AI时代量化交易指南 5：人与 AI 的地位

好久没有更新了。

前两天写了 Harness 没有发表。Harness 虽然是最热的框架，但我应用下来总还是感觉不太顺手，所以总在调试。不过 4 篇 Harness 文章已经写完了，所以这篇的标题序号就顺延成了 5。

昨天 DeepSeek V4 发布了。

DeepSeek 说自己已经超越了 GLM5.1，直追 Opus 4.6。很多人对这个能力有多恐怖没有概念。其实这些日子我一直在高强度地使用 Opus 4.6 以及 GLM 5.1，基本上是用满的状态。

我让他们做的工作就是前面说到的：

寻找假设 → 验证回测 → 总结经验 → 继续迭代

我的结论是：

1. AI 的代码能力完爆人类
2. 在人类提出愚蠢指令的时候，AI 也会变得愚蠢

所以真正限制 AI 能力的，不是模型的大小，而是使用者的能力。

这其实在 GPT 兴起来的时候就有端倪。好的 Prompt 与差的 Prompt，结果天壤之别。

AI 时代最缺少的，是人类把事情说清楚的能力。

而现在所有厂商都在努力的方向就是：人类如果不把事情说清楚，AI 如何能高效地干活。但这总有极限——人脑是个黑盒，人总是不清楚自己想要什么。想要通过 AI 的训练来逼近人类的真实想法，潜力并不大。

GPT 5.5 也发布了。5.5 走的是另一个路径：如果逼近人类心底真实的想法不可行，那么逼近人类智力的上限是否可行呢？用最短的时间，做最难的问题。

所以我今天想讨论的主题是：AI 时代的量化，人与 AI 到底应该如何协作？

一、前面几篇文章说了什么

有人说 AI 可以快速地帮助人类实现自己的想法。前面几篇文章都是说这个事情的——如何围绕 AI 构建知识库，如何让 AI 理解我们的想法，如何让 AI 规范地输出。

但是有没有可能，我们的知识是落后的，我们的想法是幼稚的，我们的规范是不合理的？

第二个问题：如果 AI 有了自己的知识、想法、规范，那么当它输出自己认为比较好的策略的时候，我们还有能力评价这个策略是否好吗？

效果不错，确实不错。但是效率非常慢。所以引出了我今天讨论的核心。

二、AI 很强，但自己探索效率很低

回顾第三篇文章中 PowerQuant 自动进化的过程：我午睡了一个小时，AI 完全自主运行，自己发现 ATR 指标、自己放弃海龟策略（因为跟踪止损效果不好）、自己识别过度拟合并放弃该路线。它还会打比方分析策略问题——“像一家餐厅，即使房租免费，但因为菜不好吃，顾客还是很少，最终还是亏本。”

结果惊艳吗？惊艳。

效率高吗？不高。

AI 自己摸索，需要自己发现”什么是好的回测标准""什么参数范围合理""哪些方向值得尝试”。它像一个天才被关在一间没有地图的迷宫里，能找到出口，但要花很长时间。

更根本的问题在于：人脑是个黑盒，人自己都不清楚想要什么。所有厂商在努力的方向是”人说不清楚的时候，AI 怎么猜”，但这条路的天花板很明显。GPT 5.5 走了另一条路——不猜人心，逼近智力上限。但这两条路都绕不开一个关键问题：

真实世界的知识从哪来？

三、人类的价值：搭框架、定标准、给知识

这是我经过这段时间高强度使用 AI 后的核心结论：

人类不是 AI 的竞争者，是 AI 的基础设施提供者。

具体来说，人类提供三样东西：

1. 基础设施——给 AI 装上执行器

还记得第三篇文章里我为什么用 Rust 重写回测框架吗？Python 回测 100 万根 K 线需要十几分钟，而 Rust 只需要 400ms。不搭这个框架，AI 进化就是乌龟速度。

同样地，最近我在做的通达信指标自动化链路：CC 自动导入策略 → 加载 → 截图 → 生成介绍 → 控制浏览器上架。不搭这条流水线，300 个指标一个人做半年。

前几篇文章讲的 CrawdQuant、PowerQuant、Harness，本质上都是同一件事：给 AI 装上执行器。AI 的能力再强，没有手脚也使不上劲。

2. 评价标准——告诉 AI 什么是”好的”

