Codex+GPT-5.5：可能是開發量化策略的最佳組合之一
整理版優先睇
選對AI工具，一句話救返成個回測：Codex+GPT-5.5點樣秒殺bug
作者貓哥係AI量化開發者，佢想將聚寬版本嘅高股息策略改為ptrade版本，點知回測結果完全錯曬。佢發現選出嚟嘅股票股息率低得唔合理，明明市場上有好多高股息股票好似長江電力，股息率有成3%以上，但策略揀出嚟嘅全部都低過1%。
作者用開Claude Code + MiniMax 2.7做主力，但呢次問咗好多次都揾唔到原因。佢換咗Codex + GPT-5.5之後，對方一眼就睇出問題喺to_ratio函數，因為PTrade返嘅股息率係百分點，函數錯誤咁將佢哋除咗100。呢個例子說明咗模型選擇嘅重要性，同埋開發者需要有金融常識先至偵測到呢類邏輯陷阱。
作者深深體會到時間先係最貴嘅資源，與其花時間試錯，不如直接俾錢用最好嘅模型。佢建議量化開發者要兩手準備，唔同任務用唔同工具，同時保持開放態度，不斷試新模型。呢篇文章唔單止分享咗一個bug修復案例，仲提醒大家AI工具嘅取捨會直接影響開發效率。
- Codex+GPT-5.5組合喺定位bug上遠優於Claude Code+MiniMax，一句話就睇穿問題。
- 遇複雜問題應直接使用最先進模型，減少試錯時間，時間成本先係最大成本。
- 唔同AI工具對數據口徑嘅理解差異可能導致排查方向錯誤，要留意底層假設。
- 開發者需要有金融常識先發現AI代碼中嘅隱藏錯誤，否則照跟都係死。
- 量化策略開發應該兩手抓：文檔自動化用平價模型，策略開發用頂級模型。
高股息策略改版竟然翻車
作者嘗試將聚寬版本嘅高股息策略改為ptrade版本，本來以為好易，點知回測結果完全對唔上。
回測結果完全對唔上
佢印咗好多日誌，發現選出嚟嘅股票股息率低得唔正常，全部低過1%。
股息率低得唔正常
- 先篩選財務指標（ROE > 0、淨利潤增速 > 0、經營現金流 > 0）
- 再要求三期股息率都大於0（本期、一年前、兩年前）
- 每個行業選股息率最高嘅1只，最後各行業彙總排序
查咗好耐都揾唔到原因，換個模型即刻搞掂
作者最初用Claude Code + MiniMax 2.7排查，AI畀咗三個方向，但全部冇命中。
Claude Code + MiniMax 2.7
- 1 方向1：三期股息率篩選問題，但驗證後數據齊全
- 2 方向2：query_date導致數據差異，但唔會令3.4%變做低於1%
- 3 方向3：行業映射問題，但長江電力行業歸屬正常
作者決定轉用Codex + GPT-5.5，將策略代碼同排查文檔一齊俾佢睇。
Codex + GPT-5.5
就咁一句話，直接命中。
原來係單位轉換嘅陷阱
問題出喺to_ratio()函數，佢將大過1嘅數值除以100，但PTrade返回嘅股息率本來就係百分點，唔需要再除。
def to_ratio(value):
if pd.isnull(value):
return 0.0
if isinstance(value, str):
value = value.replace("%", "").strip()
try:
number = float(value)
except Exception:
return 0.0
return number / 100.0 if number > 1 else number例如長江電力股息率3.40%，函數見到3.40>1，就除100變成0.034%，結果輸畀低股息股票。
3.40%被錯誤壓成0.034%
最後AI直接修復咗bug，重新回測後走勢接近返聚寬版本。
時間先係最貴嘅資源
作者反思之前冇將「花20刀用最好模型」呢個建議放心上，今次親身經歷話佢知，驗證錯誤方向花嘅時間先係最大成本。
驗證錯誤方向花嘅時間先係最大成本
佢打算以後兩手抓：繼續用Claude Code+MiniMax做文檔同自動化，用Codex+GPT-5.5做策略開發同bug修復。
