不用编程，用Claude搭交易基础设施
How to Use Claude To Gain a Huge Day Trading Edge
本报告由 AI 深度分析生成，基于视频完整字幕。
导读
SMB Capital 是华尔街最知名的日内交易培训机构之一，旗下有一支规模数十人的自营交易团队，长期在纽约运营。这家机构以"把普通人培训成职业交易员"著称，出版过多本交易教材，YouTube 频道长年是英语世界日内交易讨论的核心阵地之一。
这期视频的讲师是 SMB Capital 的一位资深交易员，他在视频中分享了一个核心判断：交易的护城河已经从"交易什么策略"转移到了"你的运营有多高效"。 而 Claude，正在成为让普通个人交易者拥有对冲基金级别操作基础设施的工具。
视频的最大价值不是告诉你"AI 很重要"（这大家都知道），而是用 5 个具体工作流，展示了如何一步一步地把它变成实际的交易优势。更关键的是，讲师在视频里分享了一个让自己损失减少了 1.5-2 万美元的真实案例，那个案例足以说明这件事的严肃程度。
一句话核心论点： AI 不是水晶球，是你的运营基础设施——用它来建系统，不是让它帮你做决策。
核心观点速览
- 交易的竞争维度已经变了：过去的优势在于"交易什么"，现在人人都能看到一样的策略和指标，优势在于"操作有多高效"。
- 90%的人根本没用 AI，7%的人用错了：只有 3% 的人在把 Claude 当基础设施来建，而不是算命机器。
- 不会编程不是障碍了：只要你能描述清楚"你想要什么"，Claude 会帮你写代码。
- 最贵的错误往往肉眼看不出来：讲师用一个 Python 脚本在 30 秒内发现了自己 11:30 后一直在亏钱——这件事他"盯着数据看了几个月"都没发现。
- 提示词质量决定输出质量：垃圾进，垃圾出——视频用大量篇幅讲如何写出真正有用的提示词。
一、交易竞争维度的根本变化
讲师开门见山："这不是关于预测市场的，这是关于基础设施优势。"
过去，对冲基金的护城河在于"有钱雇人"——他们有前台、中台、后台的团队，有量化团队帮他们写代码，有风控团队帮他们分析绩效。这些能力对个人交易者来说根本不可及。
现在，Claude 把这道墙拆了。
他给出了一个残酷的分层框架：
三类交易者的现实分布：
| 分层 | 比例 | 特征 |
|---|---|---|
| 第一层 | 90% | 全部手动，用 Excel 或初级软件，每周花 5-10 小时处理行政工作，完全受限于平台提供了什么功能 |
| 第二层 | 7% | 在用 AI，但用错了——问"今天应该买什么股"、"预测一下 SPY 方向"，基本上是在把 Claude 当算命摊 |
| 第三层 | 3% | 把 AI 当基础设施用，建定制化工具，自动化重复任务，用 AI 来理解自己的绩效 |
他有一个很准的比喻："第二层的人就像把法拉利开来代替高尔夫球车用。工具是对的，但用途完全错了。"
而第一层和第二层加起来占 97%。这 97% 的人，每周都在手动做那些可以在 5 分钟内自动化的工作。
二、5个实战工作流（核心内容）
实践一：定制化价格预警
问题：TradingView 的默认预警太笼统——价格穿越某个价位、RSI 超卖、MACD 交叉。但大多数有效的设置条件是多因子组合的。
原来的做法：学 Pinescript（需要几个月），搞清楚语法，调试 bug，最后大概率还是放弃了。
现在的做法：把你想要的条件用人话写清楚，直接交给 Claude。
讲师展示的提示词示例（可直接复用的框架）：
Build a TradingView Pine Script V5 indicator and alert that triggers when ALL of these conditions are met:
- Price breaks above the 30-minute opening range high（开盘区间定义为 9:30-10:00 ET，突破 = 收盘价高于该区间最高点）
- Current bar volume is at least 1.5x the average volume of the opening 30-minute range
- Price is currently above VWAP
- It's within the first 2 hours of the regular session (before 11:30 ET)
Visual requirements:
- Draw a horizontal line showing the opening range high
- Mark the breakout bar with a green triangle above the bar
- Add background color (light green) when all conditions are met
Alert requirements:
- Fire once per bar when conditions are met
- Alert message should include: symbol, price, time
Make the code clean and well commented.
结果：30 秒内 Claude 生成完整代码，复制粘贴到 TradingView Pine 编辑器，保存，加到图表，立刻生效。整个过程不到 5 分钟。
最重要的一步：迭代精化。 比如想再加一个过滤器：
Update the script: only trigger the alert if the breakout bar closes in the top 50% of its range.
