远凡的读书笔记和投资实盘第184天总盈亏：4.511% 为什么ai泡沫一定会破？
展开
今天是实盘记录的第184天。
期末资产：313534.29元 累计盈亏：4.511% 今日盈亏 4525.39元
相对沪深300超额 1.492%， 相对中证2000超额 -1.297%
（1）
说一下对过去一周的3点总结和思考：
第一个，上周六提到的可融资金比例和汇金系etf持仓变化，预示空头，在这周走势上看，有效程度是很高的。
第二个，目前这两周的走势，基本符合我前面的猜测，就是微盘股缓慢上升，但其他指数会下跌，双向奔赴。虽然目前这个趋势还是比较缓慢的，但确实是这个迹象，^_^。
第三个，虽然微盘股和账户余额已经开始稳住了，但是我感觉，后面一周，应该还会比较煎熬。感觉不像会马上进入很平滑上升的阶段，这一点是完全屏经验的感受而已。
（2）
说下我认为ai泡沫破的时候会讲的一个鬼故事——什么内容会导致ai逻辑反转，^_^。
首先叠甲说明下：AI有泡沫，跟AI有用，是不冲突的。
（数据：
今年5月14日，epoch有一篇文章专门剖析一座1GW的AI算力中心的成本。
假设AI芯片的使用寿命为5年，那么一座1GW的AI算力中心的每年成本是85亿美元，其中服务器的折旧成本占比最高，达到每年50亿美元，占比达60%；
但假设AI芯片的使用寿命只有3年，那么服务器的折旧成本就会达到每年85亿美元，将AI算力中心的每年成本提高到每年120亿美元，其中服务器折旧成本占比达到70%；
也就是说，AI芯片的使用寿命，从5年降低到3年，1GW的AI算力中心每年成本就会从85亿美元提高到120亿美元，增幅达到41%。
AI芯片的使用寿命，究竟是3年、5年、还是6年，对于AI算力中心的成本，以及能否回收成本，是非常关键的信息。
我们再以谷歌的数据来举例一下。
谷歌全公司2025年的净利润1321.70亿美元。
谷歌云业务2025年的运营利润是139.1亿美元。
而谷歌2025 年全年资本开支为914.5 亿美元。
谷歌2025年的资本开支，大部分就是拿来买AI芯片，建设AI算力中心。但这个资本开支是云业务运营利润的6.5倍。
谷歌云业务2026年Q1的运营利润是66亿美元，预计2026年全年运营利润300亿-400亿美元。
谷歌2026年全年资本支出指导范围为1800亿美元至1900亿美元。
按照这个数据，谷歌2026年的资本开支仍然是云业务运营利润的6倍左右。
）
也就是google在把ai芯片假设成可以使用6年的情况下，ai方面的投资才能做到勉强平衡。其他几个大厂也是相同情况。
那他们把ai芯片使用寿命假设成6年，是这玩意真能用六年，还是因为财务报表需要，设置成6年才能打平呢？呵呵。
我的看法，是第二种，他们是因为财务报表的需要，才把ai芯片寿命假设成6年的！
原因是ai数据中心对计算卡的使用，跟那些比特币的挖矿公司没什么区别，都是工业化，24小时连轴转。这样的使用强度，一年下来，卡基本就废了。
或者保守一点说——工业化运行的情况下，这些卡的实际折旧年限可能只有2-3年，甚至夸张的会只有一年。不是完全不能用了，而是1,2年后，性能剩余不到之前的20%。而耗电量不变甚至上升。也就是经济上需要被淘汰了。
从6-7年，改到2-3年，不算厂房这些投入，因为这些是小头。ai基建投入的资金，要有接近一半计入亏损。
这些信息在24年的时候就开始有爆出，但是直到现在，还是只有极少数人才在认真讨论的问题。
我认为：这个问题是可以直接摧毁现在ai投资热潮的基本面的。不管是大厂的基建投入还是股市上的跟风炒作。
甚至这个问题，应该就是ai这波投资浪潮中，德军面对的斯大林格勒——其实说成滑铁卢更容易理解，但是我不明白，拿破仑真正的失败是在莫斯科，到滑铁卢的时候他已经没什么容错空间了。而大家惯性的说重大挫折的时候，却喜欢说滑铁卢？欧洲一惯性的想从语言中抹除掉俄罗斯？
当然了，我认为相关的鬼故事，应该也还是会等到anthropic第一波解禁潮之后，才会大范围传播。
毕竟现在演员还没登场呢，怎么能让观众散场了？相关讨论现在明显是在被管控状态的。
这次应该是提前了几个月说这个问题，后面看下我的判断有几成的准确率吧。
今天就先这些，^_^。
我猜今天的内容，某个平台又发布出去，呵呵。
说明：
目前实盘展示的是一套量化交易系统。正常每天分别买入和卖出六只股票。偏小市值股票。
我有参加淘股吧实盘比赛，实盘比赛用的系统，就是展示的这个。数据相同。
下面是目前账户截图：
读书笔记部分：
量化入职两年小节（上）
（心里没点高数）
实阶段（2023.04-2023.10）
我的量化生涯从一家小私募开始（虽然我现在还在那），是我投的第一家，也是面试最快的一家，从投递到确认ofr只花了三天，大概是比较有缘，也不想挑就先去了。
入行先做了一个月的因子，吭哧吭哧挖了几十个因子以后就开始催着带教让我做模型。因为我的背景是DL为主，当时就跟带教一起做深度学模型。不管是截面还是时序模型，当时都试了很多，正逢transformer高速发展的时期，各种attn-based model在量化投资领域的应用paper如雨后春笋。当时的主要工作就是在我小小的因子集合上用各种sota模型去fit label，如果发现相比于baseline有提升就给带教发一下结果，然后带教就会夸我。
那会的状态就是像幼儿园的小学生，表现好了老师会奖励小红花，以此为正反馈循环。那会主要是实验导向的，想到什么就先跑起来，几张卡一起跑，几个实验一起跑，跑出来结果好了就是好了，不好就扔了，对待新事物的态度就是：叽里咕噜说啥呢，我直接打开paper上的github并狠狠拷贝其源代码然后在我的框架上进行一个复现如果好就是牛逼如果不好就是fake result。
公司比较小，基础设施其实较为欠缺，我在实期间迭代了不下三版大的framework，6个月的实至少也有2个月的时间在开发自己的东西，也就是造轮子。从因子生成到模型训练框架、回测分析等等都自己完完整整地写了一遍，那会还没有gpt，都是自己参考github上的优秀项目如Qlib这种，构造自己用着顺手的轮子。
没有过多的思考，只有一腔热血和不断反复的尝试，加上带教给的很多trick，也算是做出了一些还算满意的东西，当时天真地以为自己发现了alpha（后面才知道只是beta而已）。凭借着一个机器学选股策略顺利转正，并在当年11月顺利转正。
可以说，市面上所有的sota深度学模型我都试过了，各种乱七八糟的方法比如对比学，预训练我都试过了，当时批判一个东西有没有用的方法就是集成到现有的信号上能不能提夏普，现在看回来完全是浪费时间。
当然也不能说浪费时间，至少我试过而且知道了，单纯的把其他领域的Sota模型或者方法apply到金融领域，大多情况下多是无意义的尝试，本质打Kaggle，你辛辛苦苦只为了提升公榜的排名，但是大多数人其实都不知道，最好的公榜排名，大概率不是私榜最好的（也就是我们老生常谈的过拟合问题）。
那会还没发生股灾，小市值还没崩盘，机器学策略如日中天，我当时真的觉得，我以后一定会有美好的未来。
黑天鹅前夕（2023.11-2024.02）
这段时间主要是把策略推上去，针对实盘发单又升级了一遍框架，大概是在12月开始跑模拟盘，带教监控我的信号表现。比较幸运的是，策略在24年1月和2月并未有亏损，相反，策略重仓了大票价值风格，导致我的信号和主流大多数信号都是反向的。
当时的我天真的以为是自己厉害，发现了大家都不知道的Alpha，现在看来只是运气好罢了。
