不能保证未来，量化研究到底有什么用？

2023 年的信封已经拆开了。

蛙兄把两段结果写进摘要，又认真检查了一遍：同一批公司、同一套分组、同一个收益算法，一个都没有偷偷换。

可他没有马上合上电脑。

“我们先提出假设，再固定规则；算完前两年，还特意留出 2023 年重新验证。”

蛙兄掰着手指数了一遍。

“最后还是不能说数字 8 有效，更不能说以后一定赚钱。”

他转头看向蛙博士。

“那我们忙了这么久，到底得到了什么？”

蛙博士笑了。

“你终于问到了这次研究最重要的问题。”

先说清楚：我们还没有创造一套策略

我们一直在研究“股票代码里有没有 8”。

但严格说来，它还不是一套可以执行的交易策略。

因为我们没有规定：

• 什么时候买；
• 什么时候卖；
• 一次持有多久；
• 每家公司买多少；
• 交易成本怎样计算；
• 遇到大幅亏损怎么办。

我们只做了一件更靠前的事：把公司分成两组，看看某个特点是否伴随着收益差异。

如果差异稳定存在，它最多先成为一条值得继续研究的线索。等它拥有明确的买卖和持有规则以后，我们才能进一步讨论一套策略表现怎样。

所以，“数字 8 有没有分组价值”和“一套策略有没有效”，原本就不是同一道题。

三个听起来相似，其实完全不同的问题

蛙博士在白板上写下三句话：

1. 它为什么会带来收益？
2. 它能不能帮助我们预测？
3. 它能不能保证未来赚钱？

“这不都是在问它有没有用吗？”蛙兄说。

“听起来像，研究时却不能混在一起。”

第一件事：解释为什么会发生

这个问题在寻找原因。

例如，我们认为某个行业的需求增长、公司的盈利改善，最终可能影响市场预期和股价。研究者会继续检查这条因果路径是否说得通。

对数字 8，我们已经知道答案：虚构代码是随机生成的，与收益没有关系。字符 8 并没有一条能够推动价格的通道。

第二件事：寻找可以重复的预测信息

这个问题暂时不要求我们解释所有原因，它先问：某个提前定义好的规律，能不能在没有参与前期研究的数据里继续提供有用的区分？

有时，我们可能先发现一种稳定现象，后来才慢慢弄清它为什么出现。

就像乌云可以帮助我们判断可能要下雨，但不是乌云伸手把雨滴按下来的。预测线索与完整的原因解释有关，却不是同一个东西。

缺少合理解释时，我们应该更加谨慎，要求更稳定、更广泛的证据；但不能因为暂时讲不全原因，就说所有预测研究都没有价值。

第三件事：保证下一次一定赚钱

这一件事，量化研究做不到。

市场会变化，参与者会学习，原本存在的规律可能变弱，新的政策和事件也可能改变环境。即使过去多次有效，下一次仍然可能失败。

所以，三件事的关系不是“只要做了量化，它们就会一起成立”。

实际研究中，量化方法主要帮助我们积累第二类证据：一个规律能不能在没参与前期分析的数据里继续提供有用信息。数据也可能为第一类问题提供线索，但不会自动证明原因；至于第三件事，它从来不在量化研究的承诺里。

量化研究不是盖章，而是在积累证据

现在换一个更接近市场研究的假设：某种信号在连续下跌后出现，出现以后的一段时间里，价格可能更容易反弹。

研究者在看结果以前就定义好信号、观察时间和比较方法。它在研究期跑出了优势，在真正没有参与前期分析的验证期里，方向和幅度又比较稳定地重复了。

我们应该怎么说？

不能说：

已经永久证明这个规律有效，以后一定赚钱。

但也不应该说：

反正未来无法保证，所以这些结果什么都说明不了。

更合适的表达是：

这个规律在两个预先划分的历史时期中都出现了相对稳定的优势，现有证据比只看研究期时更强，值得进入下一轮检查。

留出验证的意义就在这里。

如果结果没有重复，我们会降低信心；如果比较稳定地重复，我们会提高信心；如果像数字 8 一样给出混合结果，我们就保留分歧，不强行安排输赢。

量化研究不负责让我们从“不知道”瞬间跳到“绝对正确”。

它负责让信心随着证据变化。

一条线索，可以站在不同的证据台阶上

蛙博士画了一段没有终点奖杯的台阶。

第一阶，是一句直觉：

我感觉这个现象可能和收益有关。

第二阶，是把直觉变成固定规则，并在研究期看到差异。

第三阶，是不修改规则，让未参与前期分析的数据重新检查一次。

再往后，研究者可能继续观察：

• 换一些时期，结果是否仍然存在；
• 换一批合理样本，结果是否过度依赖少数对象；
• 优势是否大到足以覆盖交易成本；
• 收益背后承担了多大风险；
• 市场环境改变后，规律是否还在。

