“我不再提示 Claude 了。我有循环在运行，它们自己在提示 Claude，自己决定下一步怎么做。我的工作是写循环。”
—— Boris Cherny，Anthropic Claude Code 负责人，2026 年 6 月
这句话在过去一个月震动了整个 AI 工程圈。Boris 在 2025 年 11 月卸载了自己的 IDE，此后单月合并 259 个 PR，全部出自 Claude Code 之手。到了 2026 年 3 月，Claude Code 这个产品本身已经 100% 由 Claude Code 编写。
Google 工程总监 Addy Osmani 将这种范式正式命名为 Loop Engineering（循环工程）。
量化交易本质上就是一个循环：拉数据、生成信号、回测验证、执行下单、监控风险、重复。Renaissance 从 1988 年开始跑这个循环，Citadel、Two Sigma、Jane Street 都在跑。唯一的区别是，他们需要几百个人坐在循环里面，而你不需要。
在本文中你会看到如何将 Loop Engineering 映射到量化交易的五个阶段，以及一套可以直接落地的 MCP 连接器方案，让循环从“给建议”进化到“真下单”。
Loop Engineering 到底是什么
过去两年，你用 AI 的方式是这样的：打字、等输出、读结果、决定下一步、再打字。你是循环本身，Agent 只是你手里的工具。
Loop Engineering 把这个关系倒转过来。你不再坐在循环里面做决策节点，你站在循环外面做架构师。你定义目标，Agent 对着目标迭代，循环自己决定什么时候继续、什么时候停止、什么时候把经验写进记忆。
自进化量化交易系统的五阶段循环与三大基础设施层
这里面的关键认知是：Agent 每次运行都会遗忘，但循环不会。 Agent 是 Stateless 的，它处理完一个任务就清空上下文；循环是 Stateful 的，它通过 STATE.md 文件、SKILL.md 指令和验证器机制，让经验在迭代中持续累积。这正是量化系统最需要的特质——每一次交易的结果，都应该成为下一次决策的输入。
Boris 描述的演进阶梯非常清晰：2023 年你手写代码，2024 年你提示 Claude 写代码，2025 年你写循环让 Claude 自己跑，2026 年你搭建运行循环的 Harness。 对于量化交易来说，这个 Harness 就是一个自进化的交易系统。
基础设施
Loop Engineering 定义包含六个通用组件。这六个组件不是 Claude Code 独有的——它们出现在 Codex、出现在 AutoGPT、出现在每一个能在生产环境跑起来的 Agentic 系统 里。
| 组件 |
通用定义 |
量化交易映射 |
关键配置 |
| Automation |
循环的心跳：cron、webhook、/loop 命令 |
数据拉取定时器、信号扫描触发器、风险检查频率 |
/loop every 1h 或 /goal sharpe > 1.5 |
| Skill |
保存在 SKILL.md 中的程序化手册 |
Alpha 研究规则、风控约束、品种白名单 |
每次损失自动写入新规则 |
| State File |
跨运行持久化的 markdown 状态文件 |
持仓记录、未成交信号、回测结果、经验教训 |
STATE.md / PROGRESS.md |
| Verifier |
独立的验证 Agent，不同模型、不同指令 |
回测验证器、风险合规检查、信号质量评估 |
Maker-Checker 分离，Opus 验证/Sonnet 生成 |
| Worktrees |
Git 隔离工作区，避免多 Agent 文件冲突 |
并行回测分支、独立策略研发环境 |
isolation: worktree |
| Connectors |
MCP 协议连接外部 API 和数据源 |
券商交易接口、行情数据、Slack/邮件通知 |
TraderEvolution MCP tools |
这六个组件里，Verifier（验证器）是最容易被低估、也是 Loop 失败的最主要原因。生成信号的 Agent 同时兼任裁判，会系统性地高估自己的工作质量——这跟 Wall Street 的 Maker-Checker 分离原则完全矛盾。Jane Street 的 proposing trader 和 approving trader 必须是两个人；你的量化循环里，生成信号的模型和验证信号的模型也必须是两个独立实例。
五阶段量化循环：从数据到 risk-off 的完整链路
把六大组件组装起来，就得到一个完整的自进化量化交易系统。这个系统由 五个子循环 构成，每个子循环有自己的 Skill、自己的 State File、自己的 Verifier。
Stage 1：数据摄取（Data Ingestion）
这是整个系统的心跳。根据资产品类设置不同频率：加密可以每分钟拉一次，股票日线策略可以每小时或每日触发。
# .claude/commands/ingest.md
@loop(interval="1h")
def ingest_data():
data = fetch_market_data(
symbols=universe, # 交易品种清单，从 SKILL.md 读取
lookback="30d", # 回看窗口
sources=["alpaca", "polygon"] # 多源聚合
)
state.write("latest_data.parquet", data)
state.append("STATE.md", f"\n[{datetime.now()}] Data ingested: "
f"{len(data)} rows, {len(universe)} symbols")