后面因为股票市场黑天鹅的冲击，导致了公司内部人事变动，具体详情参考我上一篇文章，这里不再赘述。自那以后，我正式进入单打独斗状态，主要的任务就是推动实盘上线和研究一些老板和合伙人要求的方向。
野蛮生长（2024.03-2024.08）
这段时间尝试的东西很多，当时正值黑天鹅发生后的群体阵痛期，我正式开始重视风格这件事情，尤其是Size和NLSize这两个风格。深度学训练出来的模型大多情况下都在short这两个风格（当然还有ResVol和Liquidity），而我在策略回测期（2021-2023）正是这俩风格表现最好的时候，这就是典型的把运气当成实力。
当时讨论的最多的其实是在Size和NLSize上的风控，而我的想法很直接，要不我们简单的对这俩因子做个监控，根据某些指标去观测这些因子是否具有风险，感谢
@大苏牙 大佬当时给我指的明路，我开始在Barra细分风格上钻研，并设计了一系列的风控指标，用于约束我的仓位在个别极端情况下的回撤。
这是我第一次接触到组合优化，因为公司没有统一的组合优化借口，我也是开始从Barra Handbook看起，逐个了解风格，自己攥写组合优化系统。组合优化跑一次要二十来分钟，之前回测都是用的TopK策略，发现组合优化和TopK出来的结果大相径庭（因为模型学的全是风格），看到过了组合优化后的收益近乎腰斩，内心开始产生怀疑，难道我的量化之路要就此终结？
那会还做过一段时间的行业因子，不过具体细节也是忘的差不多了，反正那会就是啥都试试看。因为没有带教，所以我的工作主要是满足老板的探索需求，这段时间涉猎的东西太多，也开始探索衍生品市场。
从这以后，我拿到模型的回测结果的第一件事不是看PNL/Sharpe，而是看策略的Exposure。评估信号的角度从简单的ic/mdd/sharpe变得更多样更丰富，我意识到夏普高并不一定是策略好，可能只是因为你在fit你回测期间一些长期向好的beta，但是这些beta的持续性其实你并不知道。
自那以后策略跑出来第一时间看Size和ResVol的暴露，看到Sharpe变高的第一反应是小市值暴露，已经形成条件反射了（
那段时间是我第一次意识到，做量化投资，最重要的是知道自己在赚什么钱，而不是赚了多少钱。24年1月的小微盘流动性危机，是所有打Kaggle研究员的回旋镖。
不过总体上是相当迷茫的，因为没有带教，研究的东西很广，但都不深，感觉就是啥都做了，但是啥都没做好。
实盘与回撤（2024.09-2025.04）
前前后后拖了快大半年，策略正式上线，刚上线的aum很小，小到个股也买不了多少。不过对于我来说，这是真金白银的钱，策略上线那会，每天就是看看今天有没有超额，今天超额几个点。每天都会跟朋友分享，如果赚钱了就方方发出来，亏钱了也方方发出来。当时对于策略超额的认知是，我的超额约等于zz2000-zz500的收益。
至少在24年11月之前，Size都是好做的，当时赶上小微盘冲刺，从9月上线到11月初，策略斩获20个点超额收益率，近乎无回撤，笔直向上的曲线让我产生了幻觉：难道，我真的是天才？
其实还是典中典的：把运气当成实力:D
在策略直线上涨的两个月，我的工作效率只有平时的40%，大多情况下都在盘中盯着自己的收益曲线傻乐，然后跟朋友吹吹比，那俩月可以说研究近乎无进展，不过收获了不少实盘的知识。盘中的微小波动会影响我一天的心情，当天的超额直接奠定了我当日的情感基调。我开始系统性地看待滑点的问题，开始观察持仓风格暴露与超额的关系。
每天5:30交易返回当日pnl，最激动的就是打开仓位文件的那一刻，开始手算今日超额。
当然，在24年11月后，Size风格开始出现回撤，我的策略也开始出现回撤，大概到24年底，我的超额只剩下不到15个点，当时打开smpp一看，其实也还算是最厉害的那一档，但是发现大家的回撤好像都不大，并没有想我的曲线那么大开大合。遂开始继续研究风格上的事情，开始把自己在风格风控上的研究落地到实盘上，也算是取得了不错的成效，在加上风控后，面对Size风格回撤的行情，策略的回撤显著缩小。
确实是亏钱的时候，研究才会有动力（
同期，我还在研究另一个策略，也是DL-based，基于数据给到的新因子。因为现有的框架其实对高频时序支持较差，我开始研究如何用成熟的框架去完成我的研究，然后我就选定了市场上最成熟的量化投资机器学框架：Qlib。我花了大概一个月的时间魔改了Qlib（因为Qlib对高频的支持并不好），又花了大概俩月的时间做研究，新的策略在25年4月正式上线。
当然上线后就变成每天盘中看着俩策略的曲线傻乐，不过经历过回撤后，意识到看着曲线傻乐没有太大意义，还不如好好搞研究。
迷茫与自我怀疑（2025.05-2025.8）
这段时间主要也就是整理一下自己之前的东西，把自己做的研究入库，尝试为公司搭建基础设备。感触比较深的是，和老板聊下来感觉公司来来去去那么多研究员，大家其实都在单打独斗，并没有什么很系统性或者公用的东西能够留下来。
离职的研究员的东西就只是放在那，大家不用也不敢用。
身边的朋友开始陆陆续续入职，有的去了高速发展的中型私募，有的去了百亿。看着别人超级大的Package，开始思考自己是否具有核心竞争力，如果我去求职，我能拿到和他们一样的Package吗？
反思了一下自己过去的两年，好像什么都做了，但是什么都没做精。唯一拿得出手的，大概是在同龄人中我作为少数的经历过全流程的研究员。
不怕大家笑话，无论是老策略还是新策略，都已经不赚钱了，要拿业绩跟别人比，好像也没什么拿得出手的东西。
同行们入职即送成熟框架，上千个因子，随随便便跑个简单模型的预测能力都强于我不知道多少倍，我这几十个因子堆砌出来的策略，真的有优势吗？
想来想去发现，自己好像一点竞争力没有（
大部分时间花在了开发基础设施上，在现在这个AI时代看来，我一年的开发时间，换做现在的我，大概只需要2个月就能完成。感觉自己好像浪费了很多时间，研究上不如别人做的精，信号上还没有大公司因子库随便训的模型强，工资还拿的比别人少。
懂得很多，因为什么都试过了。懂得很少，因为都只是试试。
但是强度上比别人高多了（
回顾过去，一直都是996的schedule，即便公司是965的作息，我也高强度加班。不为了啥，只是我觉得量化这一行，所有的研究都是为了更好的自己，加班不只是为了公司，也是为了自己的核心竞争力。但是我一个人的努力，在大公司强大的基础设施下，显得好像是个笑话。
这是我入行两年以来，第一次萌生退意。策略Decay严重，也找不出原因，最致命的是，事情太多导致我根本没有任何时间去迭代自己的策略。自己的那些因子，在大私募庞大而丰富的因子集下就像个笑话，需要付出成倍的努力和trick，才能提升0.01的ic，但别人就是跑个OLS，也比我的几十个深度学信号集成起来还要强。
我开始意识到一件深刻的事情：模型研究并不是最重要的至少对我来说是这样的。复杂的模型，乱七八糟的trick，其实只是在用现有的信息去非线性映射你因子集里面没cover到的信息。如果你模型费劲千辛万苦去seek的pattern已经通过因子表征出来了，那模型并不需要付出复杂度，直接OLS即可，这样过拟合风险是最小的。
模型是用来打上限的，但是理论上限又被你的因子集框死了。我开始痛恨小公司的局限性，想着如果自己能有别人的因子集，或许就能做出很强的信号。如果有别人那么完备的基础设施，就不用花一半的时间都在开发上，也许就有时间去做更深入的研究。