文章仲提到可以用Image2生成模型介紹，同埋策略源代碼已同步知識星球。
Image2模型
近期越來越發覺，喺AI時代嘅量化開發，競爭力唔在於寫code本身，而在於對金融常識嘅理解，唔係嘅話有啲隱藏嘅BUG都發現唔到。
之前出過一個關於高股息策略嘅聚寬版本:
Claude Code 開發100個量化策略：高股息行業均倉策略
琴日開始試下改做ptrade嘅版本。本來以為係件相對容易嘅事，因為策略嘅邏輯唔複雜。
我用嘅係 claude code+minimax2.7 呢個組合，但係改完之後發現回測結果唔啱。整體曲線同聚寬嘅完全對唔上，回測結果更加係差好遠。（只係勉強跑贏指數）
聚寬版本：
ptrade版本：
然後我就開始咗漫長嘅調試旅程，同AI對話咗好幾輪，結果越改越衰，最後乜都冇搞掂。
冇辦法之下換成 codex+gpt5.5（前幾日為咗體驗 Image2模型，怒充plus會員，都係第一次正正經經用），竟然一次成功。今日呢篇文章，貓哥將呢個排查過程完整分享出嚟，順便講下揀AI編程工具呢件事。
一、問題現象：揀出嚟嘅股票股息率"唔對路"
先交代嚇背景。
貓哥寫咗一個高股息選股策略，邏輯唔複雜：
- 1.先篩選財務指標（ROE > 0、淨利潤增速 > 0、經營現金流 > 0）
- 2..再要求三期股息率都大過0（本期、一年前、兩年前）
- 3.每個行業揀股息率最高嘅1隻，最後各行業匯總排序
照計聚寬嘅code都寫好咗，改做ptrade應該冇咁難，回測結果就算有啲差異，都唔會太大，結果都係炒車。於是貓哥print咗好多日誌，逐個去睇問題，見到揀出嚟嘅股票大概係咁樣：
見到呢度，一般人可能覺得好正常。但貓哥當時就覺得唔對路——呢啲股息率太低啦。
二、異常直覺：高股息股票點解冇入選？
點解話唔對路？因為貓哥知道，市場上有一大批股票嘅股息率明顯高啲，例如長江電力，股息率平均應該係3%左右，而上面嘅日誌入面竟然都冇超過1%嘅，咁都可以叫高股息？
於是用ptrade嘅研究板塊直接拎咗對應數據，先睇嚇係咪滿足財務篩選嗰幾個條件（ROE > 0、淨利潤增速 > 0、經營現金流 > 0），可以見到係滿足嘅：
然後睇嚇最近三年嘅股息率係幾多，可以見到長江電力平均應該係3個幾點嘅股息率：
長江電力3%以上嘅股息率，比揀出嚟嘅股票高咗3倍幾，點解冇被揀中？
按照策略邏輯，每個行業揀股息率最高嘅股票。長江電力屬於電力行業，如果行業入面有其他股票股息率比3.4%仲高，咁長江電力冇被揀中都仲可以解釋。
但問題係——揀出嚟嘅10隻股票股息率都低過1%，即係話每個行業嘅"股息率冠軍"都低過1%。
換句話講：長江電力俾某個條件filter咗走，否則佢至少應該出現喺候選名單入面。
呢個直覺後來證實係啱嘅，但具體點解會俾人filter走，一定係code邊度出咗問題。
三、第一輪排查
貓哥第一個反應係問AI。
先用 Claude Code + MiniMax 2.7 開始排查，呢個都係我目前嘅主力AI工具，速度快而且量大管飽，code質量都好強。但呢個組合問咗好幾輪，AI畀出嘅排查方向大概係咁：
方向1：三期股息率篩選問題
策略要求"本期、一年前、兩年前"三期股息率都大過0。
AI懷疑：長江電力喺query_date嗰日，可能某期股息率數據係0或者係空，導致俾篩選條件 all(axis=1) filter走。
呢個方向聽起嚟合理，但驗證之後發現，長江電力嘅三期股息率數據都係有嘅。
方向2：query_date導致嘅數據差異
策略用嘅係上一個交易日（例如20260331）嘅數據，而貓哥手動測試用嘅係20260425。
AI懷疑：唔同日期嘅股息率數據可能差異好大。
呢個都有可能，但就算數據有差異，都唔會令到3.4%變成遠低過1%嘅結果。
方向3：行業映射問題
AI懷疑：長江電力可能唔喺申萬電力行業嘅成分股列表入面，導致冇行業歸屬，俾 dropna(subset=["industry"]) filter走。
呢個方向都有可能，但驗證之後發現，長江電力嘅行業歸屬係正常嘅。
