SK

有了AI以后，开一个新项目的成本低得惊人。一个念头，一个下午就能搭出雏形。于是电脑里慢慢堆满了做到一半的东西。 起初我以为这是效率的胜利，后来才意识到，AI压缩的只是项目的一部分。 一、被加速的是前半程。搭框架、写代码、跑出第一版结果，这些AI做得又快又好。后半程几乎没有被压缩：验证它到底对不对，放进真实环境里跑，处理那些只有跑起来才会暴露的问题。计算机里有个阿姆达尔定律，说的就是这件事：一项任务只有一部分能被加速时，整体提速的上限，由不能被加速的那部分决定。假设AI把八成的工作压缩到几乎为零，剩下两成照旧，整个项目最多也只快五倍。 二、在量化里，这两成里最硬的一块是时间。一个策略成不成立，最终要靠足够长的样本外来回答，这段时间AI替你过不完。开得越快，只是让越多的想法停在"还不知道好不好"的状态。雏形带来的进展感是真实的，它携带的信息量却很少。 三、半成品并非没有成本。每个没做完的项目都像一份期权，留着它，好像保留了一种可能。但期权有时间价值的损耗，代码会过时，数据会陈旧，当初的思路会被遗忘。更隐蔽的成本在注意力上。组织行为学里有个概念叫注意力残留，人从一件事切换到另一件事时，会有一部分心思滞留在上一件事里。手上的项目越多，滞留越多，每件事分到的都只是残余的注意力。 所以，当"开始"变得廉价，稀缺的就成了"选择"。能力不再体现在能同时做多少，而在于决定不做什么。

交易模型比的不是有多高级，是做得细不细。今天又把这部分重新梳理了一遍，拆开很久之前做的的模型看，发现里面的特征一大半都是重复的，其实在说同一件事。原来的堆了21个特征，很多特征没用。其中最强的单拎出来，比整个模型还准。换干净的特征更能提高模型的准确度。堆因子≠有用。

越来越佩服厉害的主观交易员。 看错了能马上认，发现不对就走，不跟市场较劲。看对了拿得住，不会赚一点就急着落袋。没机会的时候能忍很久不动。连亏几笔，下一单还是按自己的计划来。 这些道理谁都懂，但是做到很难。 严格的纪律，杀伐果断。错了就改，改了再悟，直到找到属于自己的那条道。

一直觉得发内容就得利他，所以写得很慢，每天都想憋一条干货。今天让claude把我三个月的推特都翻了一遍，每条数据拉出来看，数据最好的是一篇随笔。有点扎心，但也想通了。我喜欢的东西挺多的，想学的东西也很多。其实想说什么说什么。不用端着也不用装。同频的人都是主动吸引而来。

认真夸一个人！纳米老师@antiAIvo！纳米老师伟大！！ 之前写过，做研究最怕闭门造车，不知道自己站在哪。其实学 AI 也一样，资料太多，不知道先学什么、自己学到哪了。 他做了一张大模型学习路线图，从 Transformer 一路到 DeepSeek-V4，8 个阶段、51 个知识点，每一项要先学什么、去哪学都标好了。很多还配了他做的图解和教程，另外开源了从零手写 GPT-2 和 Agent 的项目。 最难得的是全部免费。超级干货！有人找他付费咨询，他都是回人家不如去问 Claude！ 我天天用 AI，其实不够了解 AI。还需要不断学习。大家也可以看纳米老师的内容学习！ nano-ai.tech/map

之前写过，EMA、动量、突破，本质上都是过去收益的不同加权。最近学 Transformer 里的注意力机制，发现它也是加权平均。 区别在于权重从哪来。EMA 的权重是固定的，离现在越远权重越小，跟内容无关。注意力的权重是模型根据内容现算的：当前这个词跟前面每个词有多相关，相关的权重就大，不管它离得远还是近。 还有一点很像做多因子。注意力有多个"头"，每个头用一套不同的加权方式去看前文，有的看语法，有的看指代关系，最后再合在一起。有点像同时用几个不同周期的因子，再做组合。