不过幸运的是，小公司并没有什么社交压力，大家整体氛围相当融洽。入职至今，我十分感谢我的老板、合伙人以及同事对我的包容和鼓励。老板和合伙人会在我迷茫的时候给予建议，在策略回撤时给予安慰和指导，这也是我工作至今并未有跳槽想法的原因，我只需要专注于工作的事情，没有任何人会给我压力。
除了我自己。
迷茫的时候要么找前带教，要么找老板，要么找合伙人。主要是寻求Senior人群的指导（套Alpha），而不是迷茫和自我怀疑。长达三个月的反思让我意识到单打独斗是没有太大意义的，主动寻求Senior指导和帮助对于一个Junior研究员来说相当重要。
我开始意识到一件事情，Senior人群的随口一说，能抵过我几年的研究（我这一句几十年的功力，你接的住吗）。从那之后我就开始养成定期和合伙人汇报的阶段，因为我发现最有价值的就是在汇报完成后Senior给的建议和点评，切入的角度大概是你钻研好几年都想不到的。
但是其实都是很简单的东西，只是我不告诉你你这辈子都想不到。量化行业一定是一个越古越强的行业，我建议所有Junior研究员有机会就对Senior进行一个死缠烂打，即便只是聊三十分钟，也能抵你一个月的研究。
我很感恩我遇到的所有Senior都能不厌其烦地听我发牢骚 :D
=========================================================
量化入职两年小节（下）
但在当前ai时代，个人开发的成本很低，但是实话说量化系统的开发有很多坑，都是踩了以后才知道。当然如果去大私募就完全不用考虑这些问题，你踩过的坑在同龄人竞争者中并不提供多少核心竞争力，因为面试人并不在乎，本质是因为大私募的infra建造者早就踩过坑了，作为成熟的PM或者QR并不需要自己构建系统，也不会了解到从0开始的候选人和其他人的差别。
而从零开始，意味着你相比于其他候选人在相同的时间里，研究上分配的时间一定是更少，研究的深度大概率是不够深的，
新的尝试（2025.09-2025.12）
算上实，在公司呆了也有两年多了，合伙人出于对我的信任，让我与他一同开发一个已经接近成熟的股指期货高频策略，这是我第一次尝试股指期货，之前都是做股票为主，我深刻体会到这是拓展我眼界和经历的好机会，也是能和合伙人近距离深入交流（偷师）的好机会，故格外珍惜。
但股指期货和股票在各种意义上都大相径庭。
不同频率的数据，极小的数据样本，时序策略，对我来说都是完全陌生的。之前都是做股票截面为主，庞大的样本量和截面上的差异性足够支持非线性模型的训练，样本内即便过拟合严重但学到的pattern也能部分迁移到样本外。
但股指期货不行。时序上四个样本高度相似，即便是30min的情况下，样本量也甚至不到10万。任何非线性模型，尤其是神经网络，会严重过拟合，而学到的pattern无一例外会在样本外crush。合伙人建议我使用线性模型看看，非线性模型在一般情况下太容易过拟合。
说来惭愧，从非线性模型起步，至今两年有余，第一次用上线性模型。
这时我才意识到，长时间使用非线性模型，让我忘记和忽视了很多简单和本质的问题。以前的我几乎不关注模型在干什么，作为一个无情的深度学模型训练人本质只是一个更高层的对着样本内的“out-of-sample”去ic/sharpe/exrtn的启发式算法。我根本不关注模型会使用什么因子，会重点使用什么因子，信号的表现是如何从因子传导到模型。
我开始意识到对策略知根知底的重要性，开始将可解释性和对抗过拟合作为阶段性的第一要义。我开始意识到，对着Test也即回测曲线去调参和换各种各样的模型，包括添加和剔除一批批因子带来的增益并不一定能带来真实样本外的增益，这也许只是在没几个样本的短周期上自嗨。
其实道理我都懂，天天在gzh和知乎刷到的各种《量化避坑指南》，我也能一口一个非线性模型容易过拟合。可是当你亲身经历过的感觉，和纸上谈兵终究是不同的。
回顾这段时期，这才是我真正开始踏入研究的门槛，这次经历对我未来的发展一定是意义深远。
我开始反思和后悔，我的研究是从非线性Kaggle开始，从一开始可能就忽略了最本质的东西，通过复杂模型的非线性拟合去蔑视基本规律，犹如井底之蛙。同期我认识到了一批志同道合的同行，其中有一位在某百亿私募的同行告诉我，他们入行都是从线性模型开始。通过和他们的交流我意识到，我的基础，尤其是统计基础，实在是太烂了（他们聊的东西我听不懂但是我也不敢说怕他们觉得我菜）。长期使用非线性模型导致我不仅在市场上忽视了最重要的东西，也在理论上蔑视传统统计知识，我开始意识到我股票策略的decay的各种可能。
归根结底，还是基础太差了，过去两年光忙了，也没意识到这个问题。
除此之外，之前的Framework也只是针对股票截面，当迁移到期货时序时，也出现诸多问题。同期我也开始招聘和带实生，实生和他的agent写出来的代码实在是无法review。本着为公司做一些“可以留下的东西”的念头，我便开始萌生出迭代新一版框架的计划，目标是全品种全频段可用，实生友好的低代码框架。
这会的coding agent能力已经相当强大了，但是我依旧古法编程，对agent的使用仅限于copilot的自动补全，我认为一个成熟框架的构建，一定要仔细设计需求，初版代码一定要自己写。在这段时间里，即便我的主要任务虽是迭代股指期货策略，我依旧靠着加班加点赶出了一个框架的雏形。
遗憾的是我的第一个实生并没用上，直到第二个实生开始，这个框架才被广泛使用并沿用至今。
股指模型在年底如期上线，一上线就遇到了极端行情：隔夜上蹿下跳，日内非流太高一天能打四五次止损。上线了两天就停了，观察了一段时间后模型又开始赚钱，然后一上有亏个大的。
感觉运气有点差了，每次模拟盘好的时候一上实盘就亏，停了策略一观察就开始在模拟盘赚钱。
Agent的冲击与思考（2026.01-2026.02）
过年那会OpenClaw发了，当时刚看到感觉就是什么划时代的东西。接着gzh的推荐算法开始疯狂给我推送类似的内容，每篇文章都在告诉我：你要被Agent优化了。
这时我就开始思考：人能干啥，Agent能干啥，人的啥Agent不能干。
然后初期得到的结论就是Agent无法肉身人情世故，不能在酒桌上谈笑风生，答案直接指向考公（不是
其实这会我就开始感觉，大部分实生，其实都不如我自己跑个Agent。在有成熟Code-base的情况下，我通过Skill和MCP可以产生更稳定的结果。其实我并不是在为大家传播焦虑，而是提醒自己思考作为一个在这个行业Junior地不能再Junior的Junior，和Agent相比的核心竞争力是什么。
Agent进入量化行业后，一定会降低招聘者对于太初级的岗位的耐心，很可能导致很多人甚至无法找到第一段量化实，因为如果你刚入行，你大概率在深度和广度上都不如Agent。
好处是个人量化更可行，Agent可以帮你扒研报挖因子，个人可以通过研报快速构建自己的因子库，尤其是量价因子，身边已经有两三个在这么做且已经成功的。坏处是我的量价因子在可预见的将来会因为大量个人投资者的涌入发生Decay，很多量价的Alpha会因为拥挤而慢慢转化成Beta。
但是我又见到太多人的系统，本质上只是在暴露Size，但是他们并不自知。
反正过年外面放鞭炮的时候，我在老家顶层阳台一个人Emo。
感悟和新征程（2026.03至今）
对Agent冲击的焦虑的结束，是因为和合伙人的一次长谈。合伙人首先肯定了我作为研究员的努力，然后开始安慰我不必紧张。他认为Agent带来的冲击是被严重高估了，但是太初级的岗位一定是要面临淘汰。
