匿名：AI量化最大的谎言

作者：量化投资与机器学习

题图：量化投资与机器学习 微信公众号

在本专栏中，QIML会与那些具有海外背景，又深根国内量化事业的佼佼者面对面交谈，聚焦当下大家关注的前沿热门话题，给全网读者带来不一样的量化视角。

本期嘉宾介绍

本文受访者为一位有二十余年中美量化从业经历、物理背景出身、曾管理高频交易团队的资深从业者，应本人要求匿名。

一、AI进入量化：从工具到研究伙伴

如果要定义 AI 在量化工作中的角色，我会说它正在从“助手”变成“工程级协作者”——只是这个协作者需要一个很强的人来带。

最直观的体现是：过去从“我有个想法”到“我知道这个想法行不行”，中间那段又脏又慢的活——清数据、写回测、搭框架、跑归因、做可视化——现在很大一部分可以交给它，而且质量不差。它能写、能调、能把一个粗糙的思路落成可运行的实现。

但有一条界线一直很清楚：能交给它的，是执行；不能交给它的，是判断。具体说，数据处理、代码实现、把已经想清楚的东西做出来，可以放手；但“该验哪个假设”“这个漂亮的结果是真的还是运气”“这条路要不要走下去”，这些必须是人。AI 很擅长把事做出来，不擅长判断这件事该不该做、做出来的东西可不可信。所以我们团队里，人的角色在往上走——从“做研究”变成“决定研究什么、以及判断研究的结果能不能信”。

如果你问“是不是每家都已经把 AI 织进了整个研究流程”，答案是否定的——大量应用仍停留在局部提效，某个环节用一下，零敲碎打。真正把工作流围绕 AI 重新组织的，还是少数。

但如果你问“这是不是一场范式变化”，我认为是，而且已经越过了“要不要”的阶段。原因很简单：当验证一个想法的成本被压到接近零，你能做的事、你团队的组织方式，会被迫改变——这不是提速，是换了一种做事的方式。所以我的看法是：它现在还是加分项，但正在很快地变成必备项。一家完全不用它的机构，今天不会突然出问题，但会像一个还在用手抄账的账房，在一个已经用上计算器的行业里，一年一年地悄悄掉队。

二、AI正在如何改变量化工作流？

目前AI渗透最深的，是研究的“前半段”——从想法到验证。

数据清洗、特征构造、回测搭建、结果归因、快速原型，这些环节现在改变最彻底，也最成熟：它们本来就吃时间但不吃天才，正是 AI 的甜区。

短板在“后半段”——判断和承担。一个结果出来了，它到底能不能信、要不要真的拿钱去做、错了谁负责——这些 AI 帮不上，甚至越复杂的 AI 越容易在这里制造出“看着很有道理、其实是幻觉”的东西。

所以一个健康的分工是：让 AI 把研究的成本降下来，让人把研究的下限守住。你可以让它跑一百个想法，但那一百个里哪个是真的，以及把假的挡在实盘之外，这个闸门，必须是人。

我们内部有一句近乎铁律的话：AI 说它发现了规律，这句话本身信息量为零，真正的工作从这句话之后才开始。

模型很擅长在历史里找到“解释得通”的模式，但“解释得通”和“未来还成立”是两件事。所以我们不问它找到了什么，我们问三件事：

第一，它敢不敢被证伪。一个真正的规律，你能说清楚它在什么条件下会失效。如果一个信号怎么解释都对、涨也能圆跌也能圆，那它不是规律，是叙事。我们会专门派一组力量（现在越来越多是另一个 AI）去反向攻击这个发现，目标不是证明它对，是拼命证明它错；攻不破的，才留下。默认立场是“它是偶然”，举证责任在这个发现身上。

第二，它在样本外、在它没见过的市场环境里还成不成立。回测好是入场券，不是结论。我们更看重把时间切开、按市场状态（牛熊、高低波动、拥挤与否）分层去看它稳不稳，以及最坏的那几段路径长什么样——均值好没用，得看它在最差的环境里会不会把你打穿。

第三，也是最容易被 AI 结果误导的地方——多重比较。你让机器搜一万个组合，里面必然有几个纯靠运气“漂亮”的。人最容易犯的错，是看到那个漂亮的就兴奋，忘了它是从一万个里挑出来的。所以我们对“AI 挑出来的最优”天然警惕：它越漂亮，越要问它是从多大的搜索空间里幸存下来的。

一句话：我们不信 AI 的发现，我们信一套能让 AI 的发现活下来的、严苛到近乎刻薄的验伪流程。一个肯对自己说“这条我判不了”的团队，它说“这条能用”的时候，才可信。

