> ## Content Index
> Fetch the complete content index at: https://blog.edgepilotai.io/llms.txt
> Use this file to discover other available public pages before exploring further.

# AI 能批量生成策略，为什么你反而更难找到能用的？
- URL: https://blog.edgepilotai.io/zh/ai-generated-strategies-how-to-filter-zh/
- Published: 2026-09-01T04:44:34.000Z
- Updated: 2026-09-01T05:34:39.000Z
- Description: AI 把写策略变便宜了，也把碰巧好看的回测变多了。真正稀缺的不是第 101 个想法，而是一条能复现、施压并及时放弃错误策略的研究流程。
- Author: EdgePilot Team
- Tags: #zh-cn, AI Trading

**AI 一天能给你写 100 个策略，麻烦也正好从第 101 步开始：这 100 个里，哪个是真有东西，哪个只是历史行情那天心情好？**策略出得越快，漂亮回测就越不值钱。真正要命的是，你挑错一个，最后是拿真钱替它补考。下面不教你继续批量生产，而是把筛选这件事讲明白：怎么重跑、怎么故意把条件调差，以及什么时候该继续测、改规则，或者当场扔掉。

这也是很多 AI 量化产品容易搞反的一件事。它们把“会写策略”做成了卖点，好像按钮按得越勤，Alpha 就离你越近。实际更像在一屋子彩票里继续加打印机：纸越来越多，中奖概率可没跟着变。

## 策略越能批量生成，越容易把运气当本事

有人在算法交易社区分享，自己用 AI 做了约 50 个策略，10 个进入模拟盘，4 个暂时表现不错。这个案例不能代表所有人，但评论区追问的方向很准确：挑选过程有没有选择偏差？四个策略是否高度相关？模拟时间是不是太短？代码里有没有看不见的错误？[原帖和讨论](https://www.reddit.com/r/algotrading/comments/1ujd2e6/lots%5Fof%5Fai%5Fstrats%5Fapproach/?ref=blog.edgepilotai.io)真正暴露的不是“AI 没用”，而是生成已经便宜到近乎免费，筛选反而成了瓶颈。

当第 37 份回测都说自己“很稳”。

道理其实不绕：你试 5 个想法，可能一个都不好看；你试 500 个，总有几个会碰巧押中这段历史行情。然后你只把冠军留下，失败的 499 个全当没发生，回测当然显得像开了天眼。研究里把这类问题叫“回测过拟合”和“多重检验”。Bailey 等人的[回测过拟合概率研究](https://www.davidhbailey.com/dhbpapers/backtest-prob.pdf?ref=blog.edgepilotai.io)解释了为什么样本内冠军换段行情就掉队；Harvey 与 Liu 对[大规模多重检验](https://arxiv.org/abs/2006.04269?ref=blog.edgepilotai.io)的研究也说明，试得越多，碰巧过线的策略就越多。

这口锅不能全甩给 AI。以前人工写得慢，一天也试不了几个；现在十秒钟就能再来一版，相当于把抽奖机换成了印钞机的速度——印出来的不是钱，是更多看着像钱的回测。问题还是老问题，只是发生得更快了。

## 用户缺的不是更多代码，而是同一份“策略档案”

传统量化流程经常散在好几个地方：聊天窗口里写逻辑，脚本里改参数，行情工具里选时间段，回测器里填手续费，表格里记结论。下一轮再测时，只改了其中一个地方，策略看着还是同一个，实验条件早换了一套。

这类错误最烦，因为它不一定报错。图照样出来，夏普比率照样有两位小数，只是你已经不知道自己在比较什么。

| 研究动作 | 分散工具常见结果      | 更合理的产品形态             |
| ---- | ------------- | -------------------- |
| 记录想法 | 聊天记录和代码各写一版   | 意图与可执行规则绑在同一策略版本     |
| 改变假设 | 手续费、滑点、时区容易漂移 | 把数据窗口、成本和参数作为可检查输入   |
| 追问结果 | 另开工具重新解释      | 沿同一份证据继续换行情、加成本、看样本外 |
| 做决定  | 留下一个漂亮截图      | 明确继续、修改或放弃，以及原因      |