量化行业真正赚钱的东西并不复杂，但从不开源，现阶段的Agent很难拿到最核心的东西，模型本身多数时候只是在执行使用者的命令，人+Agent的上限终究是被人框死。
Agent对研究员的替代能力并没有想象中的那么夸张，但初级研究员不能过度依赖Agent，需要对着干工具有更清晰的认知，在Agent为你产出代码和结论时刨根问底小心求证。Agent强在广度，深度上可能和初级研究员相当，但是泛化能力和潜力是远不及人类的。
我也经常和实生聊这件事情，我认为一个成熟的Agentic System是很难由junior搭建起来的，足够Senior的情况下这个System只是成为这个Senior的分身，做一些重复实验性/探索性执行，探索性思考还需要人类本身完成。
我观察到很多Junior过度依赖Agent，将其作为自己的长工，在Agent干活的时候玩手机，看视频，本着Agent干活等于我干活的心态，这是不好的现象。我认为大家应该更充分地利用自己的时间，比如在Agent干活的时候看看研报。Agent带来的便捷应该加速你的研究进程和提高研究效率，而不是作为偷懒的借口，junior在使用Agent时应该在遇到没见过的理论/代码片段时查缺补漏，不该一笔带过。
举个例子，你用Agent帮你看研报复现因子，因子复现完了你高低得把研报自个看一遍，再不济也是让Agent给你总结其中的重点。
我认为研究员的核心竞争力是长年累月下积累的Knowledge base，这是你在样本外泛化的基础。过度依赖Agent的人会下意识地忽略一些关键但相当细节的东西，甚至在Agent给你输出错误信息时没有任何判断能力。
举个简单的例子，你的Agent回测用的成交价，很可能是收盘价，你的Agent算IC用的label是Close2Close的（当然7月6号之后真的可以成交了
不过你也可以让Agent自己建立自己的知识库，像培养Junior一样培养Agent，前提是你真的比Agent要强。
感觉，老登不乐意用Agent，但是却是最该用Agent的人。小登天天用Agent，但却是最不该用Agent的人（指研究初期）。这个结论大家一定会有很激烈的反对观点，但是以我现有的认知来看，会用Agent并不是一个研究员的核心竞争力。
接触过不同品种，或者说不同的任务，对模型和因子的感悟可以说相比之前上了一个台阶。即便和这个行业的大部分天才少年比起来，我还完全没入行，但是至少跟去年的自己相比，今年的进步不小，最重要的是看待事物的角度得到了极大的丰富。
观察一个研究结论，第一时间是思考其来源和假设，而不是简简单单地看夏普看IC。研究的结果应该如何，实际如何，都会被反复思考。
在股票上，非线性模型相比于线性模型能获得更高的ic，更高的夏普。但如果你仔细观察，会发现非线性模型在截面上的收益并不均匀，大部分收益来自于尾部样本（尤其是是涨跌停和题材票）。如果你的损失函数是MSE，本身对于尾部样本的奖励机制只会让非线性模型变本加厉地去拟合这些尾部样本，而不是学一些全截面general的pattern，在我的认知里，这种尾部的pattern不仅高波，而且作为拥挤度的尖尖，反转和decay是最快且最剧烈的。线性模型由于模型局限性，即便优化目标也是MSE，在因子的分布较为均匀的情况下更难捕捉到尾部样本，给到因子的权重会更加“中庸”，这种难能的克制往往在样本外更加稳健。
非线性模型的过拟合是方方面面的，对离群样本的过度关注，极端行情样本的过度拟合，反馈到一个不成熟的评估体系下一定会在遥远的将来给你当头一击。
举个简单的例子，假设你在训练和回测时都没有剔除涨跌停样本，你的因子中恰巧有一堆逐笔订单因子，由于一字板对价的缺失导致你的因子要么出异常值要么你设为nan后填0，当非线性模型观察到类似的模式后便会将复杂度狠狠分配到这种极端但是又好猜的样本。涨跌停次日大概率是有溢价的，只要模型猛do这些涨跌停样本，你就能看到非线性模型虚高的IC，以及因为你没有在回测剔除涨跌停导致你的曲线笔直，让你直接产生了自己就是天才的想法。
并不是说非线性模型不好，非线性模型的使用其实需要更高的门槛，简单跑个MLP就有两倍于Ridge的IC这种事情相当常见，但并不说明这件事情门槛很低。对过拟合这件事情本身保有敬畏，对非线性模型的风险有清晰认知的情况下，抛开可解释性不谈大概率会有比线性模型更好的结果。
相比于直接使用非线性模型，通过因子引入非线性，或者通过你自己的一些trick引入非线性，再使用线性模型进行因子合成可能是更稳健的。
举个简单的例子，在做高频时，我发现在我的lgb模型中，feature importance最高的总是timestamp，即时间特征，子树可能常年使用timestamp去进行分裂。这是因为我的因子是按照所有timestamp进行标准化的，比如10:00的因子可能用到了9:30-9:59的所有时间戳进行时序标准化。那我如何将这个非线性的pattern引入我的线性模型呢？其实很简单。
其实就是人工决策树。
本质上可能就是因为我的时序因子在日内的不同的timestamp上可能存在某些显著的预测模式，lgb需要付出更多的叶子结点去学这种timestamp-specific的东西，那我只要将我的线性模型按照不同的timestamp分别训练，就可以在线性的映射下capture到timestamp这种非线性的模式。当然你也可以通过因子的角度去实现这件事情，比如将9:30的因子和过去若干天的所有9:30的因子去做标准化。
线性模型本身也是一种哲学，Ridge，Lasso这种带正则的线性模型体现的就是一种克制的思想。其实在策略研究中，我们也应该强行给自己的评估体系或者研究过程带上“正则项”，最简单的比如在回测时使用30minVwap成交，在计算slippage时多填两个BP，在训练模型时随便选个参数，也许都能在样本外或者上实盘前救你一命（粉碎你的梦）。
相比于扔给非线性模型让他自己学，通过人工引入非线性这个过程本身可控可追溯，且思考的过程和顿悟会为你带来极强的成就感。
我认为发现问题后不能上实盘，会比上了实盘再发现问题要好得多，而我其实就是后者。
其实很多简单的trick，就能为你的模型带来巨大的差异化，而这些trick的来源可以是无脑的网格式尝试，也可以是通过观察市场和阅读paper泛化出来的想法。
当然也可以是实盘亏钱让你不得不思考然后发现的。24年小微盘的崩塌让我学到了很多，但是对于后面的研究员来说，可能只是回测曲线上的一个普通回撤。
很多大佬雄文的观点：赚钱的东西都是很简单的，复杂的系统反而容易引入不确定性。和多数Senior聊下来的感触，其实他们的系统，本身就是由一些简单trick堆叠起来的，来源可能就是一些你在学校里书本上的知识。用不上什么复杂的非线性模型，也没用到成千上万那么多的因子，得到的结果就已经good enough，且放着跑心里还有底。
接下来我将慢慢体会和践行。
结语
太懒了，中下写一起了，感悟和经历写一起了。
写这篇文章一是为了记录，二是为了让很多和我一样的普通研究员在初期避开一些坑。如果能穿越回三年前，我一定让以前的我逐字阅读我这两天写的东西。
看到很多朋友深有感触，甚至感觉“在跟自己对话”，老实说我是很开心的。这篇文章如果可以引起大家共鸣，让大家在最近这段超额难做的时光心情好点，我也挺开心了。
想写的东西很多，但是写的真的很累了，很多很细节和繁杂的部分只能一笔带过。
如果能吸引到大佬和同行线下面基，那太好了（狗头
