AI 都会写代码了，人还要负责什么？

蛙兄把一项研究交给了 AI：

帮我看看，神奇九转完成以后，成交比较活跃的股票，是不是更容易反弹。

没过多久，屏幕上出现了一行绿色文字：

任务已完成
程序运行通过
结果文件已生成

蛙兄很满意。

项目建好了，代码写好了，程序也没有报错。照这个进度，他似乎只差打开结果，看看该买哪只股票。

蛙博士却没有看结果。

他先问：“程序里的‘成交活跃’，是成交量大，还是换手率高？”

蛙兄摇头。

“‘更容易反弹’，是未来一天上涨，还是未来二十天跑赢指数？”

蛙兄又摇头。

“九转用的是哪个版本？信号当天收盘后才知道，程序从哪一天开始计算收益？”

蛙兄看了一眼那行绿色的“任务已完成”。

它突然没那么绿了。

AI 可能真的把任务做完了。

问题是，它做完的，究竟是不是蛙兄想研究的那件事？

“完成”其实有三层

我们很容易把下面三件事混在一起：

第一层：任务完成了

AI 读取了文件，修改了代码，运行了命令，还生成了报告。

这些动作确实发生了。

第二层：程序跑通了

程序没有报错，测试通过，结果文件也能正常打开。

这说明程序至少能够按照某种规则运行。

第三层：研究通过了检查

程序使用的定义与原问题一致，数据在当时确实可用，比较对象合理，计算过程没有偷看未来，结果也没有被夸大。

到了这一层，我们才有资格讨论当前证据说明了什么。

前两层很重要，但它们不会自动送来第三层。

一个程序完全可以稳定地计算错问题。

比如，你问“成交是否活跃”，它却悄悄把“当日成交量超过过去二十日平均值”当成唯一答案。这个定义不是不能用，但它需要先经过你的同意。

你问“以后是否更容易反弹”，它选择观察未来五个交易日。五天也不是错，只是十天、二十天可能回答另外的问题。

程序可以把这些选择执行得又快又整齐。

可如果没人检查，整项研究就可能从第一步开始，认真地走向另一个问题。

以前做一次完整研究，确实不轻松

在 AI 编程助手出现以前，一个人想独立走完量化研究，常常要同时处理很多事情：

• 先把市场问题说清楚；
• 找到合适的数据；
• 理解字段和市场规则；
• 搭建 Python 环境；
• 写程序、画图和计算结果；
• 处理缺失值、停牌和异常数据；
• 排查错误；
• 保存参数与结果，让研究可以重新运行；
• 最后判断证据到底支持什么。

这不是说以前只有机构才能做量化。

很多个人研究者也能独立完成，只是他通常需要跨过金融、数据、编程和统计等多道门槛。团队则可以让不同的人分别承担其中一部分。

对小白来说，最容易被挡住的往往还不是研究问题，而是第一条报错。

他本来想知道“九转之后会不会反弹”，结果花了一晚上研究为什么环境里少了一个包。

等程序终于启动，他已经快忘了自己为什么打开电脑。

AI 降低的是实现门槛

现在，这条路发生了很大的变化。

Codex 可以在得到允许的范围内读取项目、修改文件、运行命令和测试，也可以帮助调查错误、重复实验和整理结果。

这意味着，一个不熟悉 Python 语法的人，也可以先从真实的市场问题开始，再和 AI 一起把定义变成程序。

许多过去很消耗精力的工作，都可以交给 AI 协助：

• 建立研究项目；
• 把已经确认的规则写成代码；
• 整理和检查数据；
• 计算指标与分组结果；
• 运行程序和测试；
• 根据报错寻找原因；
• 修改后重新运行；
• 把图表、参数和结果放到清楚的位置；
• 说明哪些文件发生了变化。

