1. 从一条热搜说起AI算法与量化投资到底怎么走到一起的第四届琶洲算法大赛国际AI赛刚结束那阵子我朋友圈里做量化的、做算法的、做资管的几乎同时都在转同一条消息。这个比赛本身是算法领域的竞技场但有意思的是今年好几个获奖方案的核心思路都不是纯算法炫技而是直接冲着金融场景去的——尤其是量化投资方向。这让我意识到一件事AI算法和量化投资的结合已经不是实验室里的概念验证了它正在变成资管行业里实打实在跑的东西。我自己在这个交叉领域摸爬滚打了几年从最早用传统多因子模型做选股到后来尝试用机器学习做因子挖掘再到现在把深度学习模型塞进交易信号生成流程里踩过的坑比写过的策略还多。所以这篇文章我不打算讲什么“AI赋能金融”的大道理而是想从一个实操者的角度把AI算法在量化投资里到底怎么用、用在哪、哪些地方容易翻车、怎么判断一个AI量化方案靠不靠谱这些实打实的问题掰开揉碎聊清楚。如果你是对量化投资感兴趣但还没入门的新手这篇文章会帮你建立一套完整的认知框架如果你已经在做传统量化策略想看看AI到底能带来什么增量那我会重点讲清楚AI算法相比传统方法在哪些环节有优势、哪些环节反而是倒退如果你是做资管产品或者投资决策的那关于AI量化策略的评估和风控部分应该能给你一些直接能用的判断标准。核心关键词就两个AI算法和量化投资。但这两个词放在一起不是简单的“11”而是涉及到数据、模型、交易、风控一整条链路的重新设计。下面我按实际落地的逻辑一层一层拆开讲。2. AI算法在量化投资中的核心定位与方案选型2.1 传统量化投资的瓶颈到底在哪要理解AI算法为什么会被引入量化投资得先搞清楚传统量化投资卡在什么地方。传统量化投资的核心逻辑说白了就是“找规律”——从历史数据里找到能够预测未来收益的因子然后按照这些因子构建组合。经典的Fama-French三因子、五因子模型还有各种动量因子、价值因子、质量因子本质上都是这个思路。这套方法在很长一段时间里是有效的但它有几个绕不过去的瓶颈。第一个瓶颈是因子挖掘的天花板。传统因子大多是线性因子比如市盈率低的股票未来收益高、动量强的股票短期继续涨这些规律用线性回归就能捕捉。但市场里大量存在的非线性关系传统因子模型根本抓不住。举个例子一只股票的换手率和它未来收益之间的关系很可能不是简单的线性关系——换手率极低的时候可能意味着流动性风险换手率极高的时候可能意味着投机泡沫中间某个区间反而是健康的。这种“U型”或者更复杂的非线性关系线性因子模型处理起来非常吃力。第二个瓶颈是数据维度的局限。传统量化模型主要吃结构化数据——价格、成交量、财务指标这些。但市场上大量的信息是非结构化的新闻文本、研报、社交媒体情绪、卫星图像、供应链数据等等。这些数据传统模型要么用不了要么只能用非常粗糙的方式处理比如简单的情感打分。而AI算法尤其是深度学习天然擅长处理高维、非结构化的数据。第三个瓶颈是市场状态切换的适应性问题。传统因子模型在某个市场环境下表现很好但市场风格一切换因子就失效了。2019年到2021年成长因子大行其道2022年价值因子突然翻身很多传统量化策略根本来不及调整。AI算法在这方面有天然优势——它可以持续从新数据中学习动态调整对不同因子的权重分配。2.2 AI算法切入量化投资的三条主要路径AI算法进入量化投资不是一刀切地替代传统方法而是从不同环节切入。根据我这几年看到的实际落地情况主要有三条路径。第一条路径是因子挖掘的AI化。这是目前最成熟、落地最多的方向。传统因子挖掘靠人工经验和经济学逻辑AI因子挖掘则是让算法自动从海量数据中寻找预测信号。具体做法包括用遗传算法、符号回归自动生成因子表达式用自编码器从高维数据中提取隐含因子用图神经网络捕捉股票之间的关联关系。这条路径的优势在于它能在传统因子之外找到大量“弱信号”这些弱信号单独看预测能力很弱但组合起来能显著提升模型表现。第二条路径是交易信号生成的AI化。传统量化策略的信号生成往往是规则驱动的——比如“当5日均线上穿20日均线时买入”。AI算法则可以直接从数据中学习交易信号比如用LSTM、Transformer等时序模型预测未来收益率用强化学习直接学习交易策略。这条路径的挑战在于金融数据的信噪比极低模型很容易过拟合需要非常精细的正则化和验证设计。第三条路径是组合优化与风险管理的AI化。传统组合优化大多基于均值-方差框架但这个框架对输入参数极其敏感预期收益率的微小估计误差就会导致组合权重剧烈变化。