期末资产：313534.29元 累计盈亏：4.511% 今日盈亏 4525.39元
相对沪深300超额 1.492%， 相对中证2000超额 -1.297%
（1）
说一下对过去一周的3点总结和思考：
第一个，上周六提到的可融资金比例和汇金系etf持仓变化，预示空头，在这周走势上看，有效程度是很高的。
第二个，目前这两周的走势，基本符合我前面的猜测，就是微盘股缓慢上升，但其他指数会下跌，双向奔赴。虽然目前这个趋势还是比较缓慢的，但确实是这个迹象，^_^。
第三个，虽然微盘股和账户余额已经开始稳住了，但是我感觉，后面一周，应该还会比较煎熬。感觉不像会马上进入很平滑上升的阶段，这一点是完全屏经验的感受而已。
（2）
说下我认为ai泡沫破的时候会讲的一个鬼故事——什么内容会导致ai逻辑反转，^_^。
首先叠甲说明下：AI有泡沫，跟AI有用，是不冲突的。
（数据：
今年5月14日，epoch有一篇文章专门剖析一座1GW的AI算力中心的成本。
假设AI芯片的使用寿命为5年，那么一座1GW的AI算力中心的每年成本是85亿美元，其中服务器的折旧成本占比最高，达到每年50亿美元，占比达60%；
但假设AI芯片的使用寿命只有3年，那么服务器的折旧成本就会达到每年85亿美元，将AI算力中心的每年成本提高到每年120亿美元，其中服务器折旧成本占比达到70%；
也就是说，AI芯片的使用寿命，从5年降低到3年，1GW的AI算力中心每年成本就会从85亿美元提高到120亿美元，增幅达到41%。
AI芯片的使用寿命，究竟是3年、5年、还是6年，对于AI算力中心的成本，以及能否回收成本，是非常关键的信息。
我们再以谷歌的数据来举例一下。
谷歌全公司2025年的净利润1321.70亿美元。
谷歌云业务2025年的运营利润是139.1亿美元。
而谷歌2025 年全年资本开支为914.5 亿美元。
谷歌2025年的资本开支，大部分就是拿来买AI芯片，建设AI算力中心。但这个资本开支是云业务运营利润的6.5倍。
谷歌云业务2026年Q1的运营利润是66亿美元，预计2026年全年运营利润300亿-400亿美元。
谷歌2026年全年资本支出指导范围为1800亿美元至1900亿美元。
按照这个数据，谷歌2026年的资本开支仍然是云业务运营利润的6倍左右。
）
也就是google在把ai芯片假设成可以使用6年的情况下，ai方面的投资才能做到勉强平衡。其他几个大厂也是相同情况。
那他们把ai芯片使用寿命假设成6年，是这玩意真能用六年，还是因为财务报表需要，设置成6年才能打平呢？呵呵。
我的看法，是第二种，他们是因为财务报表的需要，才把ai芯片寿命假设成6年的！
原因是ai数据中心对计算卡的使用，跟那些比特币的挖矿公司没什么区别，都是工业化，24小时连轴转。这样的使用强度，一年下来，卡基本就废了。
或者保守一点说——工业化运行的情况下，这些卡的实际折旧年限可能只有2-3年，甚至夸张的会只有一年。不是完全不能用了，而是1,2年后，性能剩余不到之前的20%。而耗电量不变甚至上升。也就是经济上需要被淘汰了。
从6-7年，改到2-3年，不算厂房这些投入，因为这些是小头。ai基建投入的资金，要有接近一半计入亏损。
这些信息在24年的时候就开始有爆出，但是直到现在，还是只有极少数人才在认真讨论的问题。
我认为：这个问题是可以直接摧毁现在ai投资热潮的基本面的。不管是大厂的基建投入还是股市上的跟风炒作。
甚至这个问题，应该就是ai这波投资浪潮中，德军面对的斯大林格勒——其实说成滑铁卢更容易理解，但是我不明白，拿破仑真正的失败是在莫斯科，到滑铁卢的时候他已经没什么容错空间了。而大家惯性的说重大挫折的时候，却喜欢说滑铁卢？欧洲一惯性的想从语言中抹除掉俄罗斯？
当然了，我认为相关的鬼故事，应该也还是会等到anthropic第一波解禁潮之后，才会大范围传播。
毕竟现在演员还没登场呢，怎么能让观众散场了？相关讨论现在明显是在被管控状态的。
这次应该是提前了几个月说这个问题，后面看下我的判断有几成的准确率吧。
今天就先这些，^_^。
我猜今天的内容，某个平台又发布出去，呵呵。
说明：
目前实盘展示的是一套量化交易系统。正常每天分别买入和卖出六只股票。偏小市值股票。
我有参加淘股吧实盘比赛，实盘比赛用的系统，就是展示的这个。数据相同。
下面是目前账户截图：
读书笔记部分：
量化入职两年小节（上）
（心里没点高数）
实阶段（2023.04-2023.10）
我的量化生涯从一家小私募开始（虽然我现在还在那），是我投的第一家，也是面试最快的一家，从投递到确认ofr只花了三天，大概是比较有缘，也不想挑就先去了。
入行先做了一个月的因子，吭哧吭哧挖了几十个因子以后就开始催着带教让我做模型。因为我的背景是DL为主，当时就跟带教一起做深度学模型。不管是截面还是时序模型，当时都试了很多，正逢transformer高速发展的时期，各种attn-based model在量化投资领域的应用paper如雨后春笋。当时的主要工作就是在我小小的因子集合上用各种sota模型去fit label，如果发现相比于baseline有提升就给带教发一下结果，然后带教就会夸我。
那会的状态就是像幼儿园的小学生，表现好了老师会奖励小红花，以此为正反馈循环。那会主要是实验导向的，想到什么就先跑起来，几张卡一起跑，几个实验一起跑，跑出来结果好了就是好了，不好就扔了，对待新事物的态度就是：叽里咕噜说啥呢，我直接打开paper上的github并狠狠拷贝其源代码然后在我的框架上进行一个复现如果好就是牛逼如果不好就是fake result。
公司比较小，基础设施其实较为欠缺，我在实期间迭代了不下三版大的framework，6个月的实至少也有2个月的时间在开发自己的东西，也就是造轮子。从因子生成到模型训练框架、回测分析等等都自己完完整整地写了一遍，那会还没有gpt，都是自己参考github上的优秀项目如Qlib这种，构造自己用着顺手的轮子。
没有过多的思考，只有一腔热血和不断反复的尝试，加上带教给的很多trick，也算是做出了一些还算满意的东西，当时天真地以为自己发现了alpha（后面才知道只是beta而已）。凭借着一个机器学选股策略顺利转正，并在当年11月顺利转正。
可以说，市面上所有的sota深度学模型我都试过了，各种乱七八糟的方法比如对比学，预训练我都试过了，当时批判一个东西有没有用的方法就是集成到现有的信号上能不能提夏普，现在看回来完全是浪费时间。
当然也不能说浪费时间，至少我试过而且知道了，单纯的把其他领域的Sota模型或者方法apply到金融领域，大多情况下多是无意义的尝试，本质打Kaggle，你辛辛苦苦只为了提升公榜的排名，但是大多数人其实都不知道，最好的公榜排名，大概率不是私榜最好的（也就是我们老生常谈的过拟合问题）。
那会还没发生股灾，小市值还没崩盘，机器学策略如日中天，我当时真的觉得，我以后一定会有美好的未来。
黑天鹅前夕（2023.11-2024.02）
这段时间主要是把策略推上去，针对实盘发单又升级了一遍框架，大概是在12月开始跑模拟盘，带教监控我的信号表现。比较幸运的是，策略在24年1月和2月并未有亏损，相反，策略重仓了大票价值风格，导致我的信号和主流大多数信号都是反向的。
当时的我天真的以为是自己厉害，发现了大家都不知道的Alpha，现在看来只是运气好罢了。
后面因为股票市场黑天鹅的冲击，导致了公司内部人事变动，具体详情参考我上一篇文章，这里不再赘述。自那以后，我正式进入单打独斗状态，主要的任务就是推动实盘上线和研究一些老板和合伙人要求的方向。