總結：問咗好幾輪，畀咗3個方向，冇一個中。後面隨住上下文增多，回答質量都開始下降，已經唔指望可以直接解決。
四、轉機
貓哥決定換個模型試試。作為AI編程愛好者，一直以嚟都想試下Codex，而且啱啱最近openai更新咗 Image2同GPT5.5呢兩個重磅模型，所以整咗個帳號試試。為咗交代好上下文，叫AI將頭先嘅對話，先保存做排查文檔，然後將策略code同排查文檔一齊掉俾 Codex + GPT-5.5。
GPT-5.5望咗一眼code，直接講咗一句嘢：
「問題喺to_ratio函數，股息率3.4%俾人除以100壓成咗0.034%」
就係咁一句嘢，直接命中。
五、根因解析：單位轉換嘅"陷阱"
而家嚟解釋嚇，究竟發生咗咩事。
原本code入面有個 to_ratio() 函數，大概係咁樣：
def to_ratio(value):
if pd.isnull(value):
return0.0
ifisinstance(value, str):
value = value.replace("%", "").strip()
try:
number = float(value)
except Exception:
return0.0
return number / 100.0if number > 1else number
呢段code嘅邏輯係：如果數值大過1，就除以100。（作為Vibe Coding嘅擁躉，當時我都只係大概睇咗眼code，真係冇留意有個咁大嘅伏位，當然呢個都怪我冇同AI提供清晰嘅ptrade數據規範）
設計者原本嘅假設係：
但PTrade實際返回嘅口徑係"百分數點"：
即係話，PTrade返回嘅股息率3.40就係3.40%，唔係3.40倍。
但code入面嘅 to_ratio() 函數，見到3.40 > 1，就自動除咗100，例如：
| 股票 | PTrade返回值 | 實際含義 | to_ratio()處理後 | 處理後嘅含義 |
| 股票A | 3.40 | 3.40% | 0.034 | 0.034% |
| 股票B | 6.21 | 6.21% | 0.0621 | 0.0621% |
| 股票C | 0.94 | 0.94% | 0.94 | 0.94% |
問題就係出喺呢度。
長江電力3.4%嘅股息率，俾人錯誤咁壓成咗0.034%。
排序嘅時候，0.034% < 0.94%，自然就輸畀咗啲本來得0.8%-0.9%嘅低股息股票。
魔幻嗎？但呢個就係事實。
最後AI直接修復咗BUG，重新跑咗嚇回測，雖然結果仲有差異（Ptrade回測機制同數據口徑差異），但整體走勢已經好接近：
六、反思：時間先至係最貴嘅資源
之前數字生命卡茲克分享咗用AI嘅九個心得：
其中第一個心得就係：花20刀，去用世界上最好嘅模型。
當時我個心其實冇當一回事，因為覺得而家用緊嘅各種Coding Plan，量大管飽，已經滿足到自己嘅使用需求，畢竟自己只係用嚟寫嚇量化策略，做嚇自動化腳本，就算遇到難嘅問題，多進行幾輪對話，都可以得到比較滿意嘅結果。
但今日呢件事令到自己有咗新嘅理解，喺驗證錯誤方向上面花嘅時間，先至係最大嘅成本。
所以未來打算兩邊兼顧，一方面繼續用 claude code+minimax2.7，主要做量化策略學習、文檔撰寫、自動化工作流等等，特別係我嘅openclaw，依然大量用 minimax2.7，非常好用；另一方面，用 codex+gpt5.5做量化策略開發、code審查、BUG修復、圖片生成等等，作為主力編程Agent。
用 Image2 隨手生成一個模型介紹：
關於Codex，我自己係用客戶端（windows同mac都有），覺得都幾方便，具體點樣安裝同用可以問嚇豆包：
當然，呢個只係貓哥目前嘅個人感受，AI模型更新好快，今日嘅最優解可能下星期就唔係喇。保持開放嘅心態，持續嘗試，先至係最重要嘅。
想開通Ptrade、QMT等量化工具嘅朋友可以喺主頁聯絡我，備註“量化開户”