AI算法可以用更稳健的方式做组合优化比如用深度学习估计协方差矩阵用强化学习动态调整仓位用生成模型做压力测试和情景分析。这三条路径不是互斥的实际落地中往往是组合使用。但每条路径的技术难点、数据要求、验证方法都不一样需要分开对待。2.3 为什么是现在三个关键条件同时成熟AI算法和量化投资的结合不是今天才有人想为什么最近两年才真正热起来我认为是三个关键条件同时成熟了。算力成本大幅下降。训练一个中等规模的深度学习模型五年前可能需要几十块GPU跑一周现在用云端的按需算力几个小时就能搞定成本降了一个数量级。这让中小型量化团队也能玩得起AI模型不再是大机构的专利。数据基础设施完善。量化投资对数据的要求极高——不仅要有数据还要有高质量、低延迟、可回溯的数据。这几年数据供应商成熟了另类数据的获取成本也大幅下降。新闻舆情、供应链、卫星图像这些数据以前只有顶级对冲基金用得起现在中小团队也能买到。算法工具链成熟。PyTorch、TensorFlow这些深度学习框架越来越易用专门针对时序数据的模型架构如Temporal Fusion Transformer也越来越成熟。更重要的是量化社区开始沉淀出一批专门针对金融数据的AI工具和最佳实践不再需要每个团队从零造轮子。这三个条件叠加让AI量化从“能不能做”变成了“怎么做得好”。3. 核心细节解析AI量化策略的实操要点3.1 数据准备AI量化的地基怎么打做AI量化数据是地基。地基打不好模型再花哨也是空中楼阁。我见过太多团队在数据上偷懒结果模型在回测里表现惊艳一上实盘就崩盘。数据清洗的优先级高于数据获取。很多人一上来就想搞另类数据、搞卫星图像但连基础的价格数据都没清洗干净。价格数据里的复权处理、停牌处理、涨跌停处理每一个细节都会影响模型训练。举个例子如果你没有正确处理停牌股票模型可能会把停牌期间的“零收益”当成真实信号学习进去导致实盘时对停牌股票产生错误判断。特征工程的本质是让数据说人话。AI模型再强大也需要好的特征输入。量化投资里的特征工程核心是把原始数据转化成对预测有用的信号。比如原始的价格数据可以转化成收益率、波动率、动量、反转等特征原始的财务数据可以转化成同比增速、环比变化、超预期幅度等特征。这一步的关键是理解每个特征背后的经济学含义而不是盲目堆砌。数据泄露是AI量化最大的坑。所谓数据泄露就是模型在训练时“偷看”了未来信息。这在量化里极其常见而且极其隐蔽。比如你用当天的收盘价计算特征然后用这个特征预测当天的收益——这就是典型的数据泄露因为收盘价在收盘前是不知道的。再比如你用财报数据做特征但没有考虑财报的发布延迟——很多公司的财报是滞后发布的如果你假设财报在报告期结束时就能拿到模型就会学到虚假的预测能力。注意数据泄露的排查没有捷径必须逐特征、逐时间点地检查。我的经验是每加一个新特征都要问自己三个问题这个数据在预测时点真的能拿到吗拿到的时间延迟是多少这个延迟在回测里正确处理了吗3.2 模型选择不是越复杂越好AI算法在量化投资里的模型选择有一个反直觉的结论不是越复杂的模型越好。我见过不少团队一上来就上深度学习、上Transformer结果发现效果还不如简单的梯度提升树GBDT。线性模型仍然是重要的基准。在量化投资里线性模型如带正则化的回归有两个不可替代的优势一是可解释性强你能清楚看到每个因子的权重和方向二是过拟合风险低在信噪比极低的数据上简单模型往往比复杂模型更稳健。我的建议是任何AI量化策略都应该先建立一个线性基准然后用复杂模型去对比看复杂模型带来的增量是否值得额外的复杂度和风险。树模型是当前量化投资的主力。XGBoost、LightGBM这些梯度提升树模型在量化投资里应用非常广泛。它们的优势在于能自动捕捉非线性关系对特征缩放不敏感训练速度快而且有成熟的特征重要性分析方法。在实际落地中很多表现最好的AI量化策略核心模型就是GBDT而不是深度学习。深度学习在特定场景下有优势。深度学习真正发挥优势的场景主要是三类一是处理非结构化数据文本、图像二是处理高维时序数据如高频交易数据三是需要端到端学习的场景如强化学习做交易决策。在传统的日频选股场景里深度学习的优势并不明显反而容易过拟合。模型集成的性价比往往最高。与其花大力气调一个复杂模型不如把几个中等复杂度的模型集成起来。常见的集成方法包括Bagging如随机森林、Boosting如GBDT、Stacking用元模型组合多个基模型。