30 秒后更新完成，再次复制粘贴，完成。
这件事的实质意义： 你现在拥有的不是"某个价格被突破"的预警，而是"你定义的高概率设置组合同时满足"的手术刀式预警。你的竞争对手收到的是噪声，你收到的是信号。
实践二：盘前博弈计划自动化
问题：大多数交易员的盘前准备是不稳定的——有时候做得很细，有时候直接开盘就进去了。"一致性差是好交易员沉默的杀手。"
手动流程：逐个查股票新闻 → 逐个看盘前图表 → 试着记住哪些有催化剂 → 写笔记 → 排优先级。45-60 分钟过去了，开盘动作还没发生。
新方式：建一个每天复用的模板。
提示词结构（可复制的框架）：
Analyze this watch list for today's trading session.
Watch list: [股票代码列表]
Overnight news/catalyst:
[粘贴相关新闻标题]
Pre-market data:
[代码 | 价格 | 涨跌幅 | 成交量 | 关键位]
For each stock, provide:
- Key catalyst or news driver (if any)
- Pre-market price action assessment (strength/weakness, volume)
- Key levels to watch (support/resistance)
- Setup potential (what patterns might develop: ORB, VWAP bounce, momentum continuation, etc.)
- Priority ranking: High / Medium / Low (based on setup quality and catalyst strength)
Output format: clean table, one row per stock, sorted by priority (highest first).
Then provide 2-3 sentences of overall market context at the bottom.
每天你只需要做一件事：把股票代码、最新新闻、盘前数据填进去。2 分钟搞定。然后 Claude 给你一张干净的优先级清单。
这件事的意义：不是 Claude 替你选股，而是 Claude 替你排序和呈现。 判断还是你做，但你现在面对的是结构化信息，而不是一堆乱的原始数据。讲师的原话："You're training it to help you."（你在训练它来帮你。）
实践三：定制化交易日志与绩效分析
这是视频里讲师用个人案例说服力最强的一部分。
问题：市面上所有的交易日志软件都是通用的，给你一堆你不需要的功能，但你真正想问的那些具体问题，它们回答不了。
讲师的解法：让 Claude 直接给他写一个 Python 脚本，专门用来分析他的交易数据。
提示词框架（简化版，视频中有完整版本）：
Build me a Python script that analyzes my trading performance.
Input: CSV file from broker with these columns:
Symbol, Entry Date, Entry Time, Entry Price, Exit Date, Exit Time, Exit Price, Shares, P&L
+ Setup Type column (manually added: ORB, VWAP Bounce, Momentum, etc.)
Analysis to perform:
1. Overall statistics: total trades, win rate, avg win/loss, expectancy, largest win/loss, total P&L
2. Performance by setup type: win rate, avg win/loss, total P&L, trade count per setup
3. Performance by time of day (hourly blocks): win rate, avg win/loss, total P&L, trade count
4. Performance by day of week (Mon-Fri): same metrics
5. Pattern detection:
- Best performing hour + setups traded in that hour
- Worst performing hour + setups traded in that hour
- Best performing setup overall
- Worst performing setup overall
- Flag any time periods or setups where I'm consistently losing
Output: clean formatted tables + written summary highlighting key patterns + specific recommendations
Technical: use pandas, simple CLI (python analyze_trades.py), include error handling
Claude 大约用了 20 分钟建好了整个系统。 讲师又测试了一下，反馈了几个调整，再花了 10 分钟。完成。
然后他把过去 100 个交易日的数据跑进去，30 秒内看到了一件让他觉得不可思议的事情。
"My performance by hour — more specifically, my performance by setup by hour — was not what I wanted."
具体来说：
- 他在开盘后表现非常好
- 11:30 之后，他开始"发明"交易机会，去做那些并不清晰的设置
- 中午时段（Hours 3、4、5），他是在主动亏钱的
系统给出的建议：
"Your edge disappears completely after 11:30. Your losses increase significantly in hours 3, 4, and 5. Focus capital allocation in hours 1 and 2."
