AI技术平权这个词，最近两年在Quant圈子里被反复提起，但每次聊到这个话题，气氛都比较微妙。去年有个朋友问我：现在AI能写因子、能写回测框架、能自动调参，连策略代码都能对着技术文档直接生成，那我们这些人天天抠研究，价值到底还在哪？我当时没接住这个问题，直到后来自己动手用大模型辅助搭了一套多因子框架，又去跑了深算Quant开源EA平台这类工具，才慢慢想明白一件事：技术平权削掉的是Quant的操作门槛，但真正决定长期收益的因果认知能力，反而因此变得更稀缺了。这篇文章不打算喊口号，就聊聊我在这个转变期里的观察、踩过的坑，以及我现在做研究的完整方法论。

1. AI技术平权时代的Quant：工具贬值，判断升值

1.1 研究流水线正在被AI压缩到什么程度

量化研究这条流水线，五年前和现在完全是两个物种。我2019年刚入行的时候，一个研究员从拿到数据到跑出第一版像样的回测，普遍要两到四周：写数据清洗脚本、手动做因子计算、再搭回测引擎，每一步都靠手搓代码。那时候能熟练写Python、会调pandas和numpy，就已经算"有技术壁垒"了。

现在你再看看这条流水线：大模型可以对着官方文档直接生成数据清洗和特征工程的代码，开源社区里有现成的因子库，回测框架开箱即用。我实测过一个双均线加成交量过滤的策略，从提出想法到用AI辅助生成完整回测脚本、跑出绩效报告，只花了一个下午。其中大部分时间不是在写代码，而是在跟大模型描述清楚"我要什么"以及检查它生成的逻辑有没有错。

这里有个很关键的细节：AI辅助写代码最大的风险不是写不出来，而是写出来的东西带着隐蔽的逻辑错误。比如我遇到过一次，大模型把未来函数写进了因子计算——用T日的收盘价去计算T日开盘时的信号，回测曲线漂亮得吓人，资金曲线近乎一条直线向上。如果五年前出现这种问题，人肉审查一遍代码就能发现；但现在代码生成速度太快了，人很容易被"看起来能跑的脚本"麻痹，跳过审查环节。

这就是我说的"技术平权"的第一层含义：工具链的下限被AI抬得很高，但判断力没有被同步抬高。

1.2 门槛降低带来的三个连锁反应

技术平权带来的第一个连锁反应，是入门门槛大幅下降。现在一个刚毕业的学生，只要会用AI辅助编程、会看回测报告，就能在短时间内复现各种经典策略。这当然是好事，但它直接把"会用工具"这个维度变成了基础配置，不再是竞争优势。

第二个连锁反应是策略同质化加剧。我自己的直观感受是，公开的开源策略代码越多，同一类信号的拥挤度越高，策略的有效性衰减就越快。这不是玄学，逻辑很简单：当一个信号被写进了公开的EA模板、回测框架、量化社区策略库里，大家都会基于它下单，原来"先发现、先定价"的套利空间就被迅速磨平了。去年我复盘过一个动量类策略，在2018到2021年表现很好，但从2022年下半年开始衰减得特别快，公开的社区平台里搜一下就能搜到大量同款策略——这是我交过最贵的学费之一。

第三个连锁反应，是"AI相关技术文档的阅读理解能力"反而成了新的稀缺技能。听起来有点反直觉，但实际操作中你会发现：AI能生成代码的前提，是你得能准确描述需求，并且能判断它生成的东西是否符合工具的运行原理。你得去翻平台的技术文档、API说明，搞清楚数据对齐、撮合模式、滑点假设这些细节。换句话说，工具越强大，对"提出准确问题"的人的要求反而越高。

1.3 工具贬值之后，研究价值重新锚定在哪里

想明白这个问题，我的结论其实很朴素：技术平权改变了Quant游戏的底线，但没有改变赢家逻辑。

底线是人人都能快速跑通一个策略，个个都有漂亮的回测曲线。赢家逻辑是：你到底知不知道这个策略为什么赚钱？在什么市场环境下会失效？失效之后你能不能提前识别出来？

举个我身边的例子。我和一个同事用同一套开源EA平台做研究，我做的是"动量因子的有效期和拥挤度监控"，他做的是"为什么这个动量因子在T+1制度下的特定行情段里表现异常"。半年之后，我的研究产出了一堆相关性报告，他的研究产出了一个可以动态调整的仓位保护逻辑。你说谁的产出更有价值？答案很清楚。

