在昨天发了一篇小作文用ChatGPT写三角套利策略之后，对最近在搞的量化回测这个轮子有了新的想法。此文有点长，文后有Github代码库，今后将持续更新这个量化回测引擎，看看完成这样一个产品需要多少时间。
一、ChatGPT编程模式的思考
- 根据不同的上下文，相同的问题会给出不同的答案；
- 通过提出一个问题，让ChatGPT给出个粗略的框架性解决方案
- 根据对业务的理解，在粗略的框架基础之上使用抽象方法、解耦关系、封装对象等方式以重构的形式进行开发
- 同步使用ChatGPT对业务本身展开讨论，以完善业务需求框架，并以此输出业务代码。
- 得到一个好产品的前提是明白自己需要什么，并能提出一个好问题，这个过程也将是可迭代升级的。
二、上车调教
1、提出一个问题，得到一个粗略的框架性解决方案
ChatGPT给出的框架非常简陋，但已经有很好的注释，这个有点小意外，这个输出可以让我更好的沉浸在需求的阐述中，而且当我不知道提出更细化的问题时，可以用“继续”引导它进一步深入输出代码，而不需要马上另外展开其他问题。
有时ChatGPT会断线，会有重复的答案，但会在上次的基础略有修改，这个时候可以提出新的问题展开
2、展开一个新问题
这里生成的一个Strategy基类，和一个继承的子类，并演示了一个移动均线的策略
这里它跳回到了回测引擎中的收益率计算模块，并根据上一次的策略信号进行“模拟撮合“，虽然这个撮合很简陋，但已经包括了手续费和滑点的成本计算，居然考虑了滑点？？？这点是我所思考的时候遗漏的。好吧，它又一次惊艳到我了。
好像使用三次”继续“ 就将会把它榨干，或许它也不希望依此展开。
3、完善Backtest初始化
这里它给出了一个新语法，Callable[[np.ndarray],np.ndarray],唉技术水平菜，有点被Dis的感觉
不耻下问，随便提高下技术水平。
这里的重构也比较有意思的，它知道ohlcv是什么意思，并且使用字典形式以支持多品种
另外会自动优化了信号的生成，以遍历所有品种，不过解决方法还是最佳的，这里会导致循环过多，计算复杂度会指数级上升。
4、上小皮鞭，增加难度
反馈还是不错，而且知道根据symbol获取对应信号的数值，而且在解释方案中很会顺着你的意思说明，并补充完整。
这里的因子计算使用了独立的函数，而且参数是固定死，这个解决不优雅
继续小皮鞭抽，但好像一次最好一个问题，多了它有点吼不住
第一天大概使用了2小时，完成了一个简陋的框架，这里有不足处就是在后期已经在单独计算收益率的函数，但在run函数中又使用了第一次的方法，好似忘记了自己输出的新方法，对上文的理解还是差很多。
后续将持续迭代更新，直至能正常使用，并即于此使用ChatGPT开始生成策略。
