现状

在量化投资领域，AI 生成策略已从“尝鲜”走向普及，但大语言模型天生的“幻觉”特性，在容错率为零的金融领域显得格外致命：编造不存在的函数、误用未来数据、忽略交易成本与风控……这类错误隐蔽性强，非程序员用户极易“盲信”AI 输出，直至回测甚至实盘亏损才发现问题。

目前业界防范 AI 幻觉的主流思路是“多层级防御”：高质量数据微调、检索增强生成（RAG）、自我校正工作流、形式化验证等。这些手段效果显著，但成本普遍较高——需要专业的模型、复杂的验证框架（Harness）以及专家程序员的持续审计。对于普通用户来说这就形成了一个悖论：用户本是为了省事才用 AI，却又需要有专业能力来校验 AI 的输出。

解决方法

那么，还有没有适合普通人的解决方法呢？

有的

如果我们缩小目标，聚焦于可用指标组合实现的离线策略，将量化程序模式化，那么还是能找到低成本、低门槛的破局方法的。AIQT 的 “规范汉语中间层” 模式便是典型解决方案。

AIQT 创新性地引入规范汉语中间层，构建 “自然语言→规范汉语→可执行策略” 的链路，从源头降低幻觉概率，同时让非程序员也能直接校验策略逻辑，彻底打破审核壁垒。

1. 用户用自然语言描述策略

价格突破 20 日高点时买入、跌破 MA10 卖出……

2. AI 根据 AIQT 的规范要求，翻译为结构化、无歧义的规范汉语

20日最高价最大，10 日收盘价平均……

相比与程序代码，规范汉语的可读性很强，普通人也能看懂，彻底降低了策略逻辑的审核门槛。

3. 系统将规范汉语编译执行

精准的编译过程，非概率生成，100% 准确无幻

用 “规范汉语” 替代 “直接代码生成”，还有一个好处就是从根源上杜绝了未来函数的问题。因为在 AIQT 的汉语规范中根本就没有任何计算未来的表达式，比如像明日收盘价，次日开盘价这类的写法都是不支持的。即使 AI 翻译出了这样的语句，系统也会报错，指导 AI 纠正。

AIQT 的核心突破，是定义了一套极简、无歧义、结构化的规范汉语（类似量化领域的 “专用语言”），作为用户与 AI、AI 与引擎之间的 “中间桥梁”：

• 对用户：用大白话描述策略（如 “5 日线上穿 10 日线买入”），无需懂代码；

• 对 AI：强制输出规范汉语，而非代码，严格遵循固定格式（指标定义、买入条件、卖出条件、仓位规则），禁止模糊表述或逻辑跳跃；

• 对引擎：规范汉语可直接解析为可执行策略，无二次翻译误差，避免代码生成环节的幻觉。（精准编译过程，非 LLM 概率输出模式）

这套规范汉语的特点是：无歧义、可验证、易理解—— 每个指标、每个条件、每个规则都有固定表述；同时语言贴近日常，非程序员能直接读懂并校验逻辑。

实战举例

从 “RSI 超买超卖策略” 看如何杜绝 AI 幻觉

比如我们想写一个基于 RSI 指标的超买超卖策略，定义策略的交易规则如下：

1. 选用指标：RSI相对强弱指数（参数14）

2. 买入信号：RSI(14)＜20，进入超卖区间，次日收阳开仓

3. 卖出信号：RSI(14)＞80，进入超买区间，次日收阴平仓

打开AIQT的 AI 助手，将策略的交易规则输入给 AI

发送后，AI 会生成一个“规范汉语”的策略，下图：

策略内容不再是代码，而是人人都能读懂的规范语言，比如次日收阳，AI 给出的表达式是收盘价大于开盘价，一眼就能看出写的对不对。再比如买入条件和卖出条件中 RSI 指标是引用昨日还是当日的数据也是一目了然。

检查策略符合要求后，点击应用、回测：

界面右边得到回测结果

整个过程没有一句代码，人人都能轻松使用。

AI 负责将自然语言翻译成结构化的中间语言（汉语规范），平台负责检查语法错误和将中间语言编译成机器语言。非程序员只需要审核策略的逻辑是否正确，这样就从根源上避免了 AI 幻觉带来的损失。

但需要说明的是，AIQT 主要适用基于日线的离线策略与可用指标组合拼装的量化场景（如常见的技术因子、价量规则等策略）。对于高频实时交易、复杂动态滑点模型、非标数据源接入等场景，目前暂不支持。但对于绝大多数个人量化爱好者而言，这已经覆盖了相当多实用策略的需求。