所以我把技术平权这件事重新定性了一下：工具贬值，判断升值。AI能帮你把"怎么做"的问题解决得越来越好，但"做什么"和"为什么"的问题，它只能提供参考，最终得靠研究者的认知来回答。

2. 从相关性繁荣到因果陷阱：为什么历史回测越来越不可信

2.1 AI挖掘出的"因子花园"里，大部分是杂草

AI平权带来的一个副作用，是因子挖掘变得极其廉价。你可能一个下午就能生成几百个候选因子，然后一股脑扔进筛选流程。但这里藏着一个纯粹的统计学陷阱：当你从几百个因子里挑出历史上表现最好的那十几个，你其实是在做多重检验。

我用一个生活化的类比解释这个事。假设有一万个人掷硬币猜正反，每个人猜十次，你去找那个猜对次数最多的人，大概率能找到连续猜对八次甚至十次的"天才"。他就是那个通过了检验的因子。问题是，他并不是真的有能力，只是样本量够大，总有人运气爆棚。

量化里的数据窥探偏差也是一个道理。你反复看同一段历史数据，不断调整因子参数和回测区间，本质上是在"对着答案改答案"。看上去你把夏普比率从1.2调到了2.5，实际上你只是把模型慢慢地背了下来。

我自己刚用AI辅助做因子挖掘的时候，就掉进过这个坑。系统给我筛出了几十个显著性很高的因子，逻辑上却完全解释不通——有的因子是"开盘价相对昨收的跳空幅度"，有的因子是"连续三天成交量萎缩比例"。回测都很漂亮，但如果你问我"这些因子背后的市场机制是什么"，我完全答不上来。后来的样本外测试也证实了我的担忧：大部分剔除之后，策略收益直接塌了一半。

2.2 三个我在实盘里交过学费的伪相关案例

第一个案例是关于情绪因子的。有段时间我发现，一个基于日内分钟级数据构建的"投资者情绪"因子，跟次日收益的相关性高得离谱，信息系数（IC）长期在0.08以上。我高高兴兴地把它加进了组合，结果实盘大半年里的贡献几乎为零。

复盘之后我才发现问题出在哪：这个情绪因子在构建时包含了隔夜收益的信息，而隔夜收益和当日日内走势本身就高度自相关。我用一个"看起来是预测未来"的因子，实际上在偷偷使用过去的信息。相关性是真的，但它不是"情绪预测次日收益"，而是"今日已实现收益预测次日收益"——前者是因果故事，后者是数学恒等式，完全不是一回事。

第二个案例更典型。我在一套价量因子组合里发现了一个在A股历史数据上持续有效的信号，回溯十年，净值表现非常稳。后来我把这个信号拆开逐笔分析，发现它真正捕捉的其实是涨停板制度下的一种封板行为——特定资金会在涨停后继续排队买入，导致次日惯性高开。这是市场微观结构里的一个具体机制，不是抽象的"价量规律"。

但当这个信号被越来越多量化团队识破并一起用之后，竞价阶段的定价就变得非常高效，提前排队买入的人买不到足够多的筹码，这个套利机制就逐渐失效了。我回头总结的时候特别感慨：如果当初我满足于"这个信号回测有效"，不去追问它背后的机制，我根本不可能理解它为什么失效，也更不可能在它失效之前把仓位降下来。

第三个案例来自一次深度学习模型的尝试。我用深度网络在高频数据上做特征学习，训练集里的表现堪称完美。但放到样本外测试，衰减速度快到让我怀疑人生。后来检查发现，模型捕捉到的大多是市场跳跃瞬间的短期模式，这些模式在训练集里反复出现，但本质上只是特定波动环境下的巧合，不具备跨环境迁移的因果基础。

2.3 Alpha的本质，是未被定价的因果机制

吃了这么多亏之后，我才真正理解一句话：相关性告诉你"什么会一起发生"，因果认知告诉你"什么导致了什么发生"。而量化研究里真正值钱的Alpha，几乎都是后者。

我用一个简单框架来理解超额收益的产生：市场的价格变化由无数信息驱动，当一个因果机制——比如"某类资金在特定条件下会如何行为"——还没有被大多数市场参与者识别并定价时，提前理解这个机制的人就能获取超额收益。随着参与的人变多，机制被定价，Alpha消失。