推薦閲讀：
PS：策略源代碼已同步知識星球，歡迎一齊交流~
近期越來越體會到，在AI時代下的量化開發，競爭力不在於寫代碼本身，而在於對金融常識的理解，不然有一些隱藏的BUG都無法發現。
之前發過一個有關高股息策略的聚寬版本:
Claude Code 開發100個量化策略：高股息行業均倉策略
昨天開始嘗試修改為ptrade的版本。本來以為是一件相對容易的事情，因為策略的邏輯並不複雜。
我使用的 claude code+minimax2.7 這個組合，但是改完之後發現回測結果不對。整體曲線和聚寬的一點都對不上，回測結果更是差了老遠。（僅勉強跑贏指數）
聚寬版本：
ptrade版本：
然後我就開始了漫長的調試之旅，跟AI對話了好幾輪，結果越改越糟，最終卻一無所獲。
迫不得已換成 codex+gpt5.5（前幾天為了體驗 Image2模型，怒充plus會員，也是第一次正兒八經用），居然一次成功。今天這篇文章，貓哥把這個排查過程完整分享出來，順便聊聊選AI編程工具這件事兒。
一、問題現象：選出的股票股息率"不對勁"
先交代一下背景。
貓哥寫了一個高股息選股策略，邏輯不復雜：
- 1.先篩選財務指標（ROE > 0、淨利潤增速 > 0、經營現金流 > 0）
- 2..再要求三期股息率都大於0（本期、一年前、兩年前）
- 3.每個行業選股息率最高的1只，最後各行業彙總排序
按理說聚寬的代碼都寫好了，改成ptrade應該沒那麼難，回測結果即使有些差異，也不會太大，結果還是翻車了。於是貓哥打印了很多日誌，挨個去查看問題，看到選出來的股票大概是這個樣子：
看到這兒，一般可能覺得挺正常。但貓哥當時就覺得不對勁——這些股息率也太低了吧。
二、異常直覺：高股息股票為什麼沒入選？
為什麼說不對勁？因為貓哥知道，市場上有一大批股票的股息率明顯更高，例如長江電力，股息率平均應該是3%左右，而上述日誌中居然都沒有超過1%的，那能叫高股息嗎？
於是使用ptrade的研究板塊直接獲取了對應數據，先看看是否滿足財務篩選的那幾個條件（ROE > 0、淨利潤增速 > 0、經營現金流 > 0），可以看到是滿足的：
然後看一下最近三年的股息率是多少，可以看到長江電力平均應該是3個多點的股息率：
長江電力3%以上的股息率，比選出來的股票高了3倍多，為什麼沒被選上？
按照策略邏輯，每個行業選股息率最高的股票。長江電力屬於電力行業，如果行業內有其他股票股息率比3.4%還高，那長江電力沒選上還能解釋。
但問題是——選出來的10只股票股息率都低於1%，這意味着每個行業的"股息率冠軍"都低於1%。
換句話說：長江電力被某個條件過濾掉了，否則它至少應該出現在候選列表裏。
這個直覺後來被證明是對的，但具體為什麼被過濾掉了，一定是代碼哪裏出了問題。
三、第一輪排查
貓哥第一反應是問AI。
先用 Claude Code + MiniMax 2.7 開始排查，這也是我目前的主力AI工具，速度快且量大管飽，代碼質量也很強。但這個組合問了好幾輪，AI給出的排查方向大概是這樣的：
方向1：三期股息率篩選問題
策略要求"本期、一年前、兩年前"三期股息率都大於0。
AI懷疑：長江電力在query_date那天，可能某期股息率數據為0或為空，導致被篩選條件 all(axis=1) 過濾掉。
這個方向聽起來合理，但驗證後發現，長江電力的三期股息率數據都是有的。
方向2：query_date導致的數據差異
策略用的是上一個交易日（比如20260331）的數據，而貓哥手動測試用的是20260425。
AI懷疑：不同日期的股息率數據可能差異很大。
這個也有可能，但即使數據有差異，也不會導致3.4%變成遠低於1%的結果。
方向3：行業映射問題
AI懷疑：長江電力可能不在申萬電力行業的成分股列表裏，導致沒有行業歸屬，被 dropna(subset=["industry"]) 過濾掉。
這個方向也有可能，但驗證後發現，長江電力的行業歸屬是正常的。