在量化投资里模型集成能显著降低单模型过拟合的风险提升策略的稳健性。3.3 回测验证AI量化最容易自欺欺人的环节回测是量化策略的“照妖镜”但也是AI量化最容易自欺欺人的环节。我见过太多回测曲线漂亮得不像话的策略实盘一跑就原形毕露。问题出在哪出在回测方法上。样本外测试是底线不是高标准。任何AI量化策略都必须留出样本外数据做验证。但仅仅留样本外还不够因为如果你反复用样本外数据调参样本外就变成了样本内。正确的做法是留出一段完全不可见的数据作为最终测试集在策略定型之前绝对不碰。交叉验证要用时序方式。传统的K折交叉验证在量化投资里是无效的因为它会打乱时间顺序导致未来信息泄露。正确的做法是使用时序交叉验证Time Series Cross-Validation比如滚动窗口验证或扩展窗口验证。具体来说就是用前N个月的数据训练用第N1个月的数据验证然后窗口向前滚动。回测要模拟真实交易成本。很多AI量化策略的回测收益高得离谱但一算交易成本就全没了。交易成本包括佣金、印花税、滑点、市场冲击成本。其中滑点和市场冲击成本最难估计但恰恰对高频策略影响最大。我的经验是回测时至少要把交易成本设得比实际高一些给自己留安全边际。回测要检查策略容量。策略容量是指策略能管理多大规模的资金而不显著影响收益。很多AI量化策略在小资金下表现很好但资金规模一上去交易冲击成本就吃掉了大部分收益。检查策略容量的方法包括分析策略的换手率、持仓集中度、交易标的的流动性等。回测陷阱表现形式排查方法数据泄露回测收益异常高实盘大幅回撤逐特征检查时间戳确认预测时点可获取性过拟合样本内表现极好样本外表现差使用时序交叉验证限制模型复杂度交易成本低估回测收益高但换手率也高提高交易成本假设做敏感性分析幸存者偏差回测包含已退市股票使用包含退市股票的全样本数据前视偏差使用了未来才发布的数据严格按数据发布时点对齐3.4 实盘部署从回测到实盘的最后一公里回测做得好不代表实盘能赚钱。从回测到实盘中间隔着一条“最后一公里”这条路上翻车的团队不计其数。实盘和回测的差异主要来自三个方面一是数据差异实盘数据有延迟、有缺失、有异常值二是执行差异实盘的成交价格和回测假设的成交价格不一样三是市场差异实盘时市场环境可能已经变了。实盘部署要分阶段推进。我的建议是分三步走第一步是模拟盘运行用实时数据跑策略但不真实下单验证策略在实时数据上的表现第二步是小资金实盘用少量资金真实交易验证执行环节和交易成本第三步才是逐步放大资金规模。监控体系比策略本身更重要。实盘部署后必须建立完善的监控体系。监控指标包括策略收益与回测的偏离度、换手率是否异常、持仓集中度是否超限、因子暴露是否漂移、交易执行质量等。一旦发现异常要有预案及时处理。提示实盘部署初期建议设置一个“熔断机制”——当策略回撤超过某个阈值时自动暂停交易并触发人工复核。这个机制在极端市场环境下能救命。4. 实操过程从零搭建一个AI量化策略的完整流程4.1 环境准备与工具链搭建搭建AI量化策略第一步是把环境准备好。我推荐的工具链是这样的数据处理用Python生态。Pandas、NumPy、Polars处理大规模数据时比Pandas快很多是基础。数据存储建议用Parquet格式比CSV快得多而且支持列式读取。如果数据量特别大可以考虑用DuckDB做本地分析或者上Spark做分布式处理。模型训练用PyTorch或LightGBM。如果主要做树模型LightGBM是首选速度快、内存占用低、支持类别特征。如果要做深度学习PyTorch比TensorFlow更灵活社区生态也更好。专门做时序预测的话可以看看PyTorch Forecasting这个库里面封装了不少针对时序数据的模型。回测框架用VectorBT或Backtrader。VectorBT的优势是向量化回测速度快适合做大量策略的快速筛选。Backtrader的优势是事件驱动更接近实盘逻辑适合做精细化的回测。我的建议是策略筛选阶段用VectorBT策略定型后用Backtrader做精细回测。实验管理用MLflow或Weights Biases。AI量化策略的开发过程中会产生大量实验每个实验的参数、数据、模型、结果都需要记录。没有实验管理工具很快就会乱成一锅粥。MLflow是开源的可以本地部署Weights Biases是云端的界面更友好。# 一个简单的环境检查脚本 import pandas as pd import numpy as np import lightgbm as lgb import torch print(fPandas版本: {pd.