本文来源于量化小论坛策略分享会板块精华帖，作者为PlumeSoft，发布于2026年3月18日。

以下为精华帖正文：

声明

最近几个月在疯狂使用AI，越用越有感慨。

打不过就加入，这个帖子是由我构思，ChatGPT主笔，NotebookLM出图，应该也算是原创吧。

前言

做量化久了，我越来越习惯用模型、参数、反馈和优化去理解世界。

刚开始，这只是一种职业病：

• 看到市场波动，我会先想到状态变量；

• 看到收益曲线，我会想到样本内外；

• 看到回撤，我会想到风险暴露和尾部惩罚；

• 看到策略突然失效，我第一反应往往不是情绪，而是怀疑：是不是分布漂移了，是不是市场结构变了，是不是alpha被挤掉了。

但时间久了以后，我慢慢发现，这种思维方式不只适用于市场。

它同样适用于机器学习，也适用于人类成长，甚至适用于我们自己是怎么被环境、制度、文化和奖励机制，一步一步训练成今天这个样子的，更准确地说，量化做久了以后，我越来越难把“成长”理解成一个浪漫化的词。

在我眼里，成长越来越像一个系统在复杂环境里的在线更新过程：

接收信息→形成判断→做出选择→接受反馈→修正参数→继续迭代

人是这样，AI是这样，交易系统也是这样。差别只在于载体不同，材料不同，反馈信号不同，但底层骨架，真的很像。

统一视角

我越来越觉得，人、AI、交易系统，本质上都在压缩经验。

如果把很多华丽的外壳剥掉，人、AI、交易系统都有一个共同结构：

输入信息—内部映射—输出决策—接受反馈—更新自身。

• 对人来说是：感知→判断→行动→反思

• 对AI来说是：输入数据→生成预测→计算损失→更新参数

• 对交易系统来说是：读取行情→计算特征→生成信号→执行下单→复盘归因

所以从这个角度看，我越来越倾向于把“聪明”理解成一种经验压缩能力。

所谓聪明，不一定是知道得更多，很多时候，只是能不能把过去看过的、做过的、亏过的、踩过的坑，压缩成一套未来还能继续调用的决策规则。

AI在做这件事，量化策略在做这件事，我自己也在做这件事。

所以如果让我用一句话概括三者的共同本质，我现在会这么说：

人、AI、交易系统，本质上都在把过去的经验压缩成未来可执行的决策规则。

这句话我现在越来越信。

真正决定我会长成什么样的是目标函数

只能说“都会学习”还不够，更关键的问题是：为什么大家都能学，最后却长成完全不同的东西？

我的答案是：真正决定路径的，不是学习能力，而是目标函数。

这在机器学习里几乎是常识。

• 你定义什么损失函数，模型就朝什么方向收敛；

• 你优化点击率，它就更会制造点击；

• 你优化停留时长，它就更会让人停下来；

• 你优化短期准确率，它可能牺牲泛化；

• 你优化某个局部指标，它就可能为了这个指标去扭曲整体表现。

模型本身并不知道什么叫“好”，它只是忠实地追随奖励。

量化交易也是一样，同样的数据，同样的框架，同样的算力，不同的人做出来的系统会完全不一样，原因并不神秘，往往只是因为大家优化的东西根本不同。

• 有人优化绝对收益，系统就高波动高回撤，但弹性极强；

• 有人优化夏普，系统就更平滑，但上限有限；

• 有人优化容量，很多“小而尖”的alpha要主动放弃；

• 有人优化低回撤，持仓和交易频率自然会趋于保守；

• 有人优化实盘可执行性，很多样本内好看的东西根本留不下来。

所谓风格，很多时候并不是什么玄学审美，而是目标函数长期塑造出来的结果。

我越来越觉得，人其实也一样。

• 有人长期主义，有人只看眼前兑现；

• 有人喜欢高收益高波动，有人只想稳一点；

• 有人重外部认可，有人重内在一致性；

• 有人愿意承担大回撤去搏跃迁，有人宁可慢，也要先保住本金、保住状态、保住继续参与游戏的资格。

这些差异，放在量化里叫风格，放在机器学习里叫目标函数，放在人身上，很多时候就被我们叫作价值观。

所以我现在越来越相信一句话：很多所谓“性格”，本质上是奖励函数写进灵魂之后留下的轨迹。

再说得更狠一点：一个人最后活成什么样，往往不是因为他想成为什么样，而是因为他长期奖励了自己什么。

量化最容易把我带偏的地方

量化最容易把我带偏的地方就是沉迷于优化“可优化的东西”，这里我想说一点更不那么好听，但我觉得很真实的反思。

做量化、做系统、做AI辅助开发，很容易上瘾。而最容易让我上瘾的，不一定是赚钱本身，而是“优化”这件事本身。

