量化策略研发的四类常见问题
以及对应的处理方式

手动编码太慢

痛点：从策略想法到可运行代码需要数天，大量时间花在数据处理、接口对接和调试上，策略逻辑本身只占一小部分。

方案：策略工厂根据策略描述生成 Python 代码，并将数据预处理、信号计算、组合构建和风控规则写入同一份策略。

效果：减少重复编码和环境对接工作，让研究员把更多时间放在策略逻辑与复核上。

调参靠经验猜

痛点：回测不达标时缺乏系统化诊断，只能凭经验反复调整参数，效率低且容易遗漏关键问题。

方案：系统根据回测指标标记可能的过拟合、因子衰减或仓位集中问题；参数优化可列出候选参数并进行网格搜索。

效果：用统一的回测设置比较调整前后的结果，减少只凭直觉调参。

回测环境搭建难

痛点：搭建回测环境需要对接行情数据、处理复权、配置交易费用和滑点模型，门槛高且容易出错。

方案：FiClaw 通过 QuantAPI 接入 A 股历史数据、费用模型和绩效指标，用户无需单独部署回测服务。

效果：把环境配置从首次研究中移开，先验证策略逻辑和回测设置。

策略结果无法复现

痛点：策略代码、参数、数据版本和回测配置分散管理，过一段时间就无法复现之前的结果。

方案：策略工厂自动保存每次运行的完整上下文（spec、代码、参数、回测结果），支持断点续跑和历史对比。

效果：每个策略版本可追溯、可复现、可对比。

安装桌面端，开始研究

macOS Apple Silicon 桌面端集成运行环境，安装后即可使用策略工厂，不需要另行搭建服务器。

输入想法，验证可行性

用一句话描述策略想法，先查看首轮回测结果；再决定哪些方向值得继续研究。

迭代优化，形成策略库

对有潜力的策略进行参数优化和稳健性检验，逐步积累经过验证的策略资产。