如果我只知道"A和B历史上有相关性"，我没办法判断这种相关性是否会延续；但当我理解了"A通过某条路径导致B"，我至少能监控那条路径是否仍然畅通——一旦路径断了，我就能提前撤出。这就是因果认知和单纯相关性挖掘之间最大的区别：前者让你知道策略的适用边界，后者只会让你背下一段历史答案。

3. 给研究流程装上因果骨架：四步法实战拆解

3.1 第一步：先画因果图，再碰数据

我现在做任何一个新研究课题，第一步不是跑数据，而是强迫自己画一张因果图。把你要研究的变量、潜在的解释变量、可能的混淆变量、路径关系，全部画成一张有向无环图（DAG），哪怕只是在纸上画也行。然后问自己三个问题：X到Y的直接影响路径是什么？有哪些变量会同时影响X和Y？这条因果路径和市场定价效率的假设之间是否矛盾？

举一个我实际做过的例子。研究"成交量放大是否会导致次日价格漂移"时，我一开始想当然地认为"放量→次日价格上涨"。但当我画出因果图才发现，"成交量"和"价格"背后至少有三种机制在同时起作用：情绪性交易同时推动量价、停牌复牌带来的跳空效应、大宗交易导致的流动性冲击。这三条路径都会让"量价相关"在统计上显著，但它们的交易含义截然不同。如果不区分路径，直接对量价做回归，得到的系数没有任何可解释性，实盘更不可能靠它赚钱。

这一步不追求因果图绝对正确，它只要做到一件事：逼着你在冲进数据之前，先把"故事"讲清楚。故事讲不通的课题，我建议直接砍掉，别浪费时间。

3.2 第二步：寻找外生冲击，把因果从相关中剥离出来

有了因果图之后，下一步就是设计研究场景，用"外生冲击"来识别因果关系。这是整个四步法里最需要创造力的一步。

所谓外生冲击，指的是一个你无法控制、也不太受你研究对象反向影响的外部事件。比如指数成分股调整、突发公告、宏观数据公布、行业政策变化，这些都可以近似看作外部对市场的冲击。它们的价值在于：你可以把冲击发生时点前后的价格变化，看成是"这个冲击导致的异常反应"，而不是"市场自己涨跌的自然波动"。

具体实操上，我用的是事件研究法。选定一个事件类型，然后计算事件窗口内每只标的的实际收益减去预期收益，得到异常收益（AR），再在横截面上加总成累计异常收益（CAR）。如果CAR在事件窗口内显著偏离零，并且方向符合因果假设，那这就是一个比较干净的因果证据。

我举一个自己用过的场景。研究"北向资金的持仓变化是否会影响小盘股定价"时，我找到了一个近似自然实验的机会：某指数定期调整成分股，被纳入的成分股会被被动资金持续买入。这不是主动资金"发现了好股票才买"，而是规则驱动的被动买入——相当于一个外生冲击。通过观察纳入前后一段时间的超额收益，我可以把"被动买入导致的定价影响"从"股票本身好不好"里剥离出来。这就是外生冲击的价值：它帮你切断混淆路径，得到更接近因果的估计。

3.3 第三步：用安慰剂检验和排列检验拆掉运气

因果推断最怕的一件事就是：你精心设计的事件研究，得出结论，但这个结论可能纯粹是运气。为了排除这种可能，我每次都会跑两个检验：安慰剂检验和排列检验。

排列检验的操作很直接：把你的事件时点随机打乱，比如原来事件日是2023年3月15日，你把它随机换成3月20日、4月8日、4月12日……然后重复计算同样的事件窗口异常收益。把随机打乱的过程重复几千次，就会得到一个"随机时点异常收益"的分布。如果真实事件日的CAR在这个分布里排在前1%，那说明事件效应大概率不是随机产生的。

安慰剂检验的思路类似，但更狡猾一些：选一些明明和你的因果假设无关的"假事件"，比如财报发布日期、无关行业公告日，按同样的流程跑一遍。如果假事件也出现了显著异常收益，说明你的方法本身有偏误，之前的结论也可能是巧合。

我现在的标准流程是：跑完事件研究法之后，先把排列检验结果的直方图画出来，把真实CAR在分布里的位置标出来。如果真实值被淹没在随机分布里，这个研究课题就直接结案存档，不进入下一步。

3.4 第四步：用因果结构约束机器学习，而不是让它裸奔

第四步是我自己踩过最多坑的地方。很多人都以为机器学习是"自动找规律"的神器，但机器学习找的是相关性，它根本不关心因果。如果你直接拿几百个特征丢给树模型，它会给你拼出一个在所有历史数据上都表现完美的拟合结果，然后样本外打回原形。