如果暂时无法使用 Codex，也可以采用 WorkBuddy 等能够处理本地任务的 AI 工具。

界面和操作方式可能不同，但课程不应该因为某个工具暂时用不了，就把研究的大门锁上。

真正发生变化的是：你不必先把所有实现技能学完，才有资格开始研究。

这也是这套课程今天能够面向小白展开的原因。

但请注意，降低的是实现门槛，不是判断门槛。

人机分工，不是一张“谁能碰什么”的禁令

说“人负责问题，AI 负责代码”，听起来很清楚，其实还是太简单。

AI 当然可以帮你改写问题、寻找遗漏、提出几种定义，甚至指出你的比较方式可能不公平。

人也可以自己读代码、改参数、写一段小程序。

真正需要划清的，不是谁有资格碰哪一项工作，而是：最后由谁确认。

一项研究可以这样来回推进：

人先把方向摆上桌

你不必一开始就把所有细节想好，但至少要说出自己想查什么，以及哪些地方还没有决定。

例如：

我想研究九转下行信号完成后，成交状态是否与后续表现有关。九转版本、成交状态和观察窗口还需要一起确认。

这比一句“帮我找个能赚钱的九转策略”多做了一件很重要的事：它没有把所有研究决定偷偷塞给 AI。

AI 帮你把空白摊开

AI 可以继续追问：

• 研究哪些股票；
• 使用哪个版本的信号；
• 什么叫成交活跃；
• 从哪一天开始观察；
• 看未来多久；
• 和什么比较；
• 什么结果算不支持原想法。

它也可以给出几种备选定义，并解释各自会改变什么。

人确认关键选择

你不必凭空发明所有答案。

但当 AI 给出“成交量高于二十日均量”或“换手率位于过去一年较高位置”这两种方案时，你需要确认哪一种更接近原问题。

如果暂时无法判断，合格的选择也可以是：先保留两个版本，分别研究，不把它们混成同一个“活跃”。

AI 实现、运行和调查

定义确认以后，AI 可以继续写代码、检查数据、运行程序、处理错误和整理结果。

它不是只能等人逐行指挥的打字机。它可以主动调查，也可以提出修正建议。

人检查证据并承担结论

最后，你需要确认程序实际使用了什么数据、执行了什么比较，结果能支持多强的说法，又有哪些限制还没有解决。

AI 可以帮助完成这次检查，甚至比你更快发现问题。

但不能因为它说“看起来没问题”，研究者就自动签字。

AI 最容易替你补上的，正是研究的关键空格

当要求说得不完整时，AI 必须面对一个现实问题：继续追问，还是先作出推断？

它有时会追问，有时也会根据常见做法补齐空白。

这些推断可能很合理，也可能与你的本意不同。

量化研究里，下面这些空格尤其不能悄悄跳过：

• “大公司”到底使用总市值、营业收入还是资产规模；
• “成交活跃”使用成交量、成交额、相对成交量还是换手率；
• “信号完成”在哪个时点才能知道；
• “随后上涨”从哪一天的哪个价格开始计算；
• “表现更好”是绝对上涨，还是跑赢某个指数；
• 样本包含哪些股票、哪些年份和哪些特殊状态；
• 看见结果以后新增的条件，是否被冒充成原计划。

每一个选择都可能改变结果。

所以，让 AI 帮忙并不是少问问题。

恰恰相反，它让我们有机会把更多精力留给真正值得问的问题。

用六个问题验收 AI 的研究工作

你不需要一上来就逐行审查所有 Python 代码。

先让 AI 用大白话回答六个问题，往往就能发现研究有没有悄悄换题。

这六问不是为了抓 AI 的错。

它们也会抓到人的含糊、数据的缺口和研究本身还没想清楚的地方。

如果 AI 回答“成交活跃采用默认定义”，你就知道这里还没有通过确认。

如果它只能说“结果已经生成”，却说不出比较对象和观察时间，研究仍然停在前两层完成。

如果它给出一条漂亮结论，却找不到对应的结果文件或运行记录，这条结论就还没有站到证据上。

一段可以先收藏的对话

下面这段话不要求 AI 认识 HoppyQuant，也不依赖任何课程编号。

使用时，把方括号里的内容换成你自己的研究问题。如果 AI 还没有读取项目或数据，它应该先说明这一点，而不是假装已经看过。

可选对话

我正在研究这个市场问题：[在这里写下你的问题]。

先不要替我决定买卖，也不要只告诉我程序是否运行成功。请根据我提供的描述，以及你实际能够读取到的文件、数据和运行记录，帮我检查这项研究。

请先用大白话复述程序实际研究的问题，然后分别列出：

1. 我已经明确确认的定义；
2. 你自行推断、默认选择或目前仍不确定的定义；
3. 实际使用的数据、字段、样本和时间范围；
4. 程序比较的对象、起点和观察窗口；
5. 支持当前判断的真实文件与运行证据；
6. 当前结论能说什么、不能说什么。

