这是我的 Codex 系列第一篇。
过去一段时间，我一直在高频使用 Codex。它当然能写代码，能改网站，能修 bug，能帮我做很多工程上的脏活累活。但我更关心的问题其实不是“Codex 会不会写代码”，而是：
Codex 到底能不能帮我进入一个原本不熟的领域，并且在真实世界里产生价值？
所以我做了一个有点冒险的实验。
我准备了一个股票账户，往里面放了一些钱，然后把它交给了 AI。
更准确地说，我把这个实验交给了 Codex。
先说清楚：这不是投资建议，不是荐股，也不是“AI 炒股教程”。我也不建议任何人照着我的方式把真实资金交给 AI。这里只是在记录一次我自己的 Codex 实验：我想知道，当我不太懂股票、不懂每只股票背后短期涨跌逻辑的时候，AI 能不能帮我拓宽金融认知，沉淀一套策略，甚至帮我赚到钱。
结果是：一个月左右，收益翻倍。
但对我来说，真正有意思的不是赚了多少，而是这件事让我重新看到了 Codex 的边界。
为什么选 A 股
说实话，我并不是一个懂股票的人。
我知道一些商业常识，也能理解一些行业逻辑，但如果你问我某只股票为什么今天涨、为什么明天跌、为什么同一个板块里有的涨停有的趴着，我没有那么强的直觉。
这恰好是我想测试 Codex 的原因。
如果我已经非常懂一个领域，那 AI 对我的帮助很可能只是提效：帮我写得更快、查得更快、整理得更快。
但如果我不懂呢？
AI 能不能帮我更快进入一个领域，搭出一套观察框架，把那些我原本不知道该怎么问的问题一个个拆出来？至少让我少走点弯路。
金融是一个很适合验证这个问题的场景。
因为它有几个特点：
- 有大量数据；
- 有明确反馈；
- 有真实约束；
- 有金钱结果；
- 也有巨大的噪音和幻觉。
这几个条件放在一起，其实很适合测试 Codex：它不能只会讲道理，必须把想法变成数据、代码、规则、回测和执行计划。
我给 Codex 的目标很宽泛
一开始，我没有给 Codex 一个很具体的策略。
我没有说：“帮我找某某因子。”
也没有说：“我要做动量策略。”
更没有说：“明天给我买哪只股票。”
我给它的是一个非常宽泛的目标：
帮我沉淀出一套适合我当下账户规模、交易习惯和风险预期的 A 股量化策略。你可以通过数据、回测和不断优化，写出一套可以执行的交易策略。
这个目标很像我平时做产品时会给团队的方向：不是一开始就规定解法，而是先规定结果。
然后我让它自己往前跑。
其中第一件事就是数据。
量化没有数据就没有验证，没有验证就只剩感觉。于是我先让 GPT 帮我推荐性价比比较合适的数据源，最后选到了 Tushare。拿到数据之后，我把这些东西都交给 Codex，让它自己去搭建数据、回测和策略优化的闭环。
我给它开了一个长时间 Goal。
大概跑了 24 小时多一点。
在这 24 个小时里，它不是只写了一段代码，而是在持续做一整套事情：
- 研究个人 A 股量化从哪里开始；
- 设计本地数据结构；
- 接入 Tushare 数据；
- 写选股、回测、风控和执行逻辑；
- 不断跑回测；
- 看结果不对就改规则；
- 发现 A 股交易约束就补进去；
- 最后沉淀出一套可以被我每天盘后使用的策略。
我做的事情反而很少。
我提供目标、资金、数据和反馈。真正的策略探索、代码实现、回测迭代，基本都交给它。
这也是这次实验最有意思的地方：我不是让 AI 帮我完成一个我已经知道答案的任务，而是让它带着我去探索一个我自己原本不熟的领域。
第一版从 5 月 23 日开始
我的第一版策略，大概是从 5 月 23 日开始跑起来的。
那段时间大盘并不是每天单边上涨，中间也有震荡。说完全没有行情窗口的帮助，那肯定不客观；但让我意外的是，它选出来的一些股票，相对来说确实跑出了非常强的收益。
我原本只是想验证一下：
AI 能不能帮我更快理解金融，从数据里看出点门道？
结果它不只是帮我学习，还真的帮我赚到了钱。
这件事对我的冲击不在于“AI 成了股神”。
我并不相信一个月收益翻倍就能证明策略长期有效。相反，我非常清楚，短期高收益里面一定有运气，有行情，有样本窗口，也可能有过拟合。
