你有沒有想過，讓 AI 自己反覆寫量化策略、跑回測、看結果、再改進 — 完全不靠人工介入？

最近開源界最火的模型 Qwen 3，號稱程式碼能力接近 GPT-4，而且免費、可以在本地跑。我決定做一個真實實驗：讓 Qwen 3 自己迭代寫出 CAGR 30% 以上的台股選股策略。

結果？比你想像的複雜很多。

實驗設計：AI 量化策略自動迭代迴圈

我設計了一個自動化迴圈：

1. 給 Qwen 3 一個指令：「寫一個高 CAGR 的台股策略」
2. 提取模型回傳的 Python 程式碼
3. 用 FinLab 實際跑回測
4. 把回測結果（CAGR、Sharpe、MDD）回饋給模型
5. 請模型改進 → 回到步驟 2

目標很簡單：CAGR >= 30%。最多跑 5 次迭代。

這個迴圈用 Python 實作，透過 Ollama 的 REST API 呼叫本地的 Qwen 3 模型：

      
        
        顯示程式碼
        
      
      import requests
import json
 
response = requests.post('http://localhost:11434/api/chat', json={
    'model': 'qwen3:8b',
    'messages': [
        {'role': 'system', 'content': FINLAB_API_REFERENCE},
        {'role': 'user', 'content': '寫一個 CAGR > 30% 的台股策略...'}
    ],
    'stream': False,
    'think': False  # 重要：關閉思考模式
})
    

注意：Qwen 3 預設會啟動思考模式（thinking），會大量消耗 token 在內部推理上。呼叫 API 時必須設定 think: False，否則可能整個回應都被思考內容佔滿，看不到實際程式碼。

Qwen 3 是什麼？

Qwen 3 是阿里巴巴開發的開源大型語言模型系列。我們測試了兩個版本：

模型	參數量	大小	架構
qwen3:0.6b	6 億	0.5 GB	Dense
qwen3:8b	80 億	5.2 GB	Dense
qwen3:30b-a3b	305 億（活躍 33 億）	18.6 GB	MoE

其中 30B-A3B 是最受關注的版本 — MoE（混合專家）架構，128 位「專家」中每次只啟動 8 位。SWE-Bench 程式碼修復能力達到 69.6%，接近 GPT-4 的水準。

授權是 Apache 2.0 — 完全免費、可商用。

硬體實測：你真的能在自己電腦上跑嗎？

我的測試環境

項目	規格
CPU	Intel i7-8559U（4 核心）
RAM	16 GB
GPU	Intel Iris Plus 655（內顯，無 CUDA）
OS	macOS

這是一台 2018 年的 Intel Mac — 沒有獨顯、沒有 NVIDIA GPU、RAM 也只有 16GB。

推理速度實測

模型	Prompt 評估	生成速度	每次迭代時間
qwen3:0.6b	36-50 秒	3.1-5.4 tok/s	76-115 秒
qwen3:8b	321-419 秒	0.4-0.6 tok/s	652-893 秒

殘酷的現實：8B 模型在純 CPU 上，光是評估 prompt 就要 5-7 分鐘，生成一段 200 token 的程式碼需要 8-10 分鐘。一次完整的迭代要 11-15 分鐘。

0.6B 快很多（1-2 分鐘一次），但程式碼品質顯著下降。

硬體建議

等級	硬體	可跑模型	體驗
入門	16GB RAM, 無 GPU	0.6B-1.7B	堪用但慢
推薦	32GB RAM + RTX 3060	8B	流暢
理想	64GB RAM + RTX 4090	30B-A3B	即時
企業	A100 80GB	30B 全精度	生產級

結論：沒有獨顯的 Mac 只適合 0.6B 模型做概念驗證。真正要用 Qwen 3 做量化開發，至少需要一張 16GB VRAM 的顯卡。

實驗一：裸裝 Qwen 3（不給 API 說明）

第一輪測試，我直接問 Qwen 3：「用 FinLab 寫一個高報酬的台股策略。」

結果：完全失敗。

Qwen 3 生成的程式碼：

      
        顯示程式碼
        
      # Qwen 3 裸裝版本的錯誤
import finlab as fl          # 錯誤：應該用 from finlab import data
fl.set_env("local")          # 錯誤：這個 API 不存在
data = fl.data.get()          # 錯誤：get() 需要參數
 
condition = data['收盤價'] > data['收盤價'].rolling(60).mean()
# 錯誤：data.get() 回傳的 DataFrame columns 是股票代號，不是欄位名

問題分析：Qwen 3 完全不知道 FinLab 的 API。它用自己的想像力猜了一套不存在的用法。這跟你隨便問一個沒寫過 FinLab 的工程師一樣 — 他會根據常見的 pandas 用法亂猜。

AI 量化實測：Qwen 3 自動寫策略，12 次迭代結果