__version__}) print(fNumPy版本: {np.__version__}) print(fLightGBM版本: {lgb.__version__}) print(fPyTorch版本: {torch.__version__}) print(fCUDA可用: {torch.cuda.is_available()})4.2 数据获取与特征工程实操数据获取的渠道很多公开数据可以用Tushare、AkShare商业数据可以用Wind、聚宽。我的建议是起步阶段先用公开数据把流程跑通等策略验证有效后再考虑付费数据。特征工程是AI量化里最耗时间、也最能体现功力的环节。我以日频选股为例讲一下特征工程的具体做法。价格类特征包括过去N天的收益率、波动率、换手率、成交量变化等。注意所有特征都必须用历史数据计算不能包含未来信息。比如计算5日动量应该用T-5到T-1的收盘价而不是T-4到T的收盘价。财务类特征包括营收增速、利润增速、ROE、资产负债率等。关键是要处理财报的发布延迟。一般来说年报的发布截止日是次年4月30日一季报是4月30日半年报是8月31日三季报是10月31日。在构建特征时必须按照实际发布日来对齐而不是报告期。另类数据特征包括新闻情感、分析师预期、供应链关系等。这类数据的处理难度较大但往往能提供传统数据没有的增量信息。比如新闻情感可以用预训练的语言模型做情感打分然后按股票聚合。# 特征工程示例计算动量特征 def calculate_momentum(df, window20): 计算N日动量特征 df: 包含日期、股票代码、收盘价的DataFrame window: 动量窗口 df df.sort_values([stock_code, date]) df[momentum] df.groupby(stock_code)[close].pct_change(window) # 注意这里用的是过去window天的收益率不包含未来信息 return df # 特征工程示例处理财报发布延迟 def align_financial_data(price_df, financial_df): 将财务数据按实际发布日对齐到价格数据 price_df: 价格数据包含date和stock_code financial_df: 财务数据包含report_date报告期和announce_date发布日 # 按发布日对齐而不是报告期 merged pd.merge_asof( price_df.sort_values(date), financial_df.sort_values(announce_date), left_ondate, right_onannounce_date, bystock_code, directionbackward # 只使用已经发布的数据 ) return merged4.3 模型训练与调参实操模型训练的核心是防止过拟合。在金融数据上过拟合的风险比一般机器学习任务高得多因为金融数据的信噪比极低模型很容易学到噪声。训练集、验证集、测试集的划分要按时间。我的做法是用前70%的时间做训练中间15%做验证最后15%做测试。验证集用于调参和模型选择测试集只在最终评估时用一次。早停是防止过拟合的有效手段。在训练过程中持续监控验证集上的损失当验证集损失连续N个epoch不再下降时停止训练。这个N通常设为5到10。正则化要适度。L1/L2正则化、Dropout、树模型的max_depth和min_child_weight都是常用的正则化手段。但正则化太强会导致欠拟合需要根据验证集表现来平衡。特征选择很重要。不是特征越多越好很多特征其实是噪声。我通常用三种方法做特征选择一是基于特征重要性树模型自带二是基于相关性分析剔除高度相关的特征三是基于稳定性分析在不同时间段都表现稳定的特征才保留。