你本身有 Python、机器学习、金融数据分析和量化研究的基础，所以其实不需要从“怎么让 AI 写 Hello World”开始。更适合你的方式是：把 Codex 当成科研编程助手。

目前 Codex 可以在 ChatGPT、IDE、Terminal、Web 等环境中使用，而且支持从理解代码、Debug、重构，到测试和完整任务执行。(OpenAI)

一、先搭这一套环境

我推荐：

                    ChatGPT
                       │
                       ↓
                    Codex
                       │
          ┌────────────┼────────────┐
          ↓            ↓            ↓
       VS Code       Terminal      GitHub
          │
          ↓
       Python
          │
    ┌─────┼─────┐
    ↓     ↓     ↓
  pandas numpy sklearn
    │
    ↓
金融数据 / 回测 / 实证研究

Codex 官方目前支持 CLI、IDE 扩展、Web、桌面 App 和 GitHub 等工作方式。(OpenAI Academy)

二、你的第一个项目，我建议不要做太简单

直接做一个：

A股量化研究与回测系统

例如：

A股量化研究/
│
├── data/
│   ├── raw/
│   └── processed/
│
├── src/
│   ├── data.py
│   ├── factor.py
│   ├── strategy.py
│   ├── backtest.py
│   └── metrics.py
│
├── tests/
│
├── notebooks/
│   └── research.ipynb
│
├── results/
│
├── config/
│
├── requirements.txt
└── README.md

然后你不是让 Codex：

“帮我写一个量化程序。”

而是给它一个工程任务。

三、第一条 Prompt 可以直接这样写

你可以把下面这段直接交给 Codex：

请帮我建立一个完整的 Python A 股量化研究项目。

项目目标：
建立一个模块化、可扩展、适合科研和教学使用的股票因子研究与回测框架。

技术要求：

1. 使用 Python。
2. 使用 pandas、numpy、matplotlib。
3. 代码模块化，不要把所有代码写在一个文件中。
4. 每个模块添加必要的中文注释和 docstring。
5. 使用 pytest 编写基础单元测试。
6. 创建 requirements.txt。
7. 创建 README.md，说明项目结构、安装方法和运行方法。
8. 所有数据读取、因子计算、回测、评价指标分别独立成模块。

第一阶段先不要急着实现复杂策略。

请依次完成：

第一步：
分析项目需求，设计项目目录结构。

第二步：
创建项目目录和基础文件。

第三步：
实现数据读取模块。

第四步：
实现以下基础指标：

• 日收益率
• 累计收益率
• 年化收益率
• 年化波动率
• 最大回撤
• Sharpe Ratio

第五步：
实现一个最简单的均线策略作为示例。

第六步：
实现基础回测框架。

第七步：
编写 pytest 测试。

第八步：
运行所有测试。

如果测试失败，请分析原因并修改代码，然后重新运行测试。

不要只告诉我代码应该怎么写，请实际创建和修改项目文件，并运行测试。

完成后向我汇报：

1. 创建了哪些文件
2. 每个文件的作用
3. 如何运行项目
4. 测试是否全部通过
5. 当前项目还有哪些不足
6. 下一步建议增加哪些功能

这个 Prompt 的关键不是“写代码”，而是要求 Codex 规划 → 实现 → 测试 → 修复 → 汇报。

这正是 Codex 比普通代码问答更有价值的地方。OpenAI 的官方实践也把代码理解、重构、性能优化、测试覆盖等列为典型工作流。(OpenAI)

四、然后开始第二阶段

第一阶段完成以后，不要重新开一个项目。

直接告诉 Codex：

“现在继续在当前项目基础上增加因子研究模块。”

然后让它增加：

因子研究
│
├── Momentum 动量
├── Volatility 波动率
├── Size 市值
├── Value 价值
└── Quality 质量

再进一步：

股票池
 ↓
计算因子
 ↓
因子排序
 ↓
分组
 ↓
Group 1
Group 2
Group 3
...
Group 10
 ↓
计算组合收益
 ↓
IC
 ↓
ICIR
 ↓
多空组合
 ↓
回测

这时候你就已经从“学习 Python”进入：

真正的量化研究。

五、第三阶段就非常适合你的研究方向了

例如你之前关注过：

散户投资者需求效应对股票价格的影响。

可以建立这样的研究项目：

原始数据
    ↓
数据清洗
    ↓
变量构造
    ↓
描述性统计
    ↓
相关性分析
    ↓
基准回归
    ↓
稳健性检验
    ↓
异质性分析
    ↓
机制检验
    ↓
可视化
    ↓
论文表格

然后你可以直接对 Codex 说：

“根据当前研究设计，实现基准回归，并输出可以直接用于论文的回归结果表。”

它负责大量机械工作。

而你负责：

这个模型到底有没有经济学意义。

这才是最合理的人机分工。

六、还有一个非常重要的技巧：AGENTS.md

Codex 支持在项目中使用 AGENTS.md 作为项目级指导文件。官方帮助文档也明确介绍了可以通过 /init 创建项目的 AGENTS.md。(OpenAI Help Center)

你可以把自己的长期要求写进去，例如：

# AGENTS.md

## 项目定位

这是一个金融数据分析与量化研究项目。

## 编程要求

- 使用 Python
- 优先使用 pandas / numpy / sklearn
- 保持代码模块化
- 函数必须有 docstring
- 避免重复代码
- 所有重要功能必须有测试

## 数据分析要求

- 注意时间序列数据不能发生未来数据泄露
- 训练集和测试集必须按照时间划分
- 回测必须考虑交易成本
- 不允许使用未来数据构造因子

## 输出要求

- 图表使用 matplotlib
- 结果表格结构清晰
- 关键结果给出解释
- README 使用中文

这样以后你每次让 Codex 修改项目，它都有一个长期记忆式的项目规范。

七、这时候你会发现一个很有意思的变化

以前你的工作方式可能是：

发现问题
 ↓
问 ChatGPT
 ↓
复制代码
 ↓
运行
 ↓
报错
 ↓
复制报错
 ↓
再问 ChatGPT
 ↓
修改
 ↓
重新运行

变成 Codex 后：

发现问题
 ↓
告诉 Codex
 ↓
Codex 查看项目
 ↓
修改代码
 ↓
运行
 ↓
发现错误
 ↓
自动修复
 ↓
再次测试
 ↓
完成

也就是说：

你从“程序员亲自搬砖”，变成了“研究人员指挥 AI 工程师”。

这才是 Codex 真正值得学习的地方。

八、而且你可以再往前一步

以后甚至可以把它做成：

“个人 AI 金融研究工作站”

                你
                │
                ↓
             Codex
                │
       ┌────────┼────────┐
       ↓        ↓        ↓
     数据     Python    文档
       │        │        │
       ↓        ↓        ↓
    股票数据   回测     研究报告
       │        │        │
       └────────┼────────┘
                ↓
             研究结论

进一步还可以加入：

• Jupyter
• GitHub
• 数据库
• 财务数据
• 机器学习
• LLM API
• 自动回测
• 自动生成研究报告

最后形成一套真正属于你的AI + 金融研究系统。

而且现在 Codex 已经不局限于单纯写代码，官方也在推动它完成研究、综合信息、自动化和报告等更完整的工作流。(OpenAI)

はじめに 3

ユースケース
- コードの理解 4
- リファクタリングおよびマイグレーショ"