野蛮生长（2024.03-2024.08）
这段时间尝试的东西很多，当时正值黑天鹅发生后的群体阵痛期，我正式开始重视风格这件事情，尤其是Size和NLSize这两个风格。深度学训练出来的模型大多情况下都在short这两个风格（当然还有ResVol和Liquidity），而我在策略回测期（2021-2023）正是这俩风格表现最好的时候，这就是典型的把运气当成实力。
当时讨论的最多的其实是在Size和NLSize上的风控，而我的想法很直接，要不我们简单的对这俩因子做个监控，根据某些指标去观测这些因子是否具有风险，感谢
@大苏牙 大佬当时给我指的明路，我开始在Barra细分风格上钻研，并设计了一系列的风控指标，用于约束我的仓位在个别极端情况下的回撤。
这是我第一次接触到组合优化，因为公司没有统一的组合优化借口，我也是开始从Barra Handbook看起，逐个了解风格，自己攥写组合优化系统。组合优化跑一次要二十来分钟，之前回测都是用的TopK策略，发现组合优化和TopK出来的结果大相径庭（因为模型学的全是风格），看到过了组合优化后的收益近乎腰斩，内心开始产生怀疑，难道我的量化之路要就此终结？
那会还做过一段时间的行业因子，不过具体细节也是忘的差不多了，反正那会就是啥都试试看。因为没有带教，所以我的工作主要是满足老板的探索需求，这段时间涉猎的东西太多，也开始探索衍生品市场。
从这以后，我拿到模型的回测结果的第一件事不是看PNL/Sharpe，而是看策略的Exposure。评估信号的角度从简单的ic/mdd/sharpe变得更多样更丰富，我意识到夏普高并不一定是策略好，可能只是因为你在fit你回测期间一些长期向好的beta，但是这些beta的持续性其实你并不知道。
自那以后策略跑出来第一时间看Size和ResVol的暴露，看到Sharpe变高的第一反应是小市值暴露，已经形成条件反射了（
那段时间是我第一次意识到，做量化投资，最重要的是知道自己在赚什么钱，而不是赚了多少钱。24年1月的小微盘流动性危机，是所有打Kaggle研究员的回旋镖。
不过总体上是相当迷茫的，因为没有带教，研究的东西很广，但都不深，感觉就是啥都做了，但是啥都没做好。
实盘与回撤（2024.09-2025.04）
前前后后拖了快大半年，策略正式上线，刚上线的aum很小，小到个股也买不了多少。不过对于我来说，这是真金白银的钱，策略上线那会，每天就是看看今天有没有超额，今天超额几个点。每天都会跟朋友分享，如果赚钱了就方方发出来，亏钱了也方方发出来。当时对于策略超额的认知是，我的超额约等于zz2000-zz500的收益。
至少在24年11月之前，Size都是好做的，当时赶上小微盘冲刺，从9月上线到11月初，策略斩获20个点超额收益率，近乎无回撤，笔直向上的曲线让我产生了幻觉：难道，我真的是天才？
其实还是典中典的：把运气当成实力:D
在策略直线上涨的两个月，我的工作效率只有平时的40%，大多情况下都在盘中盯着自己的收益曲线傻乐，然后跟朋友吹吹比，那俩月可以说研究近乎无进展，不过收获了不少实盘的知识。盘中的微小波动会影响我一天的心情，当天的超额直接奠定了我当日的情感基调。我开始系统性地看待滑点的问题，开始观察持仓风格暴露与超额的关系。
每天5:30交易返回当日pnl，最激动的就是打开仓位文件的那一刻，开始手算今日超额。
当然，在24年11月后，Size风格开始出现回撤，我的策略也开始出现回撤，大概到24年底，我的超额只剩下不到15个点，当时打开smpp一看，其实也还算是最厉害的那一档，但是发现大家的回撤好像都不大，并没有想我的曲线那么大开大合。遂开始继续研究风格上的事情，开始把自己在风格风控上的研究落地到实盘上，也算是取得了不错的成效，在加上风控后，面对Size风格回撤的行情，策略的回撤显著缩小。
确实是亏钱的时候，研究才会有动力（
同期，我还在研究另一个策略，也是DL-based，基于数据给到的新因子。因为现有的框架其实对高频时序支持较差，我开始研究如何用成熟的框架去完成我的研究，然后我就选定了市场上最成熟的量化投资机器学框架：Qlib。我花了大概一个月的时间魔改了Qlib（因为Qlib对高频的支持并不好），又花了大概俩月的时间做研究，新的策略在25年4月正式上线。
当然上线后就变成每天盘中看着俩策略的曲线傻乐，不过经历过回撤后，意识到看着曲线傻乐没有太大意义，还不如好好搞研究。
迷茫与自我怀疑（2025.05-2025.8）
这段时间主要也就是整理一下自己之前的东西，把自己做的研究入库，尝试为公司搭建基础设备。感触比较深的是，和老板聊下来感觉公司来来去去那么多研究员，大家其实都在单打独斗，并没有什么很系统性或者公用的东西能够留下来。
离职的研究员的东西就只是放在那，大家不用也不敢用。
身边的朋友开始陆陆续续入职，有的去了高速发展的中型私募，有的去了百亿。看着别人超级大的Package，开始思考自己是否具有核心竞争力，如果我去求职，我能拿到和他们一样的Package吗？
反思了一下自己过去的两年，好像什么都做了，但是什么都没做精。唯一拿得出手的，大概是在同龄人中我作为少数的经历过全流程的研究员。
不怕大家笑话，无论是老策略还是新策略，都已经不赚钱了，要拿业绩跟别人比，好像也没什么拿得出手的东西。
同行们入职即送成熟框架，上千个因子，随随便便跑个简单模型的预测能力都强于我不知道多少倍，我这几十个因子堆砌出来的策略，真的有优势吗？
想来想去发现，自己好像一点竞争力没有（
大部分时间花在了开发基础设施上，在现在这个AI时代看来，我一年的开发时间，换做现在的我，大概只需要2个月就能完成。感觉自己好像浪费了很多时间，研究上不如别人做的精，信号上还没有大公司因子库随便训的模型强，工资还拿的比别人少。
懂得很多，因为什么都试过了。懂得很少，因为都只是试试。
但是强度上比别人高多了（
回顾过去，一直都是996的schedule，即便公司是965的作息，我也高强度加班。不为了啥，只是我觉得量化这一行，所有的研究都是为了更好的自己，加班不只是为了公司，也是为了自己的核心竞争力。但是我一个人的努力，在大公司强大的基础设施下，显得好像是个笑话。
这是我入行两年以来，第一次萌生退意。策略Decay严重，也找不出原因，最致命的是，事情太多导致我根本没有任何时间去迭代自己的策略。自己的那些因子，在大私募庞大而丰富的因子集下就像个笑话，需要付出成倍的努力和trick，才能提升0.01的ic，但别人就是跑个OLS，也比我的几十个深度学信号集成起来还要强。
我开始意识到一件深刻的事情：模型研究并不是最重要的至少对我来说是这样的。复杂的模型，乱七八糟的trick，其实只是在用现有的信息去非线性映射你因子集里面没cover到的信息。如果你模型费劲千辛万苦去seek的pattern已经通过因子表征出来了，那模型并不需要付出复杂度，直接OLS即可，这样过拟合风险是最小的。
模型是用来打上限的，但是理论上限又被你的因子集框死了。我开始痛恨小公司的局限性，想着如果自己能有别人的因子集，或许就能做出很强的信号。如果有别人那么完备的基础设施，就不用花一半的时间都在开发上，也许就有时间去做更深入的研究。
不过幸运的是，小公司并没有什么社交压力，大家整体氛围相当融洽。入职至今，我十分感谢我的老板、合伙人以及同事对我的包容和鼓励。老板和合伙人会在我迷茫的时候给予建议，在策略回撤时给予安慰和指导，这也是我工作至今并未有跳槽想法的原因，我只需要专注于工作的事情，没有任何人会给我压力。