三、AI是否正在成为下一代量化研究助手？

我可以给一个我亲身经历的观察：在我自己的实践里，一个人借助 AI，已经能推进过去需要一个中型团队才能完成的研究工作量。一个人同时带着几个 AI 助手，一个在跑数据、一个在写实现、一个在反向验证，人在中间做的，恰恰就是你说的那三件事——提对的问题、设计怎么验、判断结果能不能信。

我说这个不是想说个人有多强，恰恰相反，它说明产出的瓶颈正在从“你雇得起多少人”转移到别处。研究员的角色确实在从“执行大量任务”，变成“提出好问题、设计好实验、并且守住评估这道闸”。

障碍主要有两个。一个是判断力不像执行力那样能被 AI 放大——你能让 AI 替你跑一百个实验，但你没法让 AI 替你培养出“一眼看出这个漂亮结果是假的”的直觉，那个还得靠人长年累月养。另一个是人容易被淹没：当你能验一百个想法，怎么不在一百个验证结果里迷失、怎么还能保持判断的锋利，这本身成了新的挑战。工具解决了“做得快”，没解决“想得清”。

AI 最大的价值，恰恰不在那些光鲜的新东西上，而在那些行业忍了很多年的旧痛点上。两个例子：

一个是“人的带宽一直是研究的隐形天花板”。过去一个团队一年能认真验证的假设数量，被人的手速死死卡住——不是因为想法不够，是因为把每个想法验完的活太多太慢。AI 把这段压缩了。这带来的不是“研究变简单了”，而是你敢想的假设数量，从被手速限制，变成被判断力限制。这是很不一样的：以前是“我只能验这几个，选哪个”，现在是“我能验很多个，难的变成怎么问出好问题、怎么不被结果淹没”。

另一个更老的痛，是“知识留不住、复盘不闭环”。量化团队里，一个人踩过的坑、为什么放弃某条路，往往随他离开就带走了，下一个人换个马甲把同样的错再犯一遍。这行有句自嘲叫“每一代人重新发明一次同样的轮子”。AI 在这里的作用被低估——它能把这些散落的判断、这些“当时为什么否掉它”沉淀下来、随时可查。过去我们靠老人的记忆，现在开始能靠可追溯的账本。

所以是效率还是生产方式？我的答案是：当效率提升到某个量级，它就变成了生产方式的改变。当验证一个假设的成本降到接近零，你研究的方式、组织的方式、甚至你该雇什么样的人，都会跟着变——你不再需要一屋子人干又脏又慢的活，你需要少数几个会提问、会判断、能驾驭一群 AI 的人。

四、AI时代，量化公司的竞争优势是否会改变？

我给一个可能有点反直觉、但我亲身经历的观察：在我自己的实践里，一个人借助 AI，已经能完成过去需要一个二三十人团队才能推进的研究工作量。

我说这个不是想说个人有多强，而是想说明：产出的瓶颈，正在从“你雇得起多少人”转移到别的地方。过去大机构的护城河，很大一部分是“人多”——有人清数据、有人写回测、有人搭系统。这些活现在很多可以压给 AI，于是“人头规模”这道墙，第一次开始松动。

但我要非常诚实地补一句，免得话说得太满：AI 顶掉的，是那些又脏又慢、但不需要天才的活；它没顶掉的，是判断力。一个人能驾驭一群 AI 做二三十个人的事，前提是这个人得会提对的问题、会一眼看出哪个漂亮结果是假的、能对自己的东西保持足够的不信任。AI 把执行的成本降到接近零，于是判断力的价值被放大了，而不是被取代了。

所以壁垒在往哪走？

我认为在从规模，转向人机协作的效率、以及背后那个人的判断质量。这不意味着大机构会输——它们如果转得快，规模反而是放大器；但它确实意味着，一个想清楚了、又会用 AI 的小团队，第一次有机会在研究能力上，和一个反应慢的大机构正面掰手腕。至于完全不用 AI 的机构会怎样——它不会突然死掉，但会像一个还在用手抄账的账房，在一个已经用上计算器的行业里，一年一年地悄悄掉队。

AI 的持续发展，让那些可被清晰定义、可被重复的执行类工作逐渐减少：标准化的数据处理、常规的回测编写、模板化的实现。不是这些工作不重要，是它们越来越不需要占用一个人的全部时间。

而变得更重要的，是三样很难被自动化的东西：提问的能力（在无穷多可以做的事里，知道哪个值得做）；判断的能力（在一堆看着都不错的结果里，知道哪个是真的）；以及承担的能力（拿真金白银去下注、错了自己扛）。

所以未来最核心的竞争力，我认为不是“会用多少工具”，而是在一个执行几乎免费的世界里，你的判断有多值钱。当所有人都能让 AI 帮自己跑实验，区别就不在谁跑得多，而在谁问得准、谁看得真、谁扛得住。工具会拉平很多东西，但拉不平判断力——它反而把判断力的差距放大了。