# LightGBM模型训练示例 import lightgbm as lgb from sklearn.metrics import mean_squared_error # 假设X_train, y_train是训练数据X_val, y_val是验证数据 train_data lgb.Dataset(X_train, labely_train) val_data lgb.Dataset(X_val, labely_val, referencetrain_data) params { objective: regression, metric: mse, boosting_type: gbdt, num_leaves: 31, # 控制模型复杂度 max_depth: 6, # 防止过深 learning_rate: 0.05, feature_fraction: 0.8, # 特征采样防止过拟合 bagging_fraction: 0.8, # 样本采样 bagging_freq: 5, min_child_samples: 50, # 叶子节点最小样本数 reg_alpha: 0.1, # L1正则 reg_lambda: 0.1, # L2正则 verbose: -1 } # 早停 model lgb.train( params, train_data, num_boost_round1000, valid_sets[val_data], callbacks[lgb.early_stopping(stopping_rounds10)] )4.4 策略回测与绩效评估实操回测的核心是尽可能模拟真实交易。我以多因子选股策略为例讲一下回测的具体做法。调仓频率日频调仓交易成本太高月频调仓又太慢。我的经验是周频或双周频调仓是比较平衡的选择。具体取决于策略的换手率和交易成本。持仓构建根据模型预测的收益率排序选取得分最高的N只股票等权或按市值加权。持仓数量一般控制在30到100只之间太少分散度不够太多则接近指数。交易成本假设佣金按万分之三计算印花税按千分之一卖出时收取滑点按千分之一到千分之二计算。如果是小盘股滑点要设得更高。绩效评估指标不能只看收益率要看风险调整后的收益。常用的指标包括夏普比率、信息比率、最大回撤、Calmar比率、换手率等。评估指标计算公式参考标准年化收益率(期末净值/期初净值)^(252/天数)-1取决于策略类型夏普比率(年化收益-无风险利率)/年化波动率1算不错2算优秀最大回撤max(1-净值/历史最高净值)一般控制在20%以内信息比率超额收益/跟踪误差0.5算不错换手率年化单边换手月频策略一般500%Calmar比率年化收益/最大回撤1算不错# 简单的回测绩效计算 def calculate_performance(nav_series, benchmark_seriesNone): nav_series: 策略净值序列 benchmark_series: 基准净值序列可选 returns nav_series.pct_change().dropna() # 年化收益率 annual_return (nav_series.iloc[-1] / nav_series.iloc[0]) ** (252 / len(nav_series)) - 1 # 年化波动率 annual_vol returns.std() * np.sqrt(252) # 夏普比率假设无风险利率为2% sharpe (annual_return - 0.02) / annual_vol # 最大回撤 cummax nav_series.cummax() drawdown (nav_series - cummax) / cummax max_drawdown drawdown.min() # Calmar比率 calmar annual_return / abs(max_drawdown) return { 年化收益率: f{annual_return:.2%}, 年化波动率: f{annual_vol:.2%}, 夏普比率: f{sharpe:.2f}, 最大回撤: f{max_drawdown:.2%}, Calmar比率: f{calmar:.2f} }5. 常见问题与排查技巧实录5.1 模型表现不达预期怎么排查模型表现不达预期是最常见的问题。我一般按以下顺序排查第一步检查数据质量。数据缺失率是否过高异常值是否处理干净特征分布是否在训练集和测试集之间发生了漂移这些问题往往是最容易被忽视的。第二步检查标签定义。标签是模型学习的目标如果标签定义有问题模型再强也学不好。比如如果你用未来5日收益率做标签但没有考虑停牌和涨跌停模型可能会学到错误的信号。