如果缺少信息，请直接写“需要研究者确认”，并继续向我提问，不要替我补成确定答案。

以后进入真实项目，这段对话还会继续变化。

AI 可以读取文件、查看运行结果、指出具体证据；你也会逐渐学会看懂项目里哪些是代码、数据、配置和输出。

现在只需要先记住验收的方向：别只问“跑通了吗”，还要问“到底跑了什么”。

那么，Python 还值得学吗？

值得。

只是学习顺序变了。

过去，小白常常觉得自己要先记住大量语法，才配提出第一个量化问题。

现在，你可以带着问题开始，让 AI 帮你跨过许多语法和环境障碍，再在真实项目里逐渐认识 Python。

当你能看懂一个变量名、发现一段计算使用了错误字段、知道应该去哪里找配置，或者能把一条模糊要求改得更准确，你与 AI 的合作就会更可靠。

Python 不再是一张“不会就禁止入场”的门票。

它更像一种逐渐学会的研究语言：懂得越多，你越能说明自己想做什么，也越能检查实际发生了什么。

人为什么还不能从研究里下班？

因为市场问题不会自己定义自己。

数据不会主动告诉你它漏掉了什么。

一个公平的比较，也不会因为程序运行得快就自动出现。

AI 可以替你完成大量实现工作，也可以成为非常能干的调查伙伴。它会让普通人第一次有机会把精力从括号、缩进和环境报错中拿回来，放到问题和证据上。

但最后仍然需要有人问：

这真的是我们原本想查的问题吗？
这些定义合理吗？
这份数据能回答它吗？
这个比较公平吗？
证据真的够吗？

那个人不是因为比 AI 更会敲键盘，才留在研究里。

而是因为这项研究最终要由他理解、确认，并对结论负责。

下一站：进入本地 AI 量化实验室

蛙兄回到刚才那项任务，没有急着打开收益图。

他先发出了一条新消息：

先别告诉我结论。请把你采用的九转版本、成交活跃定义、观察时间和比较对象列出来。凡是我没有确认过的，请单独标出来。

这一次，AI 没有立刻给他一个答案。

它先把研究里还没说清的地方，一项项摆到了桌上。

理论课到这里，桌上的地图已经完整了。

下一步，我们会把它带进自己的电脑：认识一个本地研究项目，分清代码、数据、配置和输出，再和 AI 一起跑起第一项可以重复检查的研究。

本章参考资料

资料核对日期：2026-08-14

• OpenAI：Introducing Codex，用于核对 Codex 可以读取和编辑项目文件、运行命令与测试，并提供终端日志和测试结果供人复核；该说明同时明确指出，AI 生成的代码仍然需要人工审阅与验证；
• OpenAI：Running Codex safely at OpenAI，用于核对编码代理可以代表用户访问项目和运行命令，因此实际使用需要明确执行边界、权限、审批与记录；
• WorkBuddy 官方概览，用于核对 WorkBuddy 通过自然语言协助多步骤任务、本地文件处理和数据工作的产品定位；课程只把它作为无法使用 Codex 时的替代入口，不认为不同工具的功能与界面完全相同；
• CFA Institute：What employers want: A new skills blueprint，用于核对编程与 Python 能力在投资行业仍然重要，同时金融分析、批判性思考和对自动化结果的判断也没有失去价值。

跳泡可乐、九转任务、绿色完成提示和全部研究情节均为虚构教学案例，不对应真实公司、股票、软件界面、研究结果或投资建议。