这位网名为Peter的系统化交易员正在实验一种不同的AI应用方式。他不是让AI直接交易，而是构建了一个自动化研究流水线，让Claude Code在他睡觉时自主进行期货策略开发。

整个流程基于Python管道，Claude以无头模式运行结构化的研究周期。每个周期包含四个阶段：资深交易员角色提出结构性假设，Claude实现策略代码并运行回测，资深分析师角色用硬数据进行评估，最后进行结构化审议——接受或拒绝，更新研究状态，提出下一步方向。

为了防止纯粹的数据挖掘，每个周期都内置了安全措施。假设必须是结构性的，不能是参数扫描；每个被接受的条件都要与随机入场基线进行对比测试；数据必须通过半分割稳定性检验；还设置了终止门限，如果多个周期没有改进就停止研究。

有网友评价道，夜间自主研究才是智能体真正发光的地方。演示版和“在我睡觉时运行”的版本之间的差距主要在于错误处理和状态恢复。

Peter强调，这并没有取代交易直觉。他仍然需要定义基础策略逻辑、相信的市场结构和研究规则。AI取代的是数小时的编码、回测和电子表格工作，这些工作原本需要手动完成。


另一个关键决策是接入生产级框架。Peter测试的是NautilusTrader，这样AI只需编写策略逻辑，而不必构建回测基础设施。框架减少了错误出现的表面区域，避免了在家酿脚本中重新发明一切。

特征测试是这个流水线的亮点所在。策略收集每笔交易的特征——波动率 regime、交易时间、方向性背景、脉冲大小等。每次回测后，分析步骤会进行五分位数分析、赢家/输家取证和稳定性检查。

最有价值的输出不是它发现了什么，而是它淘汰了什么。有一个周期发现了一个过滤器，看似将每笔交易的结果改善了50美元。但随机基线测试显示，使用相同过滤器的随机入场赚得更多。这个信号实际上是在减损价值，最终被拒绝。

有交易研究员分享了类似经验，测试了23520个参数组合，96.7%未能通过终止门限。那3.3%幸存下来的策略都具有结构性假设，通过了半分割稳定性检验和跨市场验证，在5.5年内的夏普比率达到4.29。

这种方法的真正价值在于一致性和速度。每次都是同样的检查清单，不会因为疲倦或对某个曲线感到兴奋而跳过步骤。原本一个周末只能测试一个想法，现在一夜之间可以测试多个，而且每个假设都经过同样的严格检验。