这不是新数据，这是他盯着看了好几个月的同一份数据——但肉眼看不出来这个规律，机器 30 秒就看出来了。
他后来立了一条规则：除非设置极其清晰，否则 11:30 之后大幅缩减仓位，无例外。
他估算这一条洞察，在未来一年内会帮他少亏 1.5-2 万美元，甚至更多。
这就是"基础设施优势"的实际含义：不是 AI 帮你预测，而是 AI 帮你看清楚自己。
实践四：定制化止损逻辑
问题：平台提供的是标准订单类型（市价单、限价单、止损单、OCO 单）。但更复杂的止损逻辑——比如"两根 K 线追踪止损"——在任何平台上都找不到现成的实现。
大多数交易员要么用简单的固定止损（容易被洗），要么靠感觉止损（容易被情绪影响）。
讲师的例子：
他想要的是一个"两根 K 线追踪止损"：
- 止损初始设置在入场价以下两根 K 线的最低点
- 每当价格创出近两根 K 线的新高，止损上移到过去两根 K 线的最低点
- 止损只上移，绝不下移
- 全自动执行
这在任何平台里都不是标准功能，但它是非常合理的止损逻辑——它追随价格结构，而不是追随情绪。
用 Claude 写出这个 Pine Script 的时间：不到 5 分钟。
视频里展示了图表效果：
- 止损线初始为红色
- 一旦追踪止损至少上移了一次，变为绿色（表示已经进入保护利润状态）
这个视觉提示本身就有交易价值——绿色意味着"这笔交易已经开始保护我了，我可以放心持有"。
一句话总结： "Most traders exit based on fear or hope. Now you can create exits based on structure, every single time."（大多数交易员根据恐惧或期待来离场。现在你可以每次都根据结构来离场。）
实践五：AI 交易复盘（Trade Autopsy）
这是视频里讲师认为最被忽视、也最有长期价值的部分。
核心问题：我们做复盘，但我们真的在看真实发生的事吗？
人类复盘的三大认知偏差：
- 合理化亏损："这是个好交易，只是运气不好。"
- 否认盈利："那笔赚的钱是运气，不是能力。"
- 错过重复模式：同一个错误做了二十次，自己根本没意识到。
解决方案：每笔交易结束后（不是盘中），用 Claude 做一次"手术级复盘"。
提示词框架：
Analyze this trade. [附上图表截图，标注入场和出场点]
Setup: [设置类型，比如 ORB 或 VWAP bounce]
Stock: [代码]
Date: [日期]
Entry price: [价格]
Entry logic: [为什么入场]
Planned exit: [计划的离场点]
Planned stop: [计划的止损位]
Actual exit: [实际离场价格和原因]
My specific entry rules for this setup: [你的入场规则]
My specific exit rules for this setup: [你的离场规则]
Context: [额外背景，比如：这是今天第三笔交易，前两笔亏了；我觉得它在滚顶，所以提前出场了]
Questions:
1. Did my entry meet my rules? Was it clean?
2. Did I follow my exit plan? If not, what did I violate?
3. Based on the chart, what pattern am I showing?
4. What should I focus on improving?
5. If you were coaching me, what would you tell me about this trade?
进阶用法："超级提示词"（Super Prompting）
单笔交易的复盘是一回事，但真正强的用法是把一整天的所有复盘汇总，然后问：
"I've done autopsy reports on 10 trades today. [粘贴所有复盘内容] Help me understand trends. I observe this mistake and this mistake. I'm trying to work on X and Y. Help me identify the ONE most important thing I need to focus on."
讲师把这种方法叫做"元学习"（Meta-learning） ——你不是在优化一笔交易，你是在优化自己的整个交易行为模式。
他特别强调一个反直觉的警告：不要把所有错误都同时拿来改。 我们的大脑处理不了同时优化 5 件事。让 Claude 帮你找出这周最关键的一个优化点，集中火力改这一件事。
Claude 在这里能做到的事：
- 识别规则违反
- 发现情绪模式（比如连亏后的报复性交易）
- 量化每种错误的成本
- 连接到近期绩效数据
- 给出教练级别的反馈
这种分析水平，正常情况下你得花一大笔钱请交易教练，而且每周最多得到一次反馈。现在你每笔交易都能得到。
三、为什么大多数人用 AI 没效果：4 个致命错误
视频花了相当多的时间讨论这个，因为讲师知道看完视频大多数人还是会失败。
错误一：提示词太模糊
模糊的提示词举例：
"Help me with my trading."
Claude 完全不知道你想要什么。
有效的提示词：
"Build a TradingView Pine Script that triggers when price breaks above the 30-minute high, volume is 1.5x average, and price is above VWAP."
Specificity is everything.（具体性就是一切。）
错误二：问一次就放弃
用 AI 无效的人的行为模式：发一个提示 → 得到一个还不够好的结果 → 觉得"这东西不行" → 放弃。
有效的用法是迭代：
"That's close. Now add a filter: only trigger if it's within the first 90 minutes of the session."
讲师给出了一个重要的心理准备：在你开始用 AI 做一个项目之前，先准备好要花两周时间迭代它。 不是两周不间断，而是持续回来改进。"What used to take two years now only takes two weeks."（过去需要两年的东西，现在只需要两周。）
错误三：盲目信任输出
直接复制粘贴代码，假设它能工作——基本上不行。
有效的做法：测试、搞坏它、验证逻辑、理解它在做什么。 永远在纸上交易账户里先跑一遍，确认逻辑正确再上真实账户。
错误四：给的上下文不够
最差的做法：发一张截图，然后写"Review my trade."