关键设计要点：数据源必须多源交叉验证。单一数据源的故障会导致整个循环产生垃圾输入。
Stage 2：信号生成（Signal Generation）
这是 Alpha 研究的核心战场。Signal Generation Agent 从 alpha_research_skill.md 读取规则，这个文件会随着每次交易结果自动进化。
<!-- alpha_research_skill.md -->
## Goal
基于过去 30 天的价量数据生成交易信号，采用线性回归 + 动量复合模型
## Rules
- Sharpe 比率在最近 5 次回测中至少 3 次 > 1.5
- 单信号仓位上限 2%
- FOMC announcement 当日跳过所有信号
- 财报发布前 48 小时跳过相关标的
## Lessons Learned
- 2026-02-14: 财报周亏损 4.2%。新增规则：财报前 48h 跳过
- 2026-03-08: 行业集中度突破导致 6% 回撤。新增规则：单一行业暴露上限 30%
- 2026-04-22: 动量信号在 FOMC 日爆炸。新增规则：FOMC 日 kill 所有动量信号
Skill 文件的自进化机制是整个系统的灵魂。 每次 Risk Monitoring 阶段检测到异常，都会自动追加一条 Lessons Learned。下一次 Signal Generation Agent 读取 Skill 时，这些规则已经成为它的行为约束。这不是简单的日志记录，而是用结构化经验持续压缩策略的失效空间。
Stage 3：验证（Verification）
信号必须通过完全独立的验证层才能进入执行阶段。这是 Maker-Checker 分离原则的技术实现。
# .claude/commands/verify.md —— 独立验证 Agent 的指令
@checker(model="claude-opus-4") # 用更强模型做验证
def verify_signal(signal):
result = claude.invoke(
skill="backtest_verification_skill.md",
signal=signal,
rules=[
"Sharpe ratio > 1.5 (Newey-West adjusted)",
"Max drawdown < 10%",
"Out-of-sample period >= 2 years",
"Newey-West t-stat > 2.0",
"Position size <= 2% of NAV",
"Not in earnings blackout window"
]
)
return result.verdict # PASS / FAIL / NEEDS_REVIEW
验证器的设计有几个硬性要求：必须用不同的模型、必须看不到生成器的推理过程（防止 confirmation bias）、停止条件必须可被独立检查（“Sharpe > 1.5”可以验证，“我觉得这个信号不错”无法验证）。
Stage 4：执行（Execution）
只有验证通过的信号才能到达这里。执行层通过 MCP 连接器直连券商 API，实现真正的无人值守。
# execution 层通过 MCP 连接券商
@auto_mode # 免人工确认，直接下单
@loop(trigger="signal_verified")
def execute(signal):
if verify_signal(signal) == "PASS":
broker.place_order(
symbol=signal.symbol,
side=signal.side,
qty=signal.position_size * nav,
order_type="TWAP", # 拆单执行，降低冲击成本
max_slippage_bps=10 # 滑点上限
)
state.write("active_trades.json", signal)
state.append("STATE.md",
f"\n[{datetime.now()}] EXECUTED: {signal.symbol} "
f"{signal.side} @ {signal.expected_price}")
执行层的关键是 MCP（Model Context Protocol）连接器。MCP 是 Anthropic 推出的开放标准，让 LLM 通过结构化 JSON 调用外部工具。目前已经有多个券商的 MCP Server 实现：Interactive Brokers、TastyTrade、Angel One、SnapTrade，以及 TraderEvolution 的 31-tool 生产级实现。
Stage 5：风险监控（Risk Monitoring）
这个子循环在独立的 Git worktree 中并行运行，是整个系统的 kill switch。
# 独立 worktree 中的风险监控循环
@loop(interval="1m") # 每分钟检查
def monitor_risk():
positions = broker.get_positions()
nav = calculate_nav(positions)
dd = current_drawdown(nav)
# 硬止损：单日回撤 5% 清仓
if dd > 0.05:
broker.close_all_positions()
state.append("STATE.md",
f"\n[{datetime.now()}] RISK EVENT: Drawdown {dd:.2%}. "
f"All positions closed.")