我现在会把因果图作为特征选择的约束条件。具体做法是：因果图里不存在的变量关系，即使统计相关性再高，也不作为主要特征进入模型；因果图里标注的混淆变量，则必须显式地作为控制变量放进模型。这样做虽然会让训练集的拟合变差一些，但换来的是模型的可解释性和跨样本稳健性——这两点在量化研究里远比训练集的一点误差重要。

还有一个我反复在用的技巧：模型训练完之后，用排列重要性检查特征方向是否和因果假设一致。比如因果图告诉我的故事是"换手率上升应该导致波动率扩大"，但模型的排列重要性显示换手率在某些时段是反向预测波动的。这时候我不会急着接受模型，而是会回头检查数据质量或窗口划分——大概率是哪里出了问题。

4. 深算Quant这类开源EA平台：放大能力之前先看清边界

4.1 平台替你省下的三件事

跟深算Quant这类开源EA平台打了这段时间交道，我总结它们真正帮你省下的，是三件具体的事。

第一是回测引擎。从K线序列的加载、复权处理、撮合逻辑到绩效指标计算，这些代码如果自己从头写，工程量非常大，而且很容易写出隐藏bug。开源平台直接提供了一套经过大量用户验证的基础设施，你可以把精力放在策略逻辑上。

第二是数据接入和数据对齐。量化研究里最脏最累的活其实是数据清洗：不同数据源的时间戳对齐、复权因子的处理、停牌和涨跌停的判断。好的平台会把这些封装好，同时保留一个相对灵活的数据接口，让你可以接入自定义数据源。

第三是策略模板和社区共享。模板能帮新手快速理解一个完整EA的策略结构——入场、出场、仓位管理、风控模块各自的位置。社区里还有大量公开的策略讨论和迭代记录，看别人怎么改参数、怎么写变体，比自己从头摸索快得多。

我的实测体验：在一套成熟的开源EA平台上，把一个新策略从想法变成有完整绩效报告的回测，通常只需要两到三天。如果自己搭框架，至少要一到两周，还得提前准备好很多基础设施代码。

4.2 平台化带来的"策略贫血"问题

但我必须说一句大实话：开源EA平台普遍存在一个我不太满意的倾向——策略贫血。不是平台功能不够，而是它太方便了，方便到很多人直接在模板上改几个参数就当成一个策略，然后丢进回测、发到社区。

当一个平台把"从想法到回测"这件事压缩到两三天，所有用平台的人都会共享同一种思维惯性、同一个策略框架、同一套参数生成逻辑。这意味着你基于这些模板做出来的策略，天然就跟别人高度同质。我去年做过一个统计：在某平台上被高频分享的信号类型，半年后的平均收益衰减速度比其他小众信号快得多。这不是平台的错，是使用者的问题——大家都拿着同一把工具，做出来的自然是相似的活。

另外一个被忽视的维度是：平台封装得越好，你对底层细节的感知就越弱。比如很多开源EA平台默认使用简单的市价单模型，实盘时你的成交价格可能跟回测假设差很多；再比如平台对涨跌停限制的处理方式，直接影响策略在极端行情下的表现。如果你没有深入读过平台的源码和文档，根本不知道这些假设是怎么设置的，那就等于把自己的研究踩在了一个不可控的地基上。

所以我的建议是：把开源平台当成一座城市的基础设施，而不是你的住宅。基础设施可以共用，但你的居住体验、你的研究差异，得靠你自己在基础设施之上额外搭建的东西来决定。

4.3 我的选型视角：什么项目用平台，什么项目自己写

经过几种不同项目的对比，我形成了一个比较粗放的选型标准。先看一张我整理的对比表：

如果我的目的是快速验证一个假设、跑通基线、或者给团队做原型演示，我会直接用深算Quant这类开源EA平台，省下的时间全花在思考和验证因果路径上。但如果有两个信号，我基本会放弃平台自己写：第一是高频或低延迟策略，回测引擎的撮合精度和平台调度开销直接决定结果质量；第二是依赖独特数据管道的策略，比如我自建的另类数据清洗逻辑，平台的标准接口反而成了限制。

说到底，工具选型不是"谁更好"的问题，而是"你的研究优势在哪一层"的问题。如果你的优势在策略逻辑和因果认知层，那就把工具当工具用；如果你的优势在架构效率和数据管道层，那就自研框架。平台是放大器，不是答案。