Claude 没有任何上下文，帮不了你。
有效的做法：告诉它是什么设置、你的入场逻辑、你的计划离场点、你实际做了什么、你的规则是什么。上下文越多，输出质量越高。
四、一个行动框架：从哪一个开始
视频结尾给出了一个决策树——根据你当前最大的瓶颈选择入口：
| 你的最大问题 | 从这里开始 |
|---|---|
| 经常错过好的设置 | 实践一：定制化价格预警 |
| 盘前准备不稳定 | 实践二：博弈计划自动化 |
| 看不清自己的规律 | 实践三：定制化交易日志 |
| 情绪影响你的止损和离场 | 实践四：定制化订单逻辑 |
| 一直在重复同样的错误 | 实践五：AI 交易复盘 |
关键原则：一次只做一件事，集中专注两周。
行动启示
这个视频对非程序员的个人投资者/交易员有一个非常直接的启示：
-
你现在就可以做的事：把你日常交易中某个你"一直想分析但没时间分析"的问题，写成一个具体的提示词，交给 Claude。不用会编程，只需要能描述清楚你想要什么。
-
实践三（绩效分析）对大多数人价值最高：如果你在用任何股票软件交易，导出你过去 3-6 个月的交易记录 CSV，让 Claude 建一个分析脚本，按时段和设置类型帮你拆解。很可能会发现你从没意识到的亏损规律。
-
提示词质量是瓶颈：与其花时间问"AI 能不能帮我交易"，不如花时间练习写出更精确的提示词。越具体，越有用。
-
把 AI 当团队成员，不当神仙：它不预测市场，但它是一个 24/7 在线的、不带情绪的、能写代码能做分析的"运营团队成员"。
附录：金句收录
"The edge in trading isn't what you trade anymore. It's in how efficiently you operate." 交易的优势不再在于你交易什么，而在于你的运营有多高效。—— 讲师
"Claude is not a crystal ball. It's not a fortune teller. It's a coding and analysis partner." Claude 不是水晶球，不是算命先生，它是一个编程和分析伙伴。—— 讲师
"Using AI as a fortune teller: garbage in, garbage out. Using AI as infrastructure: that's game-changing." 把 AI 当算命工具：垃圾进垃圾出。把 AI 当基础设施：那才是颠覆性的。—— 讲师
"That one insight from one 30-second analysis probably saved me $15,000 to $20,000 over the course of the next year." 来自一次 30 秒分析的那一个洞察，可能在接下来一年里帮我省下 1.5 到 2 万美元。—— 讲师（谈到发现自己 11:30 后持续亏损的规律）
"Most traders exit based on fear or hope. Now you can create exits based on structure, every single time." 大多数交易员根据恐惧或期待来离场，现在你可以每次都根据价格结构来离场。—— 讲师
"AI does not replace your thinking right now. It removes the bottlenecks that prevent you from thinking clearly." AI 现在不是在替代你的判断，它是在清除阻碍你清晰思考的障碍物。—— 讲师
"You don't need to be a coder. You just need to know how to describe exactly what you want." 你不需要会编程，你只需要知道如何精确描述你想要什么。—— 讲师
时间线索引
| 时间 | 内容 |
|---|---|
| [00:00] | 开篇：不到10%的交易员在用AI，用的人大多数用错了 |
| [00:42] | 框架介绍：这不是关于策略，而是关于运营效率 |
| [02:33] | 实践一开始：定制化价格预警 + Pinescript 示例提示词 |
| [05:27] | 迭代演示：30秒内添加新的过滤条件 |
| [07:11] | 三层交易者分类框架 |
| [10:59] | 4个使用AI的常见错误 |
| [14:03] | 实践二：盘前博弈计划自动化 |
| [18:06] | 实践三：定制化交易日志（讲师的核心案例） |
| [22:31] | 关键时刻：发现 11:30 后持续亏损的数据 |
| [24:17] | 实践四：定制化止损和离场逻辑 |
| [27:03] | 实践五：AI 交易复盘（Trade Autopsy） |
| [29:46] | "超级提示词"：汇总多笔复盘找一个核心改进方向 |
| [32:41] | 总结：五大实践框架 + 不可妥协的四条原则 |
| [36:00] | 决策树：根据你的瓶颈选择从哪里开始 |
| [37:46] | 呼吁行动：评论区告诉讲师你打算从哪个实践开始 |
评论
还没有评论，来第一个留言吧 ✨