走得越远，证据通常越丰富，但没有哪一级会突然变成“未来必胜证书”。

而且，并不是每个想法都值得爬完整段台阶。

如果前面已经出现明显反对证据，或者我们知道它背后的关系本来就是随机的，及时停下来反而更合理。

如果研究期和验证期都跑出优势呢

这正是最容易让人走向两个极端的地方。

一种极端是：

两段都赢了，已经证明有效。

另一种极端是：

未来仍不确定，所以两段结果没有意义。

两种说法都太满。

如果规则是在看结果以前固定的，验证数据也确实没有参与前期调整，并且优势在两段时期中表现得比较稳定，那么它当然获得了比第一次结果更强的预测证据。

这不是“什么都没得到”。

它意味着这个想法值得花更多时间，继续检查不同环境、风险、成本，以及怎样变成可以执行的规则。

这里的“有效”也不能孤零零地写在空中。我们至少要继续追问：在哪个市场、哪段时期、哪套规则和哪种比较口径下有效？如果以后变成交易策略，还要问考虑成本和风险以后是否仍有价值。

条件说得越清楚，“有效”这两个字才越接近一条可以检查的研究结论。

但我们仍然只对已经看到的证据负责。市场下一次会怎样，没有人能提前替它签字。

数字 8 现在站在哪里

把刚才的台阶放回这次实验：

• 我们提出了一个明确假设；
• 在看结果以前固定了分组、时期和指标；
• 研究期出现了一些描述性差异；
• 留出期给出了部分重复、部分不重复的混合结果；
• 我们知道虚构代码随机生成，并且与收益无关。

因此，最合理的选择不是把它升级成选股规律，也不是再换几个口径帮它寻找胜利。

我们可以停止把字符 8 当作收益线索。

“所以，这次研究失败了？”蛙兄问。

“这个假设没有获得继续前进的理由。”蛙博士说，“但研究没有失败。”

它帮我们尽早发现一条路不值得继续走，避免投入更多时间，甚至避免把偶然结果带进真实决策。

排除一个缺乏价值的想法，本身就是研究成果。

可以用一句话概括：

数字 8 可以下课，但这套研究方法要留下。

研究结束时，不只有“成功”和“失败”两个按钮

一轮研究结束以后，我们通常有不止两个选择：

• 停止研究：证据明显不足，或已经知道关键关系来自随机巧合；
• 继续观察：证据有一点支持，但还不稳定，暂时不急着扩大结论；
• 重新提出假设：发现原问题太含糊或逻辑需要调整，于是把新问题当作一次新研究，而不是偷偷修改旧实验；
• 进入更完整的回测：规律在未参与前期分析的数据中仍有较稳定的表现，值得继续检查时间、风险和执行规则。

这四个方向没有统一答案。

AI 可以帮助我们整理证据和发现遗漏，但最后选择哪条路，需要由人根据研究目标和证据边界来确认。

你可以把这次研究材料交给 AI，请它帮你完成最后一次回看：

和 Codex 一起判断研究去向

复制

请读取当前虚构股票代码研究的实验约定、原研究摘要和留出验证摘要，不要重新计算，不要修改规则，也不要增加新的分析。

请用大白话分别回答：

1. 当前数据已经确认了哪些历史事实；
2. 它是否提供了稳定的预测证据；
3. 它是否能够证明字符 8 造成了收益差异；
4. 它是否能够保证未来表现；
5. 结合“虚构代码随机生成且与收益无关”这个已知前提，这条线索更适合停止、继续观察、重新提出假设，还是进入更完整的回测。

请说明理由，并明确区分“停止研究数字 8”和“否定量化研究方法”。先向我汇报，不要创建新程序或修改现有文件。

这里的正确答案不是由 AI 替你按下按钮。

更重要的是，你能不能检查它的理由是否与现有证据一致。

确认 AI 的建议和理由都没有越过证据以后，最后一步由你来拍板，再让它把决定写回摘要：

把最终决定留下

复制

我确认这条线索的研究去向是：停止把数字 8 当作收益线索，保留本次研究方法。

请把这项最终决定和理由追加到现有研究摘要结尾。理由要同时说明：原研究期与验证期得到的是混合结果；虚构代码随机生成并且与收益无关；停止这条线索不等于否定量化研究。不要重新计算、修改原有结果或创建新分析。完成后告诉我你修改了哪个文件，以及新增内容所在的位置。

我们到底带走了什么

完成这一步后，蛙兄看着研究摘要最后多出的那行字：

停止把数字 8 当作收益线索，保留本次研究方法。

然后，他终于合上了电脑。

“我好像明白了。”

“量化研究不是每次都要找出一个能赚钱的答案。”

“它先让我把问题说清楚，再用数据决定自己应该更相信一点，还是少相信一点。”

蛙博士点点头。

“有时候，最值钱的结果就是及时知道不该继续。”

这一次，我们从一个不会随时间改变的代码字符出发，完整走过了第一轮研究：

提出假设
→ 固定规则
→ 数据验证
→ 查看结果
→ 质疑结果
→ 用未参与前期分析的数据再验证
→ 写下暂时结论
→ 判断下一步

接下来，问题会向前走一步。

我们不再研究代码里有没有某个字符，而会观察一种可能在特定交易日出现、又会随时间消失的市场信号。

它会带来新的难题：信号在哪一天出现？出现以后看多远？什么才算表现更好？

不过，我们已经有了一件可以重复使用的工具。

不是某段程序，而是面对一个新想法时，知道怎样让证据开口，也知道证据应该说到哪里停下。