![EdgePilot 八爪鱼机器人把同一份策略档案依次送过成本、换行情和样本外三道检查](https://storage.ghost.io/c/6d/bb/6dbbb7cc-1f93-4cd3-8d75-e3c2cfce055f/content/images/2026/08/ai-quant-workspace-mechanism-zh.png)

关键不是多开三个工具，而是让三次检查都指向同一份策略档案。

所以真正有用的 AI 量化工具，不该天天拿“又生成了多少策略”邀功。它更该把同一个策略的规则、参数、手续费、测试区间和每次失败都记在一处。你下一次追问，是接着上一次结果往下查，不是换个提示词，再抽一张彩票。

## 为什么不能按一下按钮，就把回测当答案？

重点不是聊天框看着亲切。聊天框不会自动把研究变靠谱，模型照样可能听错规则、写错代码，还能把一张普通曲线夸出获奖感言。它真正有用的地方只有一个：你用人话追问，它能在同一份策略上继续做下一项具体检查，而且前面的条件不会悄悄换掉。

比如你说：“这个均线策略看着不错。”只会生成策略的工具，最容易顺手再给你五个参数版本。更靠谱的回答应该先问几件扫兴但值钱的事：

- 手续费和滑点加倍后，还剩多少？
- 把测试期从 90 天拉到 365 天，结论是否改变？
- 趋势、震荡和极端波动阶段分别怎样？
- 最优参数旁边一圈都赚钱吗，还是只有一个针尖高点？
- 样本外、延迟和更差成交条件下还站得住吗？

这五个问题一点都不科幻，甚至有点扫兴。但扫兴正是它们的价值：手续费一加、行情一换，策略还能站着，才值得继续看；三下就散架，那不是研究成果，只是一张会说话的漂亮截图。

## EdgePilot 为什么做成这种形态

[EdgePilot 的证据说明](https://www.edgepilotai.io/zh/evidence/?ref=blog.edgepilotai.io)要求每次测试都把账说清楚：行情从哪来、测了哪段时间、参数怎么设、手续费怎么算、没参与调参的那段行情表现怎样。这样你第二次再问时，系统不能偷偷换个时间段、降点手续费，然后装作还是同一个策略。

因此，EdgePilot Research 的基本循环是：

1. **说出想法。**用户用自然语言描述规则和想解决的问题。
2. **把想法变成可检查的策略。**明确数据窗口、参数、费用、指标与可执行条件。
3. **主动找它的麻烦。**增加成本、加入延迟、换市场状态、比较样本内和样本外。
4. **给出去留结论。**不是只报收益，而是说明继续验证、修改假设或停止研究。

淘汰一个错策略，不是失败，是少交一次真钱学费。

好处说白了就一句：AI 不再比谁生得多，而是帮你更快发现哪个不该继续。第 101 个策略十秒钟就能写出来；如果它能让你提前看见第 3 个策略扛不住手续费和换行情测试，省下的可能是几周模拟盘，更可能是一次没必要的实盘亏损。

## 最强反方：东西放在一起，也可能一起算错

这个反对意见完全成立。策略、参数和结果放在同一个页面，不代表数据就会自动变对；能接着聊天，也不代表换个人就能重跑出同样结果。数据漏了失败样本、代码偷看了未来、手续费算得太轻，或者用户只追问自己爱听的话，最后照样会得到一条特别精致、但不能拿来用的曲线。

所以这种工具要真有用，至少得守住四件事：同样的条件能重跑出同样的结果；手续费、参数和时间区间都看得见；你可以故意把条件调差，看它会不会垮；最后拍板的人仍然是用户。少一件，所谓 Agent 工作流都可能变成一台嘴更甜的曲线生成器。