# 触发 Skill 进化
skill.append_lesson(
date=datetime.now(),
event=f"Drawdown trigger {dd:.2%}",
new_rule="Review position sizing model after >4% drawdown"
)
# 行业集中度检查
sector_exposure = calculate_sector_exposure(positions)
if any(exp > 0.30 for exp in sector_exposure.values()):
# 发送警报，不自动清仓（给人工判断空间）
alert.send(f"Sector exposure breach: {sector_exposure}")
MCP 连接器：从“给建议”到“真下单”的关键一跃
很多量化开发者的 AI 系统卡在最后一公里：Agent 能分析、能给信号，但无法直连交易账户。MCP 解决了这个问题。
MCP 的本质是一个标准化的工具调用协议。Agent 不需要知道 Alpaca API 或 Interactive Brokers API 的具体细节，它只需要调用 place_order(symbol="AAPL", side="buy", qty=100)，MCP Server 负责把结构化调用翻译成券商能理解的请求。
// MCP Server 配置示例（claude_desktop_config.json）
{
"mcpServers": {
"alpaca_trading": {
"command": "python",
"args": ["-m", "alpaca_mcp_server"],
"env": {
"ALPACA_API_KEY": "...",
"ALPACA_SECRET_KEY": "...",
"PAPER_TRADING": "true" // 先用模拟盘
}
},
"market_data": {
"command": "python",
"args": ["-m", "polygon_mcp_server"],
"env": {
"POLYGON_API_KEY": "..."
}
}
}
}
当前可用的交易 MCP Server 生态已经相当丰富：TraderEvolution 提供 31 个工具的完整多资产交易能力；Interactive Brokers 的 MCP 实现支持自然语言下单；TastyTrade 的 MCP Server 甚至内置了期权 Greeks 计算和 DXLink 实时行情。建议先用模拟盘测试。
生产部署
Loop Engineering 的一个常见陷阱是循环失控。Boris 本人也强调：没有真实停止条件的循环会安静地失败——Agent 发出完成信号，认为半成品的任务已经做完，循环退出，坏交易却留在场上。
部署前的强制性检查清单：
| 检查项 |
具体要求 |
失败后果 |
| 停止条件可验证 |
“Sharpe > 1.5” ✓ / “Agent 说做完了” ✗ |
循环提前退出，半成品信号流入市场 |
| 预算上限 |
设置 --max-turns 和月度 API 预算 |
一个失控的 200 轮循环可能消耗 $80+ |
| Maker-Checker 分离 |
生成模型 ≠ 验证模型 |
信号质量系统性高估，假 Alpha 流入实盘 |
| Worktree 隔离 |
并行子循环使用独立 Git 分支 |
文件冲突导致状态损坏 |
| 只读启动 |
前 3 天仅做 summary，不下单 |
验证循环逻辑正确性 |
| 日志完整 |
所有决策写入 STATE.md + 外部日志 |
出问题时无法复盘 |
成本方面需要心中有数。Loop 的 token 消耗是单轮对话的几十到几百倍——每轮工具调用的上下文会在后续轮次中累积重发，第 20 轮迭代时单次输入可能超过 50K tokens。以 Opus 4.8 的 $5/百万 input tokens 计算，一轮成本约$0.25，200 轮的开环任务可能花费 $80 以上。
建议的成本控制策略：信号生成阶段用 Sonnet（$3/百万 tokens），验证阶段才用 Opus（$15/百万 tokens）；日常监控循环用 Haiku（$0.25/百万 tokens）；设置 --max-turns 30 作为硬性上限。
结语：你写循环，循环替你交易
Loop Engineering 在量化交易领域的意义，远不止“自动化”三个字。它代表了一种范式转移：你的核心竞争力从“写一个更好的策略”变成“设计一个能持续产生更好策略的系统”。
Renaissance 和 Citadel 的优势不是某个具体的因子，而是他们跑了三十年的进化循环——每一次交易结果都被结构性地反馈到下一次信号生成中。现在，一个 solo quant 用 Claude Code + MCP + 六个核心组件，就能搭建出同构的进化架构。
Boris Cherny 每天从手机上发出几十个 PR。你完全可以设计一个循环，让它在你睡觉时拉数据、在你开会时跑回测、在你度假时监控风险。你的工作是写循环。循环的工作是交易。
在 云栈社区，你可以和更多独立量化交易者一起探索这些技术的落地边界。
发表于 2 小时前
|
查看: 5|
回复: 0