codex宣传部部长

今天和朋友聊天，他说套利的本来就厌恶亏损。这句话真妙。 每种策略亏钱的方式不一样。做趋势的，胜率不高，经常小亏，偶尔一次大赚把前面的都赚回来。做套利的，胜率很高，平时稳定赚小钱，但风险藏在某一次很大的亏损里。这两种分布，对人的心理要求完全相反。损失厌恶决定了你能扛住哪一种。 心理学里有个概念叫损失厌恶：亏一块钱的痛苦，大概是赚一块钱快乐的两倍。而且每个人的程度不一样。损失厌恶强的人，很难忍受趋势策略那种连续的小亏，每一笔止损都是一次折磨，往往在大行情来之前就放弃了。他们会自然被套利中性这些吸引，曲线平滑，天天在赚。 身边还有一些朋友，干什么都要对冲。我觉得他们怕的不只是亏钱，更怕“本来可以避免却没避免"的那种后悔。对冲给的不只是风险控制，还有一种心理上的确定感。 所以，是策略在选人。能长期坚持下来的多是跟自己心理结构匹配的那一种。

以前做研究，基本是自己想、自己试。想到一个因子就去回测，效果好就很兴奋，以为发现了什么。其实很多我"发现"的东西，别人十几年前就研究过了。有的早就被证明有效，有的早就被证明只是数据巧合，还有的已经被用到失效了。闭门造车最大的问题，不是慢，是我不知道自己站在哪。我以为在往前走，其实可能在别人走过的路上绕圈，还会重复踩别人已经写清楚的坑。 论文让我看到一个问题已经被研究到了哪一步，哪些方法是靠得住的，哪些结论只在特定条件下成立。站在这些基础上再往前想，才有可能想出一点真正新的东西。当然论文也不是答案。市场在变。 最开始读得很吃力。从第一页读到最后一页，公式看不懂就跳过，读完觉得好像懂了，过几天什么都不记得，更别说用上。现在我会先让 AI 帮我梳理论文结构、解释看不懂的公式、整理变量定义，这省了很多时间。学的越多，越觉得自己知道的太少。每篇论文背后，都是一个人或者一个团队花了很长时间去证明一件很小的事。 我一直觉得学术的魅力之一是学会怎么严谨地提出一个问题，再把它证明出来。

不要回顾过去，不要品味痛苦，不要背叛自己。

刚开始做因子的时候，我也主要看回测曲线和 IC 均值。后来踩了一些坑，慢慢会多看几件事，记录一下自己现在的理解。 一、预测力：不只看 IC 均值
看 RankIC 而不是 Pearson IC，避免被少数极端值主导。
看 ICIR，均值高但不稳定的因子，实盘体验会很差。
看 IC 衰减曲线和半衰期，它决定了调仓频率，也决定了换手和成本。
看分位数收益是否单调。IC 不错但只有头尾两组有效，说明它可能是非线性的，线性组合会浪费它。 二、纯度：它是不是别的东西换了个名字
加密市场里，大部分"新因子"本质上是 BTC beta、市值、流动性或波动率的变体。
先对这些风格做中性化，再看残差 IC 还剩多少。
再对你已有的因子库做正交化，看边际贡献。一个跟现有因子高度相关的因子，单独再好看，放进组合里也几乎没有增量。 三、显著性：你试了多少次
这是最容易被忽略的一关。
如果你试了一百个因子，挑出最好的一个，它的 t 值是被选择偏差抬高的。有一篇文献说考虑到整个学术界的数据挖掘，新因子的 t 值门槛应该提到 3 左右，而不是传统的 2。
Sharpe 也一样，要用 Deflated Sharpe Ratio，把试验次数、收益的偏度和峰度考虑进去。
回测本身的过拟合概率，可以用组合对称交叉验证（CSCV）估计 PBO。 四、验证方式：时间序列不能随便切
标签有持有期的时候，普通 K 折交叉验证会让训练集和测试集在时间上重叠，等于偷看答案。
要做 purging 和 embargo，把重叠的样本剔掉，再留一段隔离期。 五、可交易性：扣完成本还剩多少
看换手率和成本调整后的 IC，而不是毛收益。
看容量：因子信号集中在小币上的，往往纸面最漂亮，实际最做不进去。
加密市场还有一个特殊问题：幸存者偏差。下架和归零的币如果不在样本里，所有做多弱势币、做空强势币的逻辑都会被高估。 六、寿命：它会怎么死
McLean 和 Pontiff 研究过，因子在论文发表之后，收益会明显下降。公开的逻辑最终都会拥挤。
所以我会持续监控因子收益的滚动表现、和其他因子的相关性变化，以及能观察到的拥挤度。不是找一个永远有效的因子，而是知道它什么时候开始失效。