AI量化回测年化挺好看，2026年接上实盘就缩水，这笔账通常先算在数据还是交易成本上？

结论先说：AI量化回测年化挺好看、2026年一接实盘就缩水，常见的排查顺序是先查数据口径，再查交易成本，最后才怀疑模型能力。GPT、Claude、通义、DeepSeek 这类模型在这里主要做策略代码生成、财报情绪解读和因子解释，它们并不替你处理复权、涨跌停和滑点。把回测假设和实盘对齐，差距通常会明显收窄；而直接换模型，往往补不上成本建模缺失这块缺口。

回测好看、实盘缩水，多半是两套假设没对齐

回测是在历史数据上按固定规则重放，实盘则要面对撮合延迟、盘口深度和资金约束。2026年做 AI 金融或者量化工具，比较典型的一类坑是：策略逻辑本身没错，但回测默认按当日收盘价成交，实盘却在第二天开盘才成交，价格一错，年化收益被拉出几个百分点到十几个百分点的差距并不罕见。

判断差距是否落在合理区间，可以先看换手率：月度调仓这类低频策略，回测与实盘年化差几个百分点一般还能接受；日内或隔日调仓的高频策略，差距容易被手续费和滑点放大到十几个百分点甚至更多。这只是经验区间，具体要按标的、费率和流动性逐项核对。

• 数据类缩水：复权方式前后不一致，停牌与涨跌停未剔除，财报数据用了当时还没公布的版本。
• 成本类缩水：佣金、印花税、冲击成本和滑点没建模，或者只算了单边费率。
• 模型类缩水：生成的策略代码里藏了未来函数或数据泄漏，把回测净值人为抬高。

四层对齐法：从能力层查到数据与风控层

把 AI 量化系统拆成四层，是为了让排查有顺序：越靠下的层出错，越容易伪装成模型不行。先自上而下核对，再决定要不要换模型，能省掉大量无谓的调参和重跑。

1. 能力层：用大模型做策略代码生成、因子解释或研报摘要；要求输出结构化结果，并人工审计信号时点。
2. 业务层：写清买入条件、调仓频率、仓位规则和停止条件，让规则能被回放，也能被人用一句话复述。
3. 载体层：网站、小程序、APP 或 H5 展示净值曲线与调仓记录，数据应来自同一份回测输出，避免前端再算一遍导致对不上。
4. 数据与风控层：统一复权口径，补全停牌与退市处理，把费率、滑点和回撤上限做成可配置参数。

每层的合格线可以这样定：能力层不留未审计的生成代码，业务层规则能被人复述，载体层数字与后台一致，数据与风控层改一个成本参数就能重跑。做到这四条，缩水时基本能定位到具体层，而不用笼统地说 AI 不行。

数据口径还是交易成本：用一组对比先分清方向

2026年常见做法是先用日线级数据跑通逻辑，再决定要不要上分钟级。两类缩水的表现不同：数据口径问题常表现为某段历史异常平滑、异常漂亮；交易成本问题则表现为换手越高、回测与实盘差距越大。

• 日线级回测：行情数据成本经验区间在每年几百到几千元，适合验证逻辑和低频调仓，重点在复权与停牌处理。
• 分钟级或逐笔回测：数据与存储成本经验区间在每年几千到几万元，更适合中高频，同时对撮合假设更敏感。
• 成本参数设置：把佣金、印花税和冲击成本写成参数，按经验区间给不同标的设置不同滑点，不要全市场共用一个数。
• 对照检验：同一策略分别跑含成本和不含成本两版，差值就是成本贡献；若差值超过策略年化的三成，通常说明成本口径需要重估。

交付现场：只有日线数据、两周演示，返工卡在哪

项目里常见这样的约束：需求方要求两周内出一个可演示的 AI 量化看板，历史数据只有日线，且不提供盘口数据。按常见交付习惯，先用大模型生成策略骨架，再由人工补上复权、停牌和费率参数，滑点按成交额分档设成经验值，从骨架到可复现回测的周期，通常落在两到六周这个经验区间。

卡点往往出现在第一版回测：因为没扣印花税和滑点，净值曲线比实盘好看不少；需求方拿去小资金试跑后出现连续回撤，只能返工重跑数据、补成本模型，前后多花了一到两周。这段返工通常不在原始排期里，代价是演示节奏被打乱、需求方对结果的信任度下降，所以要在动工前就把它作为风险讲清楚。

常见问题

AI量化回测和实盘差多少算正常？

低换手策略年化差几个百分点较常见，高换手策略因手续费与滑点可能差十几个百分点甚至更多，具体看费率和标的，换手越高越要留安全垫。

大模型生成的策略代码，哪类错误会让回测虚高？

未来函数和数据泄漏比较典型：模型可能引用当天收盘后才有的数据，也可能用全样本统计做归一化，必须逐行核对信号时点和数据可见范围。

没有 Level-2 盘口数据，还能做AI量化吗？

可以，把策略降到日线或周线级别，用成交量和换手率做流动性代理，滑点参数设保守一些；依赖盘口的高频策略不建议在缺数据时硬做。

回测缩水，是不是一定要换模型？

多数不必。先核对复权口径、停牌处理和费率参数，再检查代码里的未来函数；这些对齐后仍有差距，再考虑换模型或换数据源。

个人做AI量化，一个月大概要花多少？

按2026年常见做法，模型调用经验区间每月几十到几百元，行情数据每年几百到几千元，自建回测服务器还要另算算力，建议先按月试用再决定。

适用场景与边界

适合：个人或小团队验证低频、逻辑清晰的策略，以及企业内部做投研辅助看板，用大模型加速代码与研报处理。不适合：把 AI 量化当成一键产出实盘收益的工具，或者在没有合规与风控能力的情况下直接对接实盘资金；涉及投资建议的业务还需按所在地区的监管要求核对，本文不构成投资建议。

另一条边界是数据：只有日线数据时，不要硬套分钟级策略的参数；策略资金容量小的时候，也不值得为回测单独采购昂贵的高频数据。合格的交付物通常写清复权方式、成交假设和费率，并且能在同一套参数下被第三方复现；反之，只给一条净值曲线的报告，可信度就要打问号。

行动指引：先把复权口径、费率与滑点做成可配置项，按四层对齐法逐层核对，再决定是否换模型。按2026年的项目交付习惯，能复现的回测比好看的净值曲线更有参考价值。以上成本与差距均为经验区间，仅供技术评估，不构成投资建议；涉及真实资金或持牌业务，请以合规评估和官方文档为准。