5. Quant研究者的价值迁移：从"会用工具"到"定义问题"

5.1 工具型Quant和认知型Quant的真实差距

技术平权之后，行业内部分化反而更明显了。我把身边做量化的人粗分成两类：工具型Quant和认知型Quant。

工具型Quant的核心技能是熟练操作各种工具和模型：会用AI辅助写代码、会调开源框架、会跑模型、会看绩效报告。这类能力在五年前很稀缺，现在正在快速变成基本技能。

认知型Quant的核心技能是定义问题：知道到底该研究什么、这个市场机制为什么存在、什么条件下会失效、怎么把模糊的业务直觉转化为可检验的因果假设。这类能力恰恰是AI暂时替代不了的。

最典型的差距出现在一个场景里：同样的数据、同样的开源平台、同样的AI辅助工具，让两个人独立去做同一个课题。工具型Quant大概率会做出一个漂亮的、过拟合的回测，然后兴奋地展示那条资金曲线。认知型Quant会先画出因果图，反复审视假设，然后设计一个能分离混淆变量的研究方案，最后拿出来的策略可能回测没那么好看，但它知道自己赚的是什么钱、亏会亏在什么地方。

你猜我现在是标准流程怎么走的？第一步直接砍掉"看回测曲线"这个环节，让研究员先跟我讲因果故事。讲不清楚的课题，再好看的曲线也不上实盘。

5.2 构建因果认知，我建议死磕这四个方向

如果你也想往认知型Quant迁移，我结合自己的学习路径，给你划出四个最值得下功夫的方向。

第一个是计量经济学和因果推断的经典框架。工具变量、双重差分、断点回归、事件研究法，这些不是学术象牙塔里的东西，它们是我现在做研究的基本工具。市面上关于因果推断的书不少，实操时不必追求数学推导的每一步都懂，但至少要知道"什么场景用什么方法、每种方法的识别假设是什么"。

第二个是市场微观结构。这部分告诉你订单流、买卖价差、流动性、市场参与者的行为如何形成价格。很多量化策略失效的根本原因就藏在微观结构里——你的理论假设是"A导致B"，但真实市场里A往往已经通过别的路径改变了B的生成机制。

第三个是行为金融学。市场定价偏差往往来自具有系统性倾向的交易者行为，比如过度反应、处置效应、注意力驱动交易。行为金融学给你的不是具体的交易信号，而是一套"什么情况下市场会犯错"的假设库——这是因果故事的重要来源。

第四个是领域知识和另类数据的理解。比如你做商品期货，就要理解产业链的传导链条；做股票，就要理解财报科目的勾稽关系。另类数据之所以叫"另类"，就是因为大多数人不知道怎么把它和因果机制挂钩。你要是能看懂卫星图像里停车场车辆数变化到零售公司营收之间的因果链路，这才叫真正的护城河。

5.3 给不同阶段从业者的三条实战建议

最后，结合我自己的教训，给处在不同阶段的人三条建议。

刚入门的人，我最想说的一句话是：别急着跑因子。先把回归诊断、方差分析、显著性检验这些统计基本功吃透。我见过太多新人一上来就用AI辅助生成一堆因子，回测跑得飞起，但连p值是什么、多重检验为什么不合理都没搞明白。基本功不牢，AI工具只会放大你的错误。

有一定实盘经验的人，我建议你建立一份"失效因子复盘日记"。每当你有一个策略失效，不要只记录曲线和盈亏，而是写清楚：这个策略当初假设的因果路径是什么？路径在哪一步断掉的？断掉的时候有什么先行信号？这种东西积累多了，你对市场机制的理解会远超常人。我自己最值钱的认知，几乎全部来自这种亏钱以后的复盘。

如果你已经开始带团队，我能给的唯一建议是把研究评审从"看回测曲线"改成"问因果故事"。每个课题上会之前，先回答三个问题：你的因果假设是什么？支持这个假设的证据链有多完整？如果你判断错了，最可能错在哪个环节？如果这三个问题答不清，回测再漂亮也不让上实盘。

技术平权从来都不是Quant价值的终结者。工具负责跑得快，人负责想得深。AI帮我们把"怎么做"的问题解决得越来越便宜，因果认知反而成了少数还没被机器批量生产的能力，也是未来很长一段时间里，Quant研究最值得重仓的方向。