30 秒版： AI agent 已经能自己读代码、跑实验、改 bug，写代码不再是量化研究的瓶颈。 于是稀缺的不是“能做多少实验”，而是什么值得试、以及什么结果值得相信。 研究员的角色也不只是“提问者”——提问同样廉价，真正难的是设计能区分不同解释的实验。 执行变便宜之后，你面对的不是空荡荡的海，而是一片突然多出几百艘船的海，问题从“怎么找到东西”变成“怎么知道找到的不是玻璃渣”。

最近读到一篇文章，作者讲了一个我很有共鸣的变化：

一个初级量化研究员每天做的事情，大概是读研报、读论文、复现策略、写代码、跑回测、做稳健性检验，再整理成报告。过去，这里面最费时间的往往是执行。

现在不一样了。

AI agent 已经可以自己读代码、找数据、写项目、跑实验、看报错、修改代码，再继续跑下去。一个原本需要研究员花几天完成的复现任务，可能变成让 Codex 或 Claude Code 在晚上自己跑。

于是我开始觉得，真正值得讨论的问题可能已经不是：

AI 会不会写代码？

而是：

当写代码越来越便宜以后，量化研究员到底还剩下什么？

从“自己做”到“让它做” 链接到标题

我现在自己的工作方式其实已经发生了一点变化。

以前有一个研究想法，我会直接开始写代码。

先找数据，写 feature，改回测框架，处理各种 edge case，然后跑结果。中间经常花掉大量时间在一些其实并不重要的事情上。

现在我更倾向于先把问题想清楚。

这个现象为什么存在？

如果我的解释是真的，应该还能观察到什么？

有没有另外一种解释也能产生同样的结果？

什么实验可以把它们区分开？

什么结果会直接让我放弃这个方向？

这些东西想清楚以后，再把比较明确的研究方案交给 coding agent 去执行。

于是我的工作开始有点像：

我负责想，AI负责做。

当然，这句话也太简单了。

真正困难的地方并不是把一个 dataframe 算出来，而是要确保自己让 AI 算的东西值得算。

以前的瓶颈，可能只是被代码遮住了 链接到标题

我越来越觉得，过去量化研究里大量的 coding 工作，有时候会掩盖一个事实：

研究最难的问题，本来就不是代码。

比如我们发现一个因子 IC 很高。

接下来真正值得问的不是“怎么把回测跑出来”，而是：

这个 IC 到底来自什么？

是不是行业暴露？

是不是市值效应？

是不是流动性？

是不是某一段特殊市场环境？

是不是数据处理中的某个细节？

是不是我们无意中看到了未来？

一个漂亮的回测结果当然令人兴奋。

但如果只换一个调仓日、一个股票池、一个样本区间，结果就消失了，那么真正值得研究的也许不是这个因子，而是为什么它会消失。

以前这些问题经常被大量重复性的工作夹在中间。

现在 AI 把执行成本压低以后，它们反而变得更加显眼。

但我不太认同“未来研究员只是提问者” 链接到标题

看到类似的观点时，我觉得它大体是对的，但“提问者”这个说法还是太轻了。

如果 AI 可以写代码，那么“提出一个问题”本身也没有那么稀缺。

你完全可以让 AI 给你提出一百个：

“为什么这个因子有效？”

真正困难的是：

怎样设计一个实验，让不同的解释产生不同的预测？

假设一个策略有效。

我们认为可能是 momentum，也可能是 liquidity，还可能只是 sector exposure。

好的研究不是从中挑一个最顺眼的故事，而是继续设计实验：

如果是 momentum，应该看到什么？

如果是 liquidity，应该看到什么？

如果是 sector exposure，又应该看到什么？

然后让数据自己去淘汰这些解释。

所以我觉得未来研究员真正重要的能力，不只是提问，而是：

提出好的问题，设计可信的验证，并且知道什么时候应该相信结果，什么时候应该怀疑结果。

研究可能变成另一种“流水线” 链接到标题

这让我想到一个有点有意思的变化。

过去我们更像是：

一个想法 → 一个研究员 → 一套代码 → 一个结果

所以研究员的时间决定了能尝试多少东西。

以后可能会变成：

一个研究员 → 大量 hypothesis → 大量 agent → 大量实验 → 少数值得深挖的结果

如果一个实验原本需要两天，现在只需要几个小时甚至一个晚上，那么很多以前“不值得试”的想法都可以试一下。

这时候真正稀缺的反而不是执行能力，而是：

什么值得试。

以及更重要的：

什么结果值得相信。

我甚至觉得，未来量化研究可能越来越像一个不断筛选的过程：

提出 hypothesis → 廉价验证 → 快速证伪 → 保留少数方向 → 深挖。

而不是花几周时间，把一个从一开始就很可疑的想法做得非常漂亮。

AI 并没有让研究变简单 链接到标题

至少对我来说，它带来的感觉反而有点相反。

以前一个研究问题摆在面前，我可能先想：

“这个东西我要写多久？”

现在这个问题变得越来越不重要。

我更容易开始想：

“这个问题到底值不值得研究？”

而当执行成本继续下降以后，第二个问题会变得越来越重要。

因为你很快就会拥有大量结果。

大量因子。

大量回测。

大量统计显著的东西。

大量看起来很有道理的故事。

到最后，你面对的可能不再是一片什么都没有的海，而是一片突然多出来几百艘船的海。

问题也就从：

“我怎么才能找到一个有用的东西？”

变成：

“我怎么知道我找到的这个东西不是玻璃渣？”

我觉得这可能才是 AI 真正改变量化研究之后，留给研究员最有意思的问题。

不是从执行者变成提问者。

而是从亲自划船的人，慢慢变成决定船往哪里开、捞上来的东西到底值不值得留下的人。

顺着这个想法往下推了一层，把“实验成本趋近于零”之后研究方法会怎么变，整理成了一份更系统的框架：当实验成本趋近于零以后，研究本身会变成什么样？。