EdgePilot 也明确说明，它不能消除幸存者偏差、模型风险或人的判断错误。[EdgePilot Research](https://www.edgepilotai.io/zh/?ref=blog.edgepilotai.io)负责找策略、回测和核对证据，不需要交易凭证，也不会直接替你下实盘单。需要运行策略时，使用单独的 EdgePilot Live，其中部分功能付费；交易凭据保留在本地，启动实盘前仍要由用户明确确认。把研究和下单分开，不是多绕一步，而是避免一句“帮我跑”直接碰到账户。

## 一次具体使用：从“看起来能赚”到“值不值得继续”

假设你提出一个突破策略：价格突破过去 20 日高点就买入，跌破 10 日低点退出。系统跑出一张不错的 90 天回测。传统策略生成器会马上给你 10、20、30 日的变体，冠军曲线很快就出现。

更靠谱的做法是先把原规则留住，然后一项项拆：把 90 天拉到 365 天还赚钱吗？手续费和滑点加进去还剩多少？晚一根 K 线成交会不会直接翻脸？碰上震荡行情是不是来回挨打？再把 20 日改成 18、19、21、22 日。如果只有 20 这个点特别好看，先别喊“找到最优参数”。更可能的情况是，你在一片平地上碰巧踩中了一根针。

![EdgePilot 将用户策略想法经过证据和压力测试后分流为继续、修改或放弃三种决定](https://storage.ghost.io/c/6d/bb/6dbbb7cc-1f93-4cd3-8d75-e3c2cfce055f/content/images/2026/08/ai-quant-workspace-decision-zh.png)

输入不是为了换来一句“能赚”，而是换来一个可执行的去留决定。

如果你想自己跑一遍，可以按[安装 → 提问 → 核验](https://www.edgepilotai.io/zh/how-to-use/?utm%5Fsource=edgepilot%5Fblog&utm%5Fmedium=article%5Fcta&utm%5Fcampaign=ai-generated-strategies-how-to-filter-zh&utm%5Fcontent=try%5Ftool)的顺序开始。先别问“给我一个高收益策略”，改问：“把这条规则的假设、成本、样本外结果和最容易失效的条件列出来，再告诉我下一项最能推翻它的测试。”

## 常见问题

### AI 生成的策略越多，找到好策略的概率不是越高吗？

候选可能变多，但假阳性也会变多。没有更严格的样本外、成本、稳健性和多重检验控制，数量增长只会让你更容易挑中“历史冠军”。

### 这是不是意味着 AI 不该生成策略？

不是。生成适合扩大假设空间，筛选负责控制错误发现。问题不是生成，而是把生成数量误当成研究质量。

### 对话式产品为什么比传统回测器好？

它不天然更好。只有当自然语言追问能落到可复现的测试，并持续引用同一份策略、假设和证据时，才减少工具切换与假设漂移；否则只是换了一个界面。

### EdgePilot 会直接替我决定下单吗？

不会。EdgePilot Research 用来找策略、做回测和核对结果，不要求交易凭证，也不会直接替你下单。需要运行策略时使用独立的 EdgePilot Live，其中部分功能付费；交易凭据保留在本地，启动实盘前仍要由用户明确确认。

## 最后的判断

所以最后别数 AI 今天又写了多少策略。真正该数的是：有多少烂策略在碰真钱之前就被你拦下来了，而且你知道它死在哪一步。生成策略现在很便宜；能把手续费、换行情和样本外测试的账一项项对上，才是研究真正值钱的地方。

## 来源

- [EdgePilot Evidence & Methodology](https://www.edgepilotai.io/zh/evidence/?ref=blog.edgepilotai.io)
- [EdgePilot 使用说明](https://www.edgepilotai.io/zh/how-to-use/?ref=blog.edgepilotai.io)
- [Bailey et al., The Probability of Backtest Overfitting](https://www.davidhbailey.com/dhbpapers/backtest-prob.pdf?ref=blog.edgepilotai.io)
- [Harvey & Liu, False (and Missed) Discoveries in Financial Economics](https://arxiv.org/abs/2006.04269?ref=blog.edgepilotai.io)
- [延伸阅读：滚动验证和交叉验证到底是什么？](https://blog.edgepilotai.io/zh/rolling-cross-validation-explained/)