五、AI量化的边界与风险

有一类反复让人失望的方向，是“模型越复杂越好”的执念——用越来越大、越来越黑箱的模型去拟合价格，期待复杂度本身能变出Alpha。实盘反复证明：在信噪比极低、且对手也在进化的市场里，复杂度带来的往往不是更强的预测，是更精致的过拟合。

最大的认知误区，我认为是把“预测得准”当成了终点。很多人默认只要预测更准，钱就来了。但从“预测”到“赚钱”中间隔着交易成本、容量、拥挤、执行、风险——一个预测得稍准、但便宜稳健的东西，常常打败一个预测得很准、却脆弱昂贵的东西。盲目追捧的，是模型的聪明；真正稀缺的，是整条链路的皮实。

很多人认为大模型能力提升，AI 量化能力会自然提升。但从实盘看：AI 量化真正的瓶颈，从来不是模型能力，是别的东西。

先说瓶颈

“大模型越强，AI 量化越强”是最大的误区。因为市场不是一个等你解题的静态题库，它是一个所有人同时在解、而且解法会反过来改变题目的对抗系统。你用更强的模型找到一个信号，别人用同样强的模型、同样的公开数据，大概率也能找到——然后这个信号就被交易没了。所以在同质的模型和数据上，更强的算力买不到更持久的Alpha，它只是让所有人更快地把彼此的边际收益卷平。瓶颈不在模型，在你有没有别人没有的东西：独特的数据、独特的视角、独特的执行，或者独特的、别人还没走过的验证纪律。

再说拥挤

这正是上面的直接后果。当越来越多机构用相似的模型和数据，策略拥挤不是“会不会”，是“正在发生”。它的危险在于：平时你看不见拥挤，大家都赚钱，岁月静好；直到某天市场一转，所有拿着相似仓位的人同时想出门，踩踏就发生了——你以为你分散了风险，其实你和一大群人下的是同一注。所以我们越来越在意“我这个信号有多少人也在用”，而不只是“它历史上赚多少”。

最后说过拟合，最老、也最致命，而 AI 让它更隐蔽

传统的过拟合你还看得见——参数太多、样本太少。但复杂 AI 模型的过拟合更狡猾：它能拟合出一条极其漂亮、极其“讲得通”的历史曲线，漂亮到让你舍不得怀疑它。传统验证体系够不够？我的回答是：方法论没过时，但纪律必须更狠。具体说：严格的、按市场状态聚类的样本外测试；对“从大搜索空间里幸存下来的最优结果”保持敌意；宁可要一个简单、你能讲清楚它为什么成立的模型，也不要一个复杂、只能靠“回测很好”来说服你的黑箱。

我常跟团队说一句：回测好是最不值钱的东西，因为它太容易被制造出来了。真正值钱的，是这个策略在你完全没优化过、它也无从作弊的那段时间和那种环境里，还站得住。判别一个 AI 量化团队成不成熟，不看它的模型多先进，看它对自己的结果有多不信任。

六、当下AI量化的落地启示与行业现状

目前，在各类团队在布局 AI、落地 AI 投研体系时，最容易被忽视的，不是模型，是数据和验证的地基。

很多团队一上来就追最新的模型，却在数据质量、口径一致、以及“回测和实盘是不是同一套逻辑”这些不性感的地方留着大窟窿。结果是模型越先进，越把地基里的脏东西放大——一条被污染的数据、一个回测和实盘不一致的口径，可以悄悄毒害几个月的信号，直到做归因时才暴露。

第二个隐形风险，是用 AI 的效率，喂养了人的懒惰。当验证变得太便宜，人容易滑向“多试试呗”的心态，少了过去那种“我必须先想清楚才敢动手”的敬畏。搜索空间一旦无限放大，而验证纪律没有同步收紧，你收获的不是更多Alpha，是更多披着漂亮回测外衣的假货。

如果传统量化团队转型 AI 量化，我会说：先改“从想法到验证”这一段，而不是先去追最炫的模型。

原因很实际。这一段是每个团队每天都在重复、又最吃时间的地方，把它的成本降下来，收益立竿见影、而且天天复利——你验证假设的速度可能翻好几倍，这个提升当天就能感觉到。相比之下，一上来就上复杂模型，风险高、周期长、还容易掉进过拟合的坑。

更深一层的原因是：先把执行的成本降下来，人才能腾出手去做那件真正稀缺的事——判断。你把研究员从又脏又慢的活里解放出来，他才有精力去提好问题、去守验证的闸。所以性价比最高的改造，表面上是提效，本质上是把人从执行推向判断——而判断，才是这个行业在 AI 时代真正的护城河。