Total Return（总收益）
– Alpha vs Buy & Hold（相对买入并持有的超额收益）
– Win Rate（胜率）
– Max Drawdown（最大回撤）
提示词3：
“这个策略运行得很不错，但我想测试一个‘高风险’版本。
任务：修改 backtester.py，新建一个叫做‘AGGRESSIVE Mode（激进模式）’的新模式。
AGGRESSIVE Mode 需要做这些修改：
将杠杆从 2.5 倍提高到 4 倍。
把入场所需确认条件从 7/8 降低到 5/8（更激进的进场方式）。
增加一个 5% 的追踪止损，用来在更高杠杆下保护已有利润。
在 Streamlit 侧边栏里添加一个复选框，用来启用/关闭‘AGGRESSIVE Mode’，并在切换后重新运行回测。”
很多人一听到 AI 量化交易，就会觉得门槛特别高。因为以前你想做这类系统，通常要自己会不少 Python，还要会开发、会调试，甚至还要懂概率模型。但现在不一样了。你完全可以把复杂的编码工作交给 Claude Code 这类 AI 编程工具，让它帮你读代码、改文件、跑命令、修复错误。这样一来，我们最后做出来的，就不再是一套死板的固定规则，而是一个可以随着市场变化持续训练、持续优化的交易模型。
这次系统的底层核心，叫做 隐马尔可夫模型，英文是 Hidden Markov Model，简称 HMM。你可以简单把它理解成一个“市场状态识别器”。它会根据历史行情数据，把市场划分成不同的状态，比如强势多头、弱势空头、来回震荡、趋势衰减等等。视频里演示的版本，是把市场分成 7 个状态。这样模型就能告诉你，现在更适合积极参与，还是先保守观望。
为了让模型有东西可以学，我们需要先准备历史数据。这里用的是比特币过去约 730 天的小时级别数据，字段主要包括开盘价、最高价、最低价、收盘价和成交量。然后再从这些原始数据里提取出几个关键特征，比如收益率、波动区间、成交量变化等，再交给 HMM 去训练。训练完成之后，模型就能把历史上的不同时间段，分别标记成不同的市场状态。最后再通过图表把结果画出来，你就能很直观地看到，过去哪些阶段是强趋势，哪些阶段是震荡行情。
这里顺便说一句，如果你平时还没有交易所账号，或者准备边学边练手，可以先把基础平台准备好。做现货和主流币交易，可以用 Binance 币安，全球用户量非常大，而且通过邀请码 BFCYEW71 可以减免 20% 交易手续费；如果你更想要中文界面体验更顺一点，也可以看看 OKX 欧易，邀请码 88576911 同样可以减免 20% 手续费；如果你主要做合约，很多人会直接用 Bybit，邀请码 95292 也能减免 20% 交易手续费。这类平台不是这套系统的核心，但你后面真要测试交易逻辑，它们基本都会用到。
当然，只有市场状态识别还不够。真正能不能形成一套可用的交易系统，还要继续往上叠加策略规则。比如你可以设定：只有当当前市场状态被识别为偏多头，同时 8 个确认条件里至少满足 7 个时，才允许进场。这些条件可以包括 RSI、动量、波动率、成交量、ADX、价格位置、MACD 等。再加上出场逻辑、冷却时间、杠杆控制、最短持仓时间，你才能把它变成一个真正有执行力的交易系统，而不是一张“看起来很高级”的图表。
很多朋友可能会问：既然是做策略，为什么不直接在 TradingView 里面写一个脚本就好了？原因很简单，因为大多数传统脚本，本质上都是线性的固定规则。比如 RSI 大于 70 就卖，某个均线金叉就买。这种方式在某些阶段可能有效，但一旦市场结构变了，策略往往很快就失效。而 HMM 这种模型更像是一个带概率判断能力的大脑，它不是死盯着某一个条件，而是在先判断大环境，再决定当前该不该用策略。这就是它和普通 TradingView 条件脚本最大的区别。
从实际操作角度来说，第一步你可以先用 ChatGPT 帮你生成 HMM 的 Python 草稿代码，然后把代码放到 Google Colab 里先跑通。Colab 的好处是不用你自己在电脑上配置复杂环境，直接在浏览器里就能运行 Python。等底层模型没问题之后，再把这套逻辑迁移到 Visual Studio Code 里，结合 Claude Code 继续扩展成完整的交易应用。视频里演示的流程，基本就是这样一步一步往上搭的。
如果你还没开通 GPT 会员，国内用户确实经常会遇到银行卡支付、账号升级这些问题。这时候可以看看 银河录像局，它支持 ChatGPT Plus 代充，操作流程对新手会更友好一些。这个工具本身不是交易软件，但对于需要频繁使用 AI 写代码、优化提示词、修复程序报错的人来说，确实能省不少时间。
