AI 研究员上岗——Qlib、RD-Agent 与「生成归机器，判定归纪律」

上一章的机器还只是一个搜索引擎：在固定的表达式空间里翻找，找到的公式交给你评判。2024 年之后，一个更像「研究员」的新物种上岗了——AI agent：你给它一个目标，它自己读数据、提出假设、编写代码、运行回测、阅读结果、修正想法，然后进入下一轮。一个研究生一周的工作量，被压缩到几分钟；一夜之间，它可以完成几十上百轮。

这一章用两个代表性的公开项目讲清楚这个新物种是什么，然后回答真正重要的问题：机器当了研究员，人还剩什么职责？

Qlib：AI 量化的公共考场

第一个要认识的不是 agent，而是它的考场。Qlib 是微软开源的 AI 量化研究平台，目前是这个领域事实上的公共基础设施，提供三样东西：

统一的数据层：标准化的量价数据格式与构建工具，把「数据长什么样」这个最容易各说各话的问题先钉死；
模型基准：一组开箱即用的横截面预测模型，打头的就是第 16 章见过的 GBDT 家族——同一个数据、同一个口径，谁都可以复现比较；
回测与分析：IC、分层、组合层面的标准评估，即第 11 章那套尺子的工程化。

Qlib 的意义不在某个具体功能，而在口径统一：当机器要批量提出因子时，必须有一个快速、稳定、大家认可的打分器，否则每个因子都在自己的土办法里自称成功。公共考场是自动研究的前提。

RD-Agent：一个会写周报的研究生

第二个角色是微软在同一生态上做的 RD-Agent（研发自动化 agent）。它的核心循环叫 Co-STEER，用一句话概括：把「提假设 → 实现 → 验证 → 复盘」的研究生工作流，整个交给 LLM 驱动的 agent 自动循环：

graph LR; A["提出假设（附机制叙述）"] --> B["自动实现（生成因子代码）"] --> C["回测打分（Qlib 公共考场）"] --> D["分析反馈（读报告、写总结）"]; D -- "带着教训进入下一轮" --> A

对照上一章的四条挖掘路线，差别是本质性的：挖掘器在固定空间里搜索表达式，agent 则会自己决定下一步研究什么——它会读上一轮的失败报告，说「这类量价背离因子在大盘上失效，下一轮我试试加入换手率的交互」，然后真的去试。它的论文报告了亮眼的数字（因子更少、效果翻倍），这些宣称该怎么读，本章后面专门讲。

核心原则：生成归机器，判定归纪律

面对这个新物种，最重要的不是它的能力边界，而是分工边界。这条边界其实古老得多：科学方法从来允许「怎么想到都行」——假设的来源不受审判，灵感、梦境、机器都行；但「怎么检验都不行」——检验必须服从严格纪律，与假设是谁提出的无关。

agent 改变的只是天平的一端：提出假设的成本，从一周降到一分钟。而天平的另一端没有变——检验一个假设的成本（数据、时间、样本外的机会成本）一点没降。后果是一道简单的算术：当机器一夜提出 10,000 个假设，第 6 章「试了很多次」的提醒，就从好习惯变成了生死线。

用第 2 章的语言把账算出来。控制「整个研究过程中至少出现一次假显著」的概率（家族错误率）在 5%，Bonferroni 校正要求每次检验的 p 值门槛收紧为 $0.05/m$ ，换算成 t 值：

$t_{\text{门槛}} = \Phi^{-1}\left(1 - \frac{0.025}{m}\right)$

人话解释：试 1 次，t > 1.96 就算显著；试 100 次，要 t > 3.48；agent 一夜试 10,000 次，要 t > 4.56——那个「显著」的门槛已经高到大多数真信号也过不去。整张曲线长这样：

Bonferroni 是最保守的口径；第 17 章的夏普折减（DSR）是同一笔账的更细算法——公式不同，方向完全一致：尝试次数越多，同样的数字越不值钱。agent 时代唯一的变化是， $m$ 从「几十组参数」变成了「几万个假设」，这笔账从脚注变成了标题。

怎么读 AI 量化的「亮眼数字」

RD-Agent 的论文报告了「因子数量减少 70%、收益翻倍」式的宣称；今后你还会读到无数类似的。读它们有一份通用清单——四问：

样本内还是样本外？「效果翻倍」是在 agent 看过的数据上，还是在它没碰过的数据上？前者按上一章的运气数学处理。
** $m$ 是多少？**agent 循环了多少轮、评估了多少个候选？不报告尝试次数的提升，和第 6 章「只报告最好那组参数」是同一种偏差。
**基线同口径吗？**对比的「传统方法」用的是同等数据、同等成本假设、同等调参预算吗？很多「超越」来自基线被故意饿瘦。
**谁在评价？**作者自己评价自己的系统，是利益相关方的证词——可以作为线索，不能作为证据。

