<!-- reviewed: 2026-06-10 by Codex, ISSUE_9305 Batch 5 insights locale review; source: ISSUE_9256 M6 -->
---
title: Trading Software Generations: From MT4 to LLM
url: https://stratcraft.ai/insights/trading-software-generations
type: insight
---

# 交易軟體代際：從 MT4 到 LLM

交易軟體經歷了四個實際可見的代際：指標元件、被打包的策略、系統級研究流水線，以及把自然語言翻譯成程式碼的 LLM 工作流。

## 各代對比

| 維度 | 第 1 代：指標時代 | 第 2 代：策略時代 | 第 3 代：系統時代 | 第 4 代：LLM 時代 |
|---|---|---|---|---|
| 時期 | ~2005-2012 | ~2012-2018 | ~2018-2023 | 2023 年至今 |
| 代表產品 | MT4 / MQL4 | Backtrader、freqtrade、vnpy | QuantConnect、WorldQuant BRAIN | ChatGPT + 券商 API |
| 核心抽象 | 模組化指標 | 被打包的策略邏輯：進場、出場、倉位 | 特徵工程流水線 | 自然語言到程式碼 |
| 典型工作流 | 拖入指標、配置條件、回測 | 寫策略程式碼、調參、回測 | 搭特徵流水線、訓練、驗證、執行 | 寫提示詞、生成策略、回測 |
| 主要進展 | 指標從書本和論壇進入可複用元件 | 完整策略變得可打包、可分享、可復現 | 流水線本身成為產品，驗證步驟被標準化 | 生成速度快、入門門檻低 |
| 典型陷阱 | 指標崇拜、尋找「聖盃」 | 引數過擬合：遺傳搜尋找到的是巧合而非穩健 | 資料洩漏與倖存者偏差 | 策略幻覺、回測過擬合盲區 |
| 失敗根因 | 規則靠手工，缺乏系統化驗證 | 最佳化目標是回測收益，而不是穩健性 | 模型複雜度掩蓋了資料質量問題 | 模型跳過了前三代積累下來的基礎設施 |

## LLM 的常見失敗模式

### 策略幻覺

模型輸出聽上去合理的交易邏輯，看起來很量化，但並沒有市場根據、沒有統計依據，或者隱含的假設根本不成立。程式碼能透過語法檢查，卻悄悄塞進了錯誤的因果關係。

### 回測過擬合盲區

模型把一段盈利的回測當作驗證透過，看不到資料洩漏、引數挖礦、不穩定的市場狀態或者倖存者偏差。生成速度越快，未經驗證的變體就越多，曲線擬合的速度也跟著被加快。

## Z-Score 模式示例

```python
spread = asset_a.close - hedge_ratio * asset_b.close
z_score = (spread - spread.mean()) / spread.std()

if z_score > 2:
    short(asset_a)
    long(asset_b)
elif z_score < -2:
    long(asset_a)
    short(asset_b)
```

## 模型 + 工具

LLM 真正變得有用，是因為外面有一圈工具把它包住。一套像樣的交易系統不只是一個模型，它還包含定價引擎、執行邏輯、風控、資料校驗、監控、部署紀律。Jane Street 這類機構的做法說明了這種結構：模型只是更大工具鏈裡的一層。

## StratCraft 的定位

StratCraft 不宣稱自己是「第 5 代」。它是為第 2、3 代開發者提供的基礎設施：本地達到 C++ 級回測效能、外掛隔離機制，以及一個讓策略生成、驗證、組合能反覆使用的生態系統。

來源：https://stratcraft.ai/insights/trading-software-generations