除了我自己。
迷茫的时候要么找前带教，要么找老板，要么找合伙人。主要是寻求Senior人群的指导（套Alpha），而不是迷茫和自我怀疑。长达三个月的反思让我意识到单打独斗是没有太大意义的，主动寻求Senior指导和帮助对于一个Junior研究员来说相当重要。
我开始意识到一件事情，Senior人群的随口一说，能抵过我几年的研究（我这一句几十年的功力，你接的住吗）。从那之后我就开始养成定期和合伙人汇报的阶段，因为我发现最有价值的就是在汇报完成后Senior给的建议和点评，切入的角度大概是你钻研好几年都想不到的。
但是其实都是很简单的东西，只是我不告诉你你这辈子都想不到。量化行业一定是一个越古越强的行业，我建议所有Junior研究员有机会就对Senior进行一个死缠烂打，即便只是聊三十分钟，也能抵你一个月的研究。
我很感恩我遇到的所有Senior都能不厌其烦地听我发牢骚 :D
=========================================================
量化入职两年小节（下）
但在当前ai时代，个人开发的成本很低，但是实话说量化系统的开发有很多坑，都是踩了以后才知道。当然如果去大私募就完全不用考虑这些问题，你踩过的坑在同龄人竞争者中并不提供多少核心竞争力，因为面试人并不在乎，本质是因为大私募的infra建造者早就踩过坑了，作为成熟的PM或者QR并不需要自己构建系统，也不会了解到从0开始的候选人和其他人的差别。
而从零开始，意味着你相比于其他候选人在相同的时间里，研究上分配的时间一定是更少，研究的深度大概率是不够深的，
新的尝试（2025.09-2025.12）
算上实，在公司呆了也有两年多了，合伙人出于对我的信任，让我与他一同开发一个已经接近成熟的股指期货高频策略，这是我第一次尝试股指期货，之前都是做股票为主，我深刻体会到这是拓展我眼界和经历的好机会，也是能和合伙人近距离深入交流（偷师）的好机会，故格外珍惜。
但股指期货和股票在各种意义上都大相径庭。
不同频率的数据，极小的数据样本，时序策略，对我来说都是完全陌生的。之前都是做股票截面为主，庞大的样本量和截面上的差异性足够支持非线性模型的训练，样本内即便过拟合严重但学到的pattern也能部分迁移到样本外。
但股指期货不行。时序上四个样本高度相似，即便是30min的情况下，样本量也甚至不到10万。任何非线性模型，尤其是神经网络，会严重过拟合，而学到的pattern无一例外会在样本外crush。合伙人建议我使用线性模型看看，非线性模型在一般情况下太容易过拟合。
说来惭愧，从非线性模型起步，至今两年有余，第一次用上线性模型。
这时我才意识到，长时间使用非线性模型，让我忘记和忽视了很多简单和本质的问题。以前的我几乎不关注模型在干什么，作为一个无情的深度学模型训练人本质只是一个更高层的对着样本内的“out-of-sample”去ic/sharpe/exrtn的启发式算法。我根本不关注模型会使用什么因子，会重点使用什么因子，信号的表现是如何从因子传导到模型。
我开始意识到对策略知根知底的重要性，开始将可解释性和对抗过拟合作为阶段性的第一要义。我开始意识到，对着Test也即回测曲线去调参和换各种各样的模型，包括添加和剔除一批批因子带来的增益并不一定能带来真实样本外的增益，这也许只是在没几个样本的短周期上自嗨。
其实道理我都懂，天天在gzh和知乎刷到的各种《量化避坑指南》，我也能一口一个非线性模型容易过拟合。可是当你亲身经历过的感觉，和纸上谈兵终究是不同的。
回顾这段时期，这才是我真正开始踏入研究的门槛，这次经历对我未来的发展一定是意义深远。
我开始反思和后悔，我的研究是从非线性Kaggle开始，从一开始可能就忽略了最本质的东西，通过复杂模型的非线性拟合去蔑视基本规律，犹如井底之蛙。同期我认识到了一批志同道合的同行，其中有一位在某百亿私募的同行告诉我，他们入行都是从线性模型开始。通过和他们的交流我意识到，我的基础，尤其是统计基础，实在是太烂了（他们聊的东西我听不懂但是我也不敢说怕他们觉得我菜）。长期使用非线性模型导致我不仅在市场上忽视了最重要的东西，也在理论上蔑视传统统计知识，我开始意识到我股票策略的decay的各种可能。
归根结底，还是基础太差了，过去两年光忙了，也没意识到这个问题。
除此之外，之前的Framework也只是针对股票截面，当迁移到期货时序时，也出现诸多问题。同期我也开始招聘和带实生，实生和他的agent写出来的代码实在是无法review。本着为公司做一些“可以留下的东西”的念头，我便开始萌生出迭代新一版框架的计划，目标是全品种全频段可用，实生友好的低代码框架。
这会的coding agent能力已经相当强大了，但是我依旧古法编程，对agent的使用仅限于copilot的自动补全，我认为一个成熟框架的构建，一定要仔细设计需求，初版代码一定要自己写。在这段时间里，即便我的主要任务虽是迭代股指期货策略，我依旧靠着加班加点赶出了一个框架的雏形。
遗憾的是我的第一个实生并没用上，直到第二个实生开始，这个框架才被广泛使用并沿用至今。
股指模型在年底如期上线，一上线就遇到了极端行情：隔夜上蹿下跳，日内非流太高一天能打四五次止损。上线了两天就停了，观察了一段时间后模型又开始赚钱，然后一上有亏个大的。
感觉运气有点差了，每次模拟盘好的时候一上实盘就亏，停了策略一观察就开始在模拟盘赚钱。
Agent的冲击与思考（2026.01-2026.02）
过年那会OpenClaw发了，当时刚看到感觉就是什么划时代的东西。接着gzh的推荐算法开始疯狂给我推送类似的内容，每篇文章都在告诉我：你要被Agent优化了。
这时我就开始思考：人能干啥，Agent能干啥，人的啥Agent不能干。
然后初期得到的结论就是Agent无法肉身人情世故，不能在酒桌上谈笑风生，答案直接指向考公（不是
其实这会我就开始感觉，大部分实生，其实都不如我自己跑个Agent。在有成熟Code-base的情况下，我通过Skill和MCP可以产生更稳定的结果。其实我并不是在为大家传播焦虑，而是提醒自己思考作为一个在这个行业Junior地不能再Junior的Junior，和Agent相比的核心竞争力是什么。
Agent进入量化行业后，一定会降低招聘者对于太初级的岗位的耐心，很可能导致很多人甚至无法找到第一段量化实，因为如果你刚入行，你大概率在深度和广度上都不如Agent。
好处是个人量化更可行，Agent可以帮你扒研报挖因子，个人可以通过研报快速构建自己的因子库，尤其是量价因子，身边已经有两三个在这么做且已经成功的。坏处是我的量价因子在可预见的将来会因为大量个人投资者的涌入发生Decay，很多量价的Alpha会因为拥挤而慢慢转化成Beta。
但是我又见到太多人的系统，本质上只是在暴露Size，但是他们并不自知。
反正过年外面放鞭炮的时候，我在老家顶层阳台一个人Emo。
感悟和新征程（2026.03至今）
对Agent冲击的焦虑的结束，是因为和合伙人的一次长谈。合伙人首先肯定了我作为研究员的努力，然后开始安慰我不必紧张。他认为Agent带来的冲击是被严重高估了，但是太初级的岗位一定是要面临淘汰。
量化行业真正赚钱的东西并不复杂，但从不开源，现阶段的Agent很难拿到最核心的东西，模型本身多数时候只是在执行使用者的命令，人+Agent的上限终究是被人框死。