这四问不是针对哪一篇论文，而是读一切 AI 量化宣称的出厂设置。它将在下一章扩展成完整的「辨论文」清单。

agent 替你做不到的事

划定完纪律，还要划清能力。以下四件事，目前的 agent 做不好，而这恰好是本教程前 18 章的硬功夫：

数据口径与 PIT 判断。字段单位是股还是手、财报什么时候公开、这个特征在决策时点是否真的可见（第 1 章、第 18 章）——agent 会用错口径而不自知，且错得非常自信。
市场微观规则。涨跌停排队买不进、T+1、除权记账（第 18 章）——通用 agent 的训练语料里，这些知识稀薄且混杂着其他市场的规则。
成本与容量。毛收益转净收益、策略能装多少钱（第 4、5 章）——agent 的回测默认世界往往是平行世界。
判词的责任。最后一个不可委托的是「这个结论我敢不敢用钱投票」——机器没有亏钱的责任感，而判词的本质是责任，不是计算。

AI 时代的前视：模型记得历史

第 1 章讲的前视，是数据管道里的：信号用了决策时点之后的数据。封条、隔离、权限——前面所有纪律防的都是这种前视。但 AI 时代出现了第二种前视，它不在管道里，在模型权重里。

LLM 的训练语料包含历史行情、历史研报、历史新闻。于是当你让 agent「研究 2020 年的某个信号」时，它可能根本不是从数据里归纳出来的——它记得那段时间发生过什么。这种泄漏有两种日常形态：

回测里的记忆。让 LLM 评判一条 2020 年的新闻是利好还是利空，它的判断可能夹杂着「后来涨了」的后见之明——标注质量看起来极好，但那是对历史的复述，不是当时的阅读。
假设里的复读。agent 提出的「新假设」，可能只是训练语料里成千上万篇研报的复读机——它倾向提出「已经被发表过」的规律，而发表过的规律天然带发表偏差（好看的才会被写出来）。假设池的新颖性，比你以为的低得多。

关键在于：封条纪律对这种前视完全无效——你能密封数据管道，封不住模型权重里的记忆。应对方法目前只有三条，都不完美但都有用：

用时间做隔离。判决性的检验尽量放在模型训练截止日之后的新数据上——模型不可能记得它出生以后的事。这是最干净的隔离，也是「持续积累的新数据」在 AI 时代多出来的一层价值。
用冷门做交叉。对 agent 提出的假设，在它不太可能「背过」的子样本上复验（小市值冷门股、新制度实施后的时段、合成扰动数据）——语料复读在这些地方会露馅。
把「模型可能知道什么」写进研究记录。标注所用模型的版本与训练截止日，让读报告的人能自己判断哪些结论受记忆污染的风险高。

这不是否定 agent——它在无记忆污染的探索环节（生成假设、写代码、读报告）依然价值巨大。这条纪律只是给第 6 章的封条补上 AI 时代的补丁：封条从「管住数据」升级为「管住数据 + 管住模型的记忆」。

伪代码：agent 研究循环与三条纪律

输入：研究目标、数据访问权限、评估口径、预算上限
输出：候选假设清单 + 每一轮的完整日志

循环（直到预算耗尽或人工叫停）：
  agent 阅读：历史轮次的假设、结果、失败分析
  agent 提出：新假设（附机制叙述）→ 写入候选清单
  agent 实现：生成因子/策略代码
  agent 验证：在【允许用于探索的数据】上回测打分
  agent 复盘：总结本轮教训，写入共享日志

纪律一：探索与判决用数据物理隔离
  agent 的一切评估只能在探索数据上；判决数据它对不可见
纪律二：候选先冻结，再进正式检验
  候选清单记录哈希与口径后移交；正式检验按第 6/17 章执行
纪律三：尝试次数记台账
  每一轮、每一次适应度评估都计入 m；报告结论时 m 必须同报

常见坑

边挖边验同一份数据。agent 的「反馈循环」需要读结果来调整方向——如果结果里包含判决数据，第一轮循环结束，判决数据就已被看光。隔离必须是物理的（权限层拦截），不能是口头约定。
把机制叙述当证据。LLM 写的「为什么会有 alpha」文采飞扬——叙述的可信度与数字的成立性是两件独立的事。故事只负责让假设值得被检验，不负责让假设通过检验。
把 demo 回测当策略容量。agent 展示的通常是理想世界（收盘价成交、无冲击成本）的成绩单，落地前必须重新过第 4 章的成本与第 18 章的微观规则。
API 成本失控。每轮循环都在烧 token，没有预算上限的 agent 会把「再试一轮」执行到天荒地老——预算是纪律的一部分，写在启动之前。
把工具的默认口径当正确口径。公共平台的数据有它自己的口径假设（复权方式、成分股处理、幸存者偏差），接入前先过第 1 章的数据审计，平台的名气不豁免审计。
用 agent 回测它「记得」的历史。让模型处理它训练期内的行情与文本，得到的是复述而非研究——前视从数据管道转移到了模型权重里，封条管不住（见本章「AI 时代的前视」一节）。判决性检验放在模型训练截止日之后的数据上。

无论研究员是人还是机器，研究的原料始终是同样的两样：论文与工具。原料里有真金，也有镀金和纯假货——而且 AI 时代的假货产量正在指数上升。第三编最后一章，讲研究者的信息素养：怎么找到真文献，怎么识别营销文，怎么挑选值得信任的工具。