因为优化是有即时反馈的：

• 我改了一段代码，性能提升了；

• 我换了一个数据结构，内存降下来了；

• 我调整了一处处理流程，回测快了；

• 我加了缓存、用了共享内存、改了float精度、看了火焰图、把热点函数抠出来重写，一看指标立刻变漂亮。

这种快感太强了，说白了，代码性能、工程优雅、系统整洁、工具熟练，这些都属于可优化的东西，而可优化不等于最重要。

量化人最容易掉进一个坑：因为某个东西好优化、容易看到数字改善，就误以为它是主矛盾。

于是我会不知不觉沉迷于：

• CPU再降一点

• 内存再省一点

• 延迟再缩一点

• PR再漂亮一点

• 架构再优雅一点

• 工具链再先进一点

这些事情有没有价值？当然有，而且很有价值。

但问题在于，如果策略本身没edge，研究问题不对，假设不成立，执行约束没吃透，市场理解不够深，那么再漂亮的工程，也只是把一台错误的机器造得更精密而已。

说得难听一点：很多时候，我不是在做研究，而是在精装修自己的幻觉。

这句话我现在回头看自己，感受特别深。

因为“优化”这件事太容易给人一种错觉：好像我一直在变强，但实际上，我可能只是在一个错误方向上，越来越熟练。

所以我现在会提醒自己一句话：可量化的改进，不等于真正的进步；容易优化的指标，不等于真正重要的变量。

另一个更致命的坑：沉迷样本的漂亮结果

如果说代码性能优化是“工程师的幻觉”，那么样本内过拟合就是“研究员的幻觉”。

而且后者更危险，因为它不只是让我浪费时间，它还会给我希望。

样本内这件事最可怕的地方，不在于它会骗我一次，而在于它会一次又一次、用越来越漂亮的方式骗我。

只要我有：

• 足够大的参数空间

• 足够灵活的组合方式

• 足够多的因子

• 足够多的评价指标

• 足够强的计算资源

• 足够长的炼丹时间

系统最后大概率都会给我“找”出一些很好看的东西。

问题从来不在于它找不到，问题在于它太容易找到了。

回测这件事最危险的地方就在这：它会制造一种“我离真理越来越近”的错觉。但很多时候，我只是离样本内越来越近。

尤其是做高频、做微结构、做离线拟合的时候，这个坑会被放大得更加夸张。

纸面成交的世界太干净了：

• 没有真实竞争

• 没有排队损耗

• 没有信号泄漏

• 没有执行摩擦

• 没有实盘里那些回测看不见、但每天都在收税的细节

所以量化研究里最需要警惕的，从来不只是“不会优化”，而是“太会优化”。

因为不会优化，我最多做不出东西；太会优化，我会做出很多看起来很像东西的东西。

这几年我对这个坑最大的感受是：样本内最危险的，不是假，而是太像真。

再补一句我现在特别认同的话：过拟合不是模型学得太少，而是模型把不该记住的东西记得太牢。

而人也一样，很多执念、很多偏见、很多路径依赖，本质上也是一种人生层面的过拟合。

价值观可能就是我的损失函数

写到这里，我反而越来越理解“价值观”这个词了，以前总觉得这个词有点虚，但如果用系统和机器学习的语言去看，价值观其实一点都不虚。

我现在更愿意把它定义成：

价值观，就是我解释反馈、判断得失、决定未来往哪里更新的机制。

1. 对模型来说，这叫loss；

2. 对组织来说，这叫KPI；

3. 对策略来说，这叫评价字典；

4. 对人来说，我觉得它就叫价值观。

• 什么算成功？

• 什么算失败？

• 什么代价值得承受？

• 什么短期损失可以接受？

• 什么结果即使能拿到也不能要？

这些问题，表面上像伦理问题，底层其实都是目标函数问题。

• 为什么有人越来越稳，有人越来越急？

• 为什么有人能做长期复利，有人总是在追逐局部刺激？

• 为什么有人为了年化可以忍受很大波动，有人宁可年化低，也一定要回撤受控？

根上看，很多不是能力差异，而是评价体系不同。

从这个意义上说，价值观不是什么写在墙上的大词，它就是我如何解释世界反馈的底层算法。

所以我现在很喜欢一句更适合量化人理解的话：损失函数决定模型会学成什么样，价值观决定人会活成什么样。

系统不会自动变好，会朝被奖励方向收敛

这一点，不只适用于交易和AI，也适用于人类社会。

亚里士多德说，德性来自习惯，这句话换成现代系统语言，我的理解就是：一个人不是先有某种固定本质，再去做某种事；而是在反复做某种事、接受某种反馈之后，参数逐渐收敛，最终变成某种稳定结构。