但它依然很有价值。
因为它证明了一件事：Codex 不只是能帮我“写量化代码”，它还能在一个我并不熟悉的领域里，帮我快速搭出一个认知脚手架。
我开始知道应该看什么数据，应该怎么理解回测，应该怎么对待止损，为什么不能只看收益，为什么要看最大回撤，为什么 A 股的涨跌停、T+1、停牌、手数、流动性都会影响策略结果。
这些东西，如果让我自己从零开始学，可能会非常慢。
但 Codex 把它们变成了一套可以运行的系统。
收益只是反馈，不是结论
我知道“一个月 100% 收益”很抓眼球。
但在这件事里，我更愿意把收益看成反馈，而不是结论。
收益反馈告诉我：这套策略至少在这段市场窗口里捕捉到了一些东西。
但它不能告诉我：
- 策略长期一定有效；
- 以后还能继续翻倍；
- 这套规则没有过拟合；
- 换一个行情环境仍然能跑赢；
- 其他人照着做也能赚钱。
这也是为什么我一直要求 Codex 不断回测、不断补约束、不断把风险写进策略里。
我要的是一个能帮我验证假设的 AI。
公开仓库里保留了一张历史样本图。它展示的是策略在 2026-05-25 收盘后生成候选，按 2026-05-26 开盘作为参考执行价，后续 20 个交易日的表现。
这张图很漂亮。
但漂亮的图不是最重要的。
最重要的是，它背后不是一句 prompt，而是一整套“提出假设 - 获取数据 - 写代码 - 回测 - 修正规则 - 生成执行计划 - 记录真实结果”的循环。
它的价值不是一次性给答案，而是持续参与一个验证过程。
BaiQuant 是这次实验的沉淀物
这次实验最后沉淀成了一个项目：BaiQuant。
不过我不想把这篇文章写成 BaiQuant 的框架介绍。
因为项目本身只是结果，不是起点。
真正的起点是那个问题：
当我不懂一个领域时，能不能借助 Codex 快速建立认知，并且让这个认知在真实世界里接受反馈？
BaiQuant 只是这个问题的第一个答案。
它现在开源出来，更多是为了保留这个过程的工程痕迹：数据怎么接，策略怎么跑，回测怎么做，风险怎么写进规则里，公开版本怎么把私有数据和真实账户信息隔离掉。
它不是一个“拿来就能赚钱”的工具。
它更像一个案例：一个人如何把自己的目标交给 AI，然后让 AI 帮自己把目标拆成系统，把系统变成验证，把验证变成经验。
我对 Codex 的新判断
做完这件事之后，我对 Codex 的判断有了一点变化。
以前我会说，Codex 是一个很强的 AI Coding 工具。
现在我更愿意说，它是一个能进真实问题的探索引擎——不是只会写代码，而是能把一个模糊目标一直往前推：
- 你不知道从哪开始，它先帮你把问题拆开；数据、回测、风控、约束、文档，它可以一条条往下推。
这就是为什么我想写 Codex 系列。
我不想只写“Codex 怎么安装”“Codex 怎么使用”这种工具教程。
工具教程当然有用，但我更想记录的是：Codex 在真实问题里到底能做到什么。它能不能帮一个人进入新领域，能不能放大一个人的执行力，能不能把模糊的想法变成可验证的系统。
这次 A 股量化实验，是第一篇。
我准备了账户，放了钱，给了目标，信任 AI，让它跑了 24 小时以上，然后用一个月的真实反馈去检验它。
最后的结果是：我赚到了钱，也学到了东西，还沉淀出了一个开源项目。
对我来说，这就已经是 Codex 的价值了。
后面我还会继续验证
我不会因为这次收益翻倍，就得出“AI 可以稳定帮我炒股”的结论。
那太幼稚了。
我更愿意把它看成一个开始。
接下来我会继续让 Codex 帮我做更长周期的验证：不同市场环境、不同策略约束、不同风险目标、不同账户规模。它可能会继续赚钱，也可能会亏钱，也可能会证明某些策略只是阶段性有效。
这些都没关系。
因为我真正想探索的，不只是一个股票策略，而是 AI 在不同专业场景里的上限。
如果 Codex 能帮我在金融这个我不熟的领域里，快速建立认知、生成策略、接受真实反馈，那么它也可能在更多领域里帮我做类似的事情。
不是“AI 帮我炒股赚了钱”。
而是：
我把一个真实问题交给 Codex，它真的把我带进了一个新的领域。