186 份文档里的 11 个错误

几年下来，团队积累了 186 份交易策略文档：171 份 Word，15 份表格。它们记录的是交易员的经验：什么时候进场，什么时候离场，什么情况下不该动。

这些文档一直在被使用，也一直在被修改。但从来没有人把它们从头到尾完整地读过一遍。

2026 年 7 月，我们让 AI 做了这件事。

第一件事：找错

我们给 AI 的任务不是”根据这些文档写一个新策略”，而是：逐份精读，找出那些照着写成代码就会出错的地方。

然后，每一处都回到原文，找到确切的原句，逐条核实。最后留下的是 11 处确认无误的错误：

• 5 处高严重度。 照着实现，要么会开反方向的单，要么会让某个过滤条件几乎永远成立。比如，有一份文档里，做多的开仓条件被写成了空头的均线排列；另一份的做空段落里，写着”将多单全平”；还有一处，一个过滤条件漏掉了一个负号，结果这个条件在绝大多数时间都成立，形同虚设。
• 6 处中低严重度。 阈值写错、引用错位、条件编号重复、只写了多头一侧而漏了空头一侧。

这些错误大多有一个共同的来源：先写好做多的一段，再复制一份改成做空，其中一处忘了改。人读的时候，会凭理解自动纠正过来；但机器不会。

第二件事：统一语言

找错的过程中，我们发现一个更大的问题：同一个词，在不同文档里意思不一样。

于是有了一份术语定义库，规定一条原则：源码优先于文档。术语上的分歧不由 AI 决定，而是整理成一张决策清单，逐项由人拍板。

第三件事：让经验接受检验

术语统一之后，才能谈验证。我们建了一个因子验证台，按交易终端的口径把指标在 Python 里重新实现，逐值对齐，然后用几条铁律去检验：不许用到未来的数据，样本不能重叠，必须计入交易成本。

结果之一，是一个不太好听的结论：我们最依赖的一个指标，单独使用时，在 7 个品种上都没有找到显著的统计优势。

我们把这个结论也写了下来。它没有让这个指标失去价值，而是说清楚了它的边界：它需要和别的条件一起用，而且要知道什么时候不该用它。

一个被漏掉多年的数字

通读 186 份文档之后，还有一个发现：文档里记录过回撤的次数、最大浮亏、最大持仓，全部是回撤的深度。没有任何一份文档，测量过回撤的时长。

而真正让人坚持不下去的，往往不是跌了多少，而是要熬多久。没有被测量的东西，就不可能被管理。从那以后，回撤持续了多长时间，成了我们每一个策略都必须报告的指标。

回头看

这件事让我们确信了一个顺序：先让经验变得可以检验，再决定要不要交给机器执行。

如果一开始就让 AI 根据这些文档直接写策略，它会把那 11 个错误原封不动地写进代码，而且写得又快又整齐。