历史也是这样。很多制度改变社会，不是因为人性突然高尚了，而是因为激励结构变了。

考核变了，组织行为就变了；产权变了，创新意愿就变了；市场微结构变了，alpha也就衰减了。

所以我越来越觉得，有一句话值得反复提醒自己：系统不会自动朝“更好”演化，它只会朝“被奖励的方向”演化。

这句话对量化人尤其残酷，因为量化人最擅长的，就是构造优化器，而一个人一旦既会写优化器，又缺少对目标函数的反思，走偏的速度会非常快。

说到底：强大的优化能力，本身不是祝福；只有目标对了，它才是祝福。

AI最像镜子的地方

AI最像镜子的地方，不是它像人，而是它会放大我，我现在不太喜欢把AI简单叫“工具”。

锤子是工具，编辑器是工具，计算器是工具。但今天的大模型已经开始不只是替我省力，而是在放大我的认知过程本身。

它会放大：信息处理速度；语言组织能力；方案生成速度；编码与迭代效率；检索、归纳、设计、表达能力。

所以 AI 最值得警惕、也最值得兴奋的地方，不是“它会不会取代我”，而是：它会把我的目标函数放大。

• 目标清晰的时候，它是加速器。

• 结构化能力强的时候，它是杠杆。

• 长期主义稳定的时候，它是复利机器。

但反过来也是一样：

• 目标混乱的时候，它会更快地产出噪声；

• 沉迷局部指标的时候，它会更高效地过拟合；

• 只盯着代码快感的时候，它会更快把错误的问题做得极其漂亮。

所以我现在特别喜欢一句非常量化、也非常残酷的话：错误的目标函数+更强的优化器=更快的灾难。

这句话既适用于AI，也适用于我自己。

碳基和硅基真正的差别

我越来越怀疑：碳基和硅基真正的差别，也许不在智能，而在“谁能反过来修改自己的目标函数”

如果继续往下想，这个问题就会变得很大，如果AI也能学习、建模、更新、迁移，甚至形成稳定偏好，那我和AI的真正差别还剩下什么？

我现在越来越觉得，差别可能不主要在“会不会思考”，因为思考、优化、建模，本身未必是人类独有的，真正更深的差别，也许在这里：

AI的目标大多还是外部设定的，而我至少有机会反过来怀疑并修改自己的目标函数。

当然，我也并不天然自由。我一样会被环境训练，被制度塑形，被文化奖励，被时代牵引，从这个角度看，我也不过是一个被反馈机制不断雕刻出来的系统。

但我至少还有一种可能性：在某个时刻停下来，回头看一眼，问自己：

• 我一直在追的这个东西，真的值得吗？

• 我是不是把“容易优化”误当成了“真正重要”？

• 我是不是把局部最优误当成了全局最优？

• 我是不是为了样本内的漂亮，牺牲了长期真实的可存活性？

在我看来，这种能力也许才是人最珍贵的地方。不是只会学习，不是只会变强，而是还能反过来问：

我为什么要优化这个目标？这可能才是真正的分水岭。

结语

回头看我自己，我最该警惕的，也许不是变慢，而是优化错了方向

量化最终训练我的，可能不只是赚钱能力，也不只是建模能力。

它真正训练我的，可能是一种更冷酷、但也更诚实的世界观：

• 承认噪声

• 承认不确定性

• 承认没有圣杯

• 承认一切漂亮结果都要经过真实世界结算

• 承认系统并不会自动变好，只会朝奖励方向收敛

• 承认最大的风险，往往不是不努力，而是努力优化错了东西

回头看我自己过去做过的很多事，其实很典型：

• 一边沉迷于代码性能优化，沉迷于把系统做得更快、更省、更优雅；

• 一边也沉迷于样本内那些好看的曲线、好看的分数、好看的纸面表现。

后来我才慢慢意识到，这两种沉迷表面上一个偏工程、一个偏研究，底层其实是同一种东西：

它们都在奖励我去优化“眼前可见的指标”，而不是“长期真实有效的能力”。

而一个量化人真正成熟，可能就从承认这一点开始，不是不会优化，恰恰相反，是太会优化了以后，终于开始警惕优化本身。

再往前走一步，我甚至会觉得也许人这一生最大的难题，不是算力不够，不是信息不够，不是工具不够；而是我们常常在一个错的目标函数上，投入了过于强大的优化能力。

市场里是这样，研究里是这样，做系统是这样，做人可能也是这样。

所以到最后，问题从来不只是“我怎样才能更强”，而是：我准备沿着什么样的奖励机制，把自己训练成什么样的人。

如果哪一天，AI也开始认真回答这个问题，那我和它真正的差别，可能就只剩最后一点了，它会不会像我一样，在优化到一半的时候，突然停下来，怀疑自己整个目标函数是不是设错了。

而如果连这一步它也会了，那接下来真正值得害怕的，可能就不是AI比我聪明，而是它比我更早看穿：绝大多数系统最后的失败，不是因为不够努力，而是因为从一开始，就奖励错了东西。