AI 能批量生成策略，为什么你反而更难找到能用的？
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。
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。
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 |
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：
- 说出想法。用户用自然语言描述规则和想解决的问题。
- 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。
- 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。
- 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。
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。
如果你想自己跑一遍，可以按安装 → 提问 → 核验的顺序开始。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。
