https://wins-m.github.io/302/tags/%E9%87%8F%E5%8C%96%E7%A0%94%E7%A9%B6/Recent content in 量化研究 on WM's BlogHugozh-cnThu, 20 Aug 2026 12:00:00 +0800https://wins-m.github.io/302/posts/2026/zero-cost-experiments/Thu, 20 Aug 2026 12:00:00 +0800https://wins-m.github.io/302/posts/2026/zero-cost-experiments/<blockquote> <p><strong>30 秒版：</strong> AI 真正降低的不是写代码的成本，而是整个 hypothesis space 的<strong>搜索成本</strong>——以前 20% 成功率、要做两天的想法不值得试，现在值得。 于是瓶颈从 execution 移到 selection：一天能跑两百个实验时，难的是<strong>哪两个值得看</strong>。 而且 alpha discovery 变便宜了，alpha validation 没有——搜索空间一大，multiple testing、overfitting、selection bias 全部加重，噪声里总能捞出漂亮的 equity curve。 所以研究员的活儿从“找到一个好结果”变成“给一堆结果排证据强度”，稀缺的不再是搜索能力，而是<strong>知道该去哪里搜</strong>的先验，以及愿意 kill signal 的纪律。</p>https://wins-m.github.io/302/posts/2026/quant-research-bottleneck/Thu, 20 Aug 2026 00:00:00 +0800https://wins-m.github.io/302/posts/2026/quant-research-bottleneck/<blockquote> <p><strong>30 秒版：</strong> 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<strong>什么值得试</strong>、以及<strong>什么结果值得相信</strong>。 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”。</p>