除了建模和写代码，后面你还可以继续把更多工具接进来。比如用 SignalStack 做自动化信号传送，用 3Commas 做自动化交易机器人，用 Bookmap 查看主力挂单、二级行情和热力图，用 ChartPrime 辅助提高策略确认率。如果你是做美股、期权或期货，也可以配合 IB 盈透证券、OptionStrat、NinjaTrader 一起使用，把你的整套交易工具链搭得更完整。
接下来，真正有意思的部分才开始。因为当你把底层的 HMM 市场状态识别模型跑通之后，后面就不是“写完就结束”，而是进入一个可以不断优化、不断进化的过程。你完全可以继续在 Claude Code 里跟 AI 对话，让它帮你修改参数、调整条件、增加过滤器、优化风控，然后反复测试这套系统到底适不适合你自己的交易风格。
比如说，第一版策略可能会比较保守，只有在市场被识别成偏多状态，而且 8 个条件里至少满足 7 个时才进场。这种方式的好处是过滤更严格，但缺点也很明显，可能会错过一些行情。那这时候你就可以直接让 Claude Code 帮你改成更激进一点的版本，比如把进场条件从“8 选 7”放宽成“8 选 5”，或者把杠杆从 2.5 倍调整到 4 倍，再加入移动止损，让系统在盈利时有机会把利润拿得更远。
这也是 AI 编程工具最强的地方。过去如果你不懂代码，这种事几乎没办法做。但现在你只需要把想法说清楚，比如告诉它：“我想测试一个更高风险、更激进的版本，把回撤控制放松一点，再增加移动止损和可开关的高风险模式。” 它就会在你原本的项目基础上继续改文件、调逻辑、补代码。说白了，你已经不再是自己一个人去碰那些复杂的代码，而是在和一个随时能干活的 AI 开发助手一起做系统。
不过这里一定要提醒大家，做回测的时候千万不要只盯着历史收益曲线漂不漂亮。很多人一看到某套策略在过去两年收益很高，就觉得这套东西已经稳了。其实不一定。因为你如果为了让历史表现更好看，不断去调参数、不断去“贴合过去的数据”，最后就很容易出现一个问题：这套策略非常适合过去，却未必适合未来。量化交易里，这种情况就叫做过拟合。
真正更合理的做法，是先把底层逻辑搭出来，然后用一段时间去观察它、测试它、甚至跑模拟盘，再慢慢回头优化。因为整个系统里，负责判断大环境的 HMM 这一层，相对来说是更稳定的；而真正决定你怎么进场、怎么止损、怎么离场、怎么控制节奏的，是上面那一层你不断叠加的策略规则。这两层的职责是不一样的。前者负责判断现在是什么市场环境，后者负责告诉你，在这种环境里具体应该怎么做。
换句话说，你可以把这套系统理解成两部分。第一部分是“市场状态识别器”，也就是 HMM，它像一个负责看大环境的大脑；第二部分是“执行层”，也就是你加进去的 RSI、MACD、ADX、成交量、风控、冷却时间这些规则，它们决定你到底什么时候出手、什么时候不出手、什么时候平仓。只有这两层配合起来，整个 AI 交易系统才算真正成型。
当这套系统继续往下扩展时，你还能加入更多实际交易里常用的控制逻辑。比如设置 48 小时冷却时间，也就是一笔仓位刚平掉之后，机器人在接下来的 48 小时内不允许再次进场，避免连续追单。你也可以继续叠加更严格的 RSI 条件、更多趋势过滤器、甚至不同时间周期的共振确认。这样做的目的，不是让系统变得越来越复杂，而是让它在真实市场里更稳一点、少犯错一点。
如果你平时除了币圈，也会看其他市场，那这套思路其实一样适用。做加密货币，你可以搭配 Binance 币安、OKX 欧易、Bybit 或 Bitget；做链上交易，可以看看 GMGN；如果你更关注出金合规渠道，也可以了解一下 Kraken 海妖交易所。这些平台各自定位不同，但你后面只要想把 AI 模型往实盘和执行方向延伸，它们都可能派上用场。
另外，如果你想让这套系统不只是停留在“看信号”的阶段，而是继续往自动化方向发展，那像 SignalStack 和 3Commas 这类工具，也值得你提前收藏。它们的作用，是把你的策略信号进一步和实际执行串起来，让整套流程更接近真正的程序化交易。
总的来说，这套玩法最有价值的地方，不是让你一上来就找到一套稳赚不赔的圣杯策略，而是让你开始具备一种更接近专业量化交易员的思路：先判断环境，再决定出手；先搭模型，再叠加策略；先跑通逻辑，再持续优化。你做出来的，不再只是一个简单指标，而是一套能随着市场变化不断调整、不断训练、不断升级的 AI 交易系统。
如果你想直接照着本文一步一步搭建，建议先把本期的完整文字内容保存下来：本期视频文字信息。里面提到的提示词、操作流程和工具入口，后面你都能反复参考。等你真正开始动手之后，你会发现，很多以前看起来高门槛的量化玩法，现在借助 AI，其实普通人也有机会一步一步做出来。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
