<!-- reviewed: 2026-06-10 by Codex, ISSUE_9305 Batch 5 insights locale review; source: ISSUE_9256 M3 -->
---
title: Trading Software Generations: From MT4 to LLM
url: https://stratcraft.ai/insights/trading-software-generations
type: insight
---

# 交易软件代际：从 MT4 到 LLM

交易软件经历了四个实际可见的代际：指标组件、被打包的策略、系统级研究流水线，以及把自然语言翻译成代码的 LLM 工作流。

## 各代对比

| 维度 | 第 1 代：指标时代 | 第 2 代：策略时代 | 第 3 代：系统时代 | 第 4 代：LLM 时代 |
|---|---|---|---|---|
| 时期 | ~2005-2012 | ~2012-2018 | ~2018-2023 | 2023 年至今 |
| 代表产品 | MT4 / MQL4 | Backtrader、freqtrade、vnpy | QuantConnect、WorldQuant BRAIN | ChatGPT + 券商 API |
| 核心抽象 | 模块化指标 | 被打包的策略逻辑：进场、出场、仓位 | 特征工程流水线 | 自然语言到代码 |
| 典型工作流 | 拖入指标、配置条件、回测 | 写策略代码、调参、回测 | 搭特征流水线、训练、验证、执行 | 写提示词、生成策略、回测 |
| 主要进展 | 指标从书本和论坛进入可复用组件 | 完整策略变得可打包、可分享、可复现 | 流水线本身成为产品，验证步骤被标准化 | 生成速度快、入门门槛低 |
| 典型陷阱 | 指标崇拜、寻找「圣杯」 | 参数过拟合：遗传搜索找到的是巧合而非稳健 | 数据泄漏与幸存者偏差 | 策略幻觉、回测过拟合盲区 |
| 失败根因 | 规则靠手工，缺乏系统化验证 | 优化目标是回测收益，而不是稳健性 | 模型复杂度掩盖了数据质量问题 | 模型跳过了前三代积累下来的基础设施 |

## LLM 的常见失败模式

### 策略幻觉

模型输出听上去合理的交易逻辑，看起来很量化，但并没有市场根据、没有统计依据，或者隐含的假设根本不成立。代码能通过语法检查，却悄悄塞进了错误的因果关系。

### 回测过拟合盲区

模型把一段盈利的回测当作验证通过，看不到数据泄漏、参数挖矿、不稳定的市场状态或者幸存者偏差。生成速度越快，未经验证的变体就越多，曲线拟合的速度也跟着被加快。

## 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 真正变得有用，是因为外面有一圈工具把它包住。一套像样的交易系统不只是一个模型，它还包含定价引擎、执行逻辑、风控、数据校验、监控、部署纪律。Jane Street 这类机构的做法说明了这种结构：模型只是更大工具链里的一层。

## StratCraft 的定位

StratCraft 不宣称自己是「第 5 代」。它是为第 2、3 代开发者提供的基础设施：本地达到 C++ 级回测性能、插件隔离机制，以及一个让策略生成、验证、组合能反复使用的生态系统。

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