第三步检查特征有效性。用单特征IC信息系数分析看每个特征和标签的相关性。IC绝对值低于0.02的特征基本可以认为是噪声。ICIRIC的信息比率低于0.3的特征稳定性不够。第四步检查模型复杂度。如果训练集表现好但验证集表现差说明过拟合了需要降低模型复杂度或增加正则化。如果训练集和验证集表现都差说明欠拟合了需要增加模型复杂度或增加特征。第五步检查市场环境。有时候模型表现差不是模型的问题而是市场环境变了。比如如果市场从趋势市变成了震荡市动量因子就会失效。这时候需要判断是暂时性的环境变化还是结构性的市场转变。5.2 实盘与回测偏离过大怎么办实盘和回测偏离是AI量化策略从研究走向实盘的必经之路。偏离的原因主要有以下几类数据延迟导致的偏离。实盘数据有延迟回测数据是“完美”的。比如回测时你假设收盘后立即拿到所有数据并计算信号但实盘时数据可能延迟几分钟到几小时。对于高频策略这个延迟可能是致命的。交易执行导致的偏离。回测时假设按收盘价成交但实盘时可能因为流动性不足而无法按理想价格成交。尤其是小盘股策略滑点可能远超预期。市场冲击导致的偏离。大资金交易本身会影响市场价格回测时往往没有考虑这一点。资金规模越大市场冲击成本越高。应对策略一是降低策略换手率减少交易成本的影响二是分散持仓降低单只股票的市场冲击三是分笔交易把大单拆成小单逐步执行四是设置交易价格限制比如只在价格偏离不超过一定阈值时才成交。5.3 策略失效的早期信号与应对AI量化策略失效是常态没有永远有效的策略。关键是要在策略失效的早期就发现并应对。早期信号一因子IC持续下降。如果策略核心因子的IC从0.05降到0.02以下并且持续一段时间说明因子可能失效了。早期信号二换手率异常上升。如果策略换手率突然大幅上升说明模型预测的信号变化剧烈可能是模型对噪声过度反应了。早期信号三持仓集中度异常。如果策略持仓越来越集中在少数股票上说明模型的预测区分度下降了可能是在“押注”少数股票。早期信号四回撤超过历史最大回撤。如果策略回撤超过了历史最大回撤说明市场环境可能发生了结构性变化。应对策略一是降低策略权重减少资金分配二是启动策略复核检查数据和模型是否有问题三是准备备用策略在策略失效时切换四是如果确认策略失效及时下线不要抱有侥幸心理。提示策略失效的排查和应对最好在策略上线前就制定好预案。等到失效了再临时想办法往往手忙脚乱容易做出错误决策。5.4 常见问题速查表问题类型具体表现可能原因排查方法解决方案过拟合样本内表现好样本外差模型复杂度过高、特征过多时序交叉验证、特征重要性分析降低复杂度、增加正则化、减少特征数据泄露回测收益异常高使用了未来信息逐特征检查时间戳严格按预测时点对齐数据交易成本低估回测收益高但实盘亏损滑点、冲击成本未充分考虑提高交易成本假设做敏感性分析降低换手率、分散持仓因子失效IC持续下降市场环境变化、因子拥挤监控因子IC和ICIR降低权重、寻找新因子实盘偏离实盘收益与回测差距大数据延迟、执行差异对比实盘和回测的每笔交易优化执行、调整策略参数策略容量不足资金规模上去后收益下降市场冲击成本高分析持仓流动性和换手率降低换手率、扩大持仓分散度6. 我对AI量化投资的一些个人体会聊了这么多技术和实操最后说几句我自己的感受。AI算法在量化投资里的应用本质上是用更强大的工具去处理更复杂的数据、捕捉更微弱的信号。但工具再强大也改变不了量化投资的一个基本事实市场是不断进化的任何策略都有生命周期。我见过太多团队把AI当成“圣杯”以为上了深度学习就能躺赚。结果往往是模型越复杂过拟合越严重实盘表现越差。反而是一些用简单模型、但在数据和执行上下足功夫的团队做出了稳定盈利的策略。AI算法在量化投资里的真正价值不在于它能找到什么“神奇因子”而在于它能帮我们更高效地处理信息、更系统地验证想法、更纪律地执行交易。它是一个放大器放大的是你对市场的理解和对细节的把控。如果你对市场的理解是错的AI只会让你错得更快。另外AI量化策略的开发和维护成本很高。数据要持续更新模型要持续监控策略要持续迭代。如果没有足够的资源和团队不建议盲目上AI量化。传统量化方法在很多场景下仍然是有效的AI应该是补充而不是替代。最后分享一个小技巧在开发AI量化策略时我习惯先建立一个“傻瓜基准”——比如等权持有所有股票或者简单的动量策略。任何AI策略都必须显著跑赢这个基准否则就没有上的必要。这个习惯帮我避免了很多“看起来很厉害但实际上没用”的策略。