總結：問了好幾輪，給了3個方向，沒一個都沒命中。後面隨着上下文增多，回答質量也開始下降，已經不指望能直接解決了。
四、轉機
貓哥決定換個模型試試。作為AI編程愛好者，一直以來想試試Codex，而且剛好最近openai更新了 Image2和GPT5.5這兩個重磅模型，所以弄了個賬號試試。為了交待好上下文，讓AI將剛才的對話，先保存為排查文檔，然後把策略代碼和排查文檔一起丟給 Codex + GPT-5.5。
GPT-5.5看了一眼代碼，直接說了一句話：
「問題在to_ratio函數，股息率3.4%被除以100壓成了0.034%」
就這麼一句話，直接命中。
五、根因解析：單位轉換的"陷阱"
現在來解釋一下，到底發生了什麼。
原代碼裏有個 to_ratio() 函數，大概是這樣的：
def to_ratio(value):
if pd.isnull(value):
return0.0
ifisinstance(value, str):
value = value.replace("%", "").strip()
try:
number = float(value)
except Exception:
return0.0
return number / 100.0if number > 1else number
這段代碼的邏輯是：如果數值大於1，就除以100。(作為Vibe Coding的擁泵，當時我也只是大概看了一眼代碼，真沒注意有這麼個巨坑，當然這也怪我沒給AI提供清晰的ptrade數據規範）
設計者原本的假設是：
但PTrade實際返回的口徑是"百分數點"：
也就是說，PTrade返回的股息率3.40就是3.40%，不是3.40倍。
但代碼裏的 to_ratio() 函數，看到3.40 > 1，就自動除了100，例如：
| 股票 | PTrade返回值 | 實際含義 | to_ratio()處理後 | 處理後的含義 |
| 股票A | 3.40 | 3.40% | 0.034 | 0.034% |
| 股票B | 6.21 | 6.21% | 0.0621 | 0.0621% |
| 股票C | 0.94 | 0.94% | 0.94 | 0.94% |
問題就出在這兒了。
長江電力3.4%的股息率，被錯誤地壓成了0.034%。
排序的時候，0.034% < 0.94%，自然就輸給了那些本來就只有0.8%-0.9%的低股息股票。
魔幻嗎？但這就是事實。
最後AI直接修復了BUG，重新跑了一下回測，雖然結果仍有差異（Ptrade回測機制和數據口徑差異），但整體走勢已經很接近了：
六、反思：時間才是最貴的資源
之前數字生命卡茲克分享了使用AI的九個心得：
其中第一個心得就是：花20刀，去用世界上最好的模型。
當時我心裏其實是沒有當回事的，因為覺得目前用的各種Coding Plan，量大管飽，已經滿足自己的使用需求了，畢竟自己只是用來寫寫量化策略，做做自動化腳本，即使遇到難點的問題，多進行幾輪對話，也能得到較為滿意的結果。
但今天這件事讓自己有了新的理解，在驗證錯誤方向上花的時間，才是最大的成本。
所以未來打算兩手抓，一方面繼續使用 claude code+minimax2.7，主要作為量化策略學習、文檔撰寫、自動化工作流等等，特別是我的openclaw，依舊大量使用 minimax2.7，非常好用；另一方面，使用 codex+gpt5.5作為量化策略開發、代碼審查、BUG修復、圖片生成等等，作為主力編程Agent。
使用 Image2 隨手生成一個模型介紹：
關於Codex，我自己是使用的客戶端（windows和mac都有），感覺還是比較方便的，具體如何安裝和使用可以問問豆包：
當然，這只是貓哥目前的個人感受，AI模型更新很快，今天的最優解可能下週就不是了。保持開放心態，持續嘗試，才是最重要的。
想開通Ptrade、QMT等量化工具的朋友可在主頁聯繫我，備註“量化開户”
推薦閲讀：
PS：策略源代碼已同步知識星球，歡迎一起交流~