索提诺比率大于 3、交易次数不能太少（防止过拟合）、手续费占比分析——这些是人类交易经验凝结的判断标准。

没有这些标准，AI 不知道该往哪个方向优化。就像一个天才没有考试规则，可以考满分，也可以交白卷——因为它不知道什么是”好”。

在 Harness 那篇文章里，AI 自己发现了两个问题：流程太复杂、没有知识库。然后它自己建了知识库，精简了流程。但这个”发现”的前提是，我已经搭好了框架、提供了初始标准。框架搭得好，AI 才知道自己该优化什么。

3. 真实世界知识——AI 从数据里学不到的东西

AI 能从 K 线数据里学到技术规律，但它学不到：

• 市场心理：用户买的不是指标的有效性，是确定感和安全感
• 产品判断：通达信指标比量化策略更有市场，不是因为更高级，是因为门槛更低
• 用户路径：买指标的人追求简单好用，量化用户追求专业可控，这是两个不同的市场

这些洞察来自人在真实市场中浸泡的经验。AI 再聪明，没有被人扔到市场里滚过，就产生不了这些认知。

四、一个容易犯的错：人类总想做 AI 该做的事

前几篇文章讲的是”如何让 AI 理解我的想法”——这是对的。

但反过来也要警惕：人类总想手动做 AI 该做的事。

手动写策略、手动调参数、手动上架——当你还在手动操作的时候，说明你的框架还没搭好。正确的工作流是：人类搭好框架后，AI 在框架内自由探索，人类只做框架级别的决策——方向对不对、标准要不要调。

举个实际的例子。最近我用 CC 自动调用 SDK 修复通达信指标——AI 调用 AI 来完成任务。这不是我手动一个个修的，是我搭好了一条链路，AI 自己跑。

再比如 PowerQuant 的自动进化。午睡那一个小时，我没有做任何接管干预，完全是它自己在运行。我的角色不是”写策略的人”，而是”搭框架的人”。

这才是正确的协作模式。

五、实践验证

理论说完了，看看实际效果。

PowerQuant：AI 自主进化

• 人类提供：Rust 回测框架 + 数据 + 评价标准（索提诺比率>3、多品种均衡）
• AI 完成：自动搜索策略方向、发现 ATR、放弃海龟、识别过拟合、打比方分析问题
• 最终产出：STConfirm 策略，一套参数自动适配多品种

通达信指标：全自动化流水线

• 人类提供：指标分类体系 + 上架流程 + 产品策略
• AI 完成：批量生成 300 个指标 + 自动截图 + 生成介绍 + 自动上架
• 产能变化：从”一天 3 个”到”批量处理”

两个案例，同一个模式：人类搭框架，AI 在框架内进化。

六、未来路径：从赤脚医生到正规军

建国初期，西医集中在城市，农村死亡率极高。毛泽东创造性地发展了”赤脚医生”——不需要高深培训，短期培训后不脱产即可进入乡村行医，大幅降低农村死亡率。

这个逻辑在 AI 时代的量化交易中同样适用：

• 通达信指标是赤脚医生——门槛低、人人能用、有市场
• PowerQuant 是正规军——需要专业知识，但上限更高

两者不矛盾，是一条用户成长路径：

买指标 → 觉得有用 → 想要更专业的 → 进入量化

会有少部分用户完成这个转化，需要培训和引导。AI 时代的量化从业者，既是技术开发者，也是市场教育者。

七、结论

回到开头的问题：AI 时代的量化，人与 AI 到底应该如何协作？

答案不是”人指挥、AI 执行”这么简单，也不是”AI 全自动、人休息”这么粗暴。

人类的核心价值是定义问题——搭什么框架、定什么标准、给什么知识。

• 写代码、跑流程，就是框架与标准
• 市场经验、用户洞察，就是真实世界知识
• 这些东西搭好之后，AI 的探索效率会有数量级的提升

框架搭得好，AI 就是千里马；框架搭得差，AI 就是一匹蒙着眼睛跑的马，再快也跑不到终点。

AI 时代的核心竞争力不是写代码的能力，而是搭框架的能力。