【如何烧 Token？】用 Claude Code 从零搭建一个量化交易回测系统
如何烧 Token？—— 用 Claude Code 从零搭建一个量化交易回测系统
当你开通了 Plus、Pro，却没想法、没地方烧 Token？看过来。
起因
手握 Claude Code，脑中一片空白。打开终端，随手敲下了一句：
“帮我写个量化交易模型，或者去 GitHub 上抓个好的模型改造下，本地要有界面，没有的话自己写个界面”
就这么一句——没有需求文档，没有架构设计，没有技术选型，甚至连"量化交易"具体做什么都没定义。
然后 Claude Code 就开工了。
结果
从上面那句话到最终交付，全程人类只负责"说"和"点确认"，其余全由 Claude Code 完成：
| 交付物 | 说明 |
|---|---|
| 📊 数据层 | yfinance + AKShare 双源自动切换，带本地 pickle 缓存 |
| 🧠 三套策略 | 多因子动量、LightGBM 机器学习、统计套利配对 |
| ⚙️ 回测引擎 | 目标仓位驱动，支持做空、手续费、滑点 |
| 🔍 参数寻优 | 网格搜索 + Sharpe 热力图，上限 2000 组合 |
| 📡 标的扫描 | 94 只 A 股 + 港股池，多头排列筛选 |
| 🖥️ Streamlit 界面 | 三 Tab 交互式 Web UI，暗色金融主题 |
一套能跑的量化回测系统，从一句话到落地，中间没有写一行代码。
全程实录
第一轮：模型 + 界面，一步到位
提示词只有那一句。Claude Code 直接：
- 分析需求 → 确定做本地回测系统（不是实盘交易）
- 选技术栈 → Python + Streamlit（最适合本地交互式数据应用）
- 搭骨架 →
core/数据层、strategies/策略层、app.py入口 - 实现全部模块 → 数据获取、回测引擎、动量策略、Streamlit 界面
- 写 README + requirements.txt
一轮对话，项目成型。
第二轮：加策略、加功能
后续追加需求，Claude Code 按需扩展：
- “加个机器学习策略” →
strategies/ml.py（LightGBM 分类器） - “加个配对交易” →
strategies/pairs.py（协整 + z-score 均值回归） - “加个参数优化” →
core/optimizer.py（网格搜索） - “加个标的扫描” →
core/scanner.py（94 只股票池多头排列过滤）
每个需求，Claude Code 都是读懂意图 → 补全架构 → 写代码 → 验证依赖，我只做最终确认。
第三轮：修 Bug
遇到 Streamlit 新版 API 不兼容：
TypeError: SliderMixin.slider() got an unexpected keyword argument 'format_func'把报错贴给 Claude Code，它直接定位代码、修复参数、重启即通。零手动调试。
Token 烧在哪了？
不是烧在"写代码"上——代码本身不值多少 Token。真正烧 Token 的是：
| 真正消耗 Token 的环节 | 占比 |
|---|---|
| 🧭 需求理解与架构决策 | ~40% |
| 🔧 多模块协调与接口设计 | ~30% |
| 📝 代码生成（6 个文件 ~1200 行） | ~20% |
| 🐛 Bug 定位与修复 | ~10% |
Claude Code 的核心价值不是"替你打字"，而是"替你思考"。
从一句模糊的需求到一套可运行的系统，中间需要做的大量决策——用什么数据源、回测架构怎么设计、策略接口怎么统一、手续费怎么算、未来函数怎么防、UI 布局怎么排——这些全由 Claude Code 自行完成。
这才是 Token 该烧的地方。
项目最终架构
quan_trading/ ├── app.py # Streamlit 主入口 ├── requirements.txt # 8 个依赖 ├── .streamlit/config.toml # 暗色金融主题 ├── core/ │ ├── data.py # 双源数据获取 + 缓存 │ ├── backtest.py # 目标仓位驱动回测引擎 │ ├── optimizer.py # 参数网格搜索 │ └── scanner.py # 94 只股票多头排列扫描 ├── strategies/ │ ├── momentum.py # 多因子动量（MA + MACD + RSI） │ ├── ml.py # LightGBM 次日涨跌预测 │ └── pairs.py # 协整配对 + z-score 均值回归 └── .cache/ # 价格数据缓存启动方式
pipinstall-rrequirements.txt streamlit run app.py浏览器打开http://localhost:8501，左侧栏选策略、输代码、调参数，点击即可回测。
写在最后
很多人开了 Claude Plus / Pro，不知道拿它干什么。问它写散文、聊哲学、做翻译——Token 烧了，产出为零。
真正的高性价比用法：把模糊的想法变成可运行的系统。
一句"帮我写个量化交易模型"，最终产出了一套完整项目——数据层、策略层、回测引擎、优化器、扫描器、Web 界面，全链路闭环。
这不是"用 AI 写代码"，这是“用 AI 做产品”。
Token 烧在决策上，不烧在打字上。这就是正确答案。
项目地址：[GitHub 链接待补充]
技术栈：Python · Streamlit · LightGBM · yfinance · AKShare · statsmodels · Plotly