Agent对研究员的替代能力并没有想象中的那么夸张，但初级研究员不能过度依赖Agent，需要对着干工具有更清晰的认知，在Agent为你产出代码和结论时刨根问底小心求证。Agent强在广度，深度上可能和初级研究员相当，但是泛化能力和潜力是远不及人类的。
我也经常和实生聊这件事情，我认为一个成熟的Agentic System是很难由junior搭建起来的，足够Senior的情况下这个System只是成为这个Senior的分身，做一些重复实验性/探索性执行，探索性思考还需要人类本身完成。
我观察到很多Junior过度依赖Agent，将其作为自己的长工，在Agent干活的时候玩手机，看视频，本着Agent干活等于我干活的心态，这是不好的现象。我认为大家应该更充分地利用自己的时间，比如在Agent干活的时候看看研报。Agent带来的便捷应该加速你的研究进程和提高研究效率，而不是作为偷懒的借口，junior在使用Agent时应该在遇到没见过的理论/代码片段时查缺补漏，不该一笔带过。
举个例子，你用Agent帮你看研报复现因子，因子复现完了你高低得把研报自个看一遍，再不济也是让Agent给你总结其中的重点。
我认为研究员的核心竞争力是长年累月下积累的Knowledge base，这是你在样本外泛化的基础。过度依赖Agent的人会下意识地忽略一些关键但相当细节的东西，甚至在Agent给你输出错误信息时没有任何判断能力。
举个简单的例子，你的Agent回测用的成交价，很可能是收盘价，你的Agent算IC用的label是Close2Close的（当然7月6号之后真的可以成交了
不过你也可以让Agent自己建立自己的知识库，像培养Junior一样培养Agent，前提是你真的比Agent要强。
感觉，老登不乐意用Agent，但是却是最该用Agent的人。小登天天用Agent，但却是最不该用Agent的人（指研究初期）。这个结论大家一定会有很激烈的反对观点，但是以我现有的认知来看，会用Agent并不是一个研究员的核心竞争力。
接触过不同品种，或者说不同的任务，对模型和因子的感悟可以说相比之前上了一个台阶。即便和这个行业的大部分天才少年比起来，我还完全没入行，但是至少跟去年的自己相比，今年的进步不小，最重要的是看待事物的角度得到了极大的丰富。
观察一个研究结论，第一时间是思考其来源和假设，而不是简简单单地看夏普看IC。研究的结果应该如何，实际如何，都会被反复思考。
在股票上，非线性模型相比于线性模型能获得更高的ic，更高的夏普。但如果你仔细观察，会发现非线性模型在截面上的收益并不均匀，大部分收益来自于尾部样本（尤其是是涨跌停和题材票）。如果你的损失函数是MSE，本身对于尾部样本的奖励机制只会让非线性模型变本加厉地去拟合这些尾部样本，而不是学一些全截面general的pattern，在我的认知里，这种尾部的pattern不仅高波，而且作为拥挤度的尖尖，反转和decay是最快且最剧烈的。线性模型由于模型局限性，即便优化目标也是MSE，在因子的分布较为均匀的情况下更难捕捉到尾部样本，给到因子的权重会更加“中庸”，这种难能的克制往往在样本外更加稳健。
非线性模型的过拟合是方方面面的，对离群样本的过度关注，极端行情样本的过度拟合，反馈到一个不成熟的评估体系下一定会在遥远的将来给你当头一击。
举个简单的例子，假设你在训练和回测时都没有剔除涨跌停样本，你的因子中恰巧有一堆逐笔订单因子，由于一字板对价的缺失导致你的因子要么出异常值要么你设为nan后填0，当非线性模型观察到类似的模式后便会将复杂度狠狠分配到这种极端但是又好猜的样本。涨跌停次日大概率是有溢价的，只要模型猛do这些涨跌停样本，你就能看到非线性模型虚高的IC，以及因为你没有在回测剔除涨跌停导致你的曲线笔直，让你直接产生了自己就是天才的想法。
并不是说非线性模型不好，非线性模型的使用其实需要更高的门槛，简单跑个MLP就有两倍于Ridge的IC这种事情相当常见，但并不说明这件事情门槛很低。对过拟合这件事情本身保有敬畏，对非线性模型的风险有清晰认知的情况下，抛开可解释性不谈大概率会有比线性模型更好的结果。
相比于直接使用非线性模型，通过因子引入非线性，或者通过你自己的一些trick引入非线性，再使用线性模型进行因子合成可能是更稳健的。
举个简单的例子，在做高频时，我发现在我的lgb模型中，feature importance最高的总是timestamp，即时间特征，子树可能常年使用timestamp去进行分裂。这是因为我的因子是按照所有timestamp进行标准化的，比如10:00的因子可能用到了9:30-9:59的所有时间戳进行时序标准化。那我如何将这个非线性的pattern引入我的线性模型呢？其实很简单。
其实就是人工决策树。
本质上可能就是因为我的时序因子在日内的不同的timestamp上可能存在某些显著的预测模式，lgb需要付出更多的叶子结点去学这种timestamp-specific的东西，那我只要将我的线性模型按照不同的timestamp分别训练，就可以在线性的映射下capture到timestamp这种非线性的模式。当然你也可以通过因子的角度去实现这件事情，比如将9:30的因子和过去若干天的所有9:30的因子去做标准化。
线性模型本身也是一种哲学，Ridge，Lasso这种带正则的线性模型体现的就是一种克制的思想。其实在策略研究中，我们也应该强行给自己的评估体系或者研究过程带上“正则项”，最简单的比如在回测时使用30minVwap成交，在计算slippage时多填两个BP，在训练模型时随便选个参数，也许都能在样本外或者上实盘前救你一命（粉碎你的梦）。
相比于扔给非线性模型让他自己学，通过人工引入非线性这个过程本身可控可追溯，且思考的过程和顿悟会为你带来极强的成就感。
我认为发现问题后不能上实盘，会比上了实盘再发现问题要好得多，而我其实就是后者。
其实很多简单的trick，就能为你的模型带来巨大的差异化，而这些trick的来源可以是无脑的网格式尝试，也可以是通过观察市场和阅读paper泛化出来的想法。
当然也可以是实盘亏钱让你不得不思考然后发现的。24年小微盘的崩塌让我学到了很多，但是对于后面的研究员来说，可能只是回测曲线上的一个普通回撤。
很多大佬雄文的观点：赚钱的东西都是很简单的，复杂的系统反而容易引入不确定性。和多数Senior聊下来的感触，其实他们的系统，本身就是由一些简单trick堆叠起来的，来源可能就是一些你在学校里书本上的知识。用不上什么复杂的非线性模型，也没用到成千上万那么多的因子，得到的结果就已经good enough，且放着跑心里还有底。
接下来我将慢慢体会和践行。
结语
太懒了，中下写一起了，感悟和经历写一起了。
写这篇文章一是为了记录，二是为了让很多和我一样的普通研究员在初期避开一些坑。如果能穿越回三年前，我一定让以前的我逐字阅读我这两天写的东西。
看到很多朋友深有感触，甚至感觉“在跟自己对话”，老实说我是很开心的。这篇文章如果可以引起大家共鸣，让大家在最近这段超额难做的时光心情好点，我也挺开心了。
想写的东西很多，但是写的真的很累了，很多很细节和繁杂的部分只能一笔带过。
如果能吸引到大佬和同行线下面基，那太好了（狗头
话题与分类：
主题股票：
主题概念：
声明：遵守相关法律法规，所发内容承担法律责任，倡导理性交流，远离非法证券活动，共建和谐交流环境！
