做过超短线（也叫剥头皮，几秒到几分钟就平仓的交易）策略研究的人都知道，最累的不是算数。
看到信号A怎么办？B同时出现呢？行情波动大就留着，平静就删掉？这里反着做，那里干脆不动？
一个个手动试下来，普通的工作日晚上就变成了私人实验室。每天几小时、连着好几年，最后只留下一个像样的策略，这并不稀奇。
然后，能自己去探索的AI来了。
在某种用法里，它几小时就能跑几千种变化，查出收益为什么忽高忽低，再用失败的原因挑下一个要试的方案。人的第一反应大多一样：
“这要让人来做，得多少天？”
但如果就此觉得“AI能试4000种，稳了”，那就危险了。在金融里，试得越多，把运气当成实力的可能性也越大。[1][2]
这篇文章的结论很简单：
靠谱的组合是：你自己的想法，加上AI的大量探索，加上AI自己找茬，再加上把“试了多少次”算进去的统计修正。
只有一个负责找赢家的AI不够。还得有一个专门把赢家拆掉的AI。
1. 为什么要花几年的手工活，突然能缩短这么多
手工研究策略，其实是一串小步骤：
- 想到一个点子。
- 把条件写成规则。
- 用过去的数据试一遍（回测）。
- 看结果。
- 想“为什么不稳定”。
- 把条件拆开。
- 再试一次。
每一步都不难，难的是这样反复几百次、几千次。
而且中途总要问：“昨天试到哪了？”“这个条件我是不是试过？”人脑自带的功能里，没有研究记录管理这一项。也许有人有，但至少不会收到更新提醒。
探索型AI的价值，就在于能不停地把这个循环转下去。
它不会停在“赚钱了”，而是继续追问：是不是只有某几天赚？算上手续费还赚不赚？换个时段呢？去掉这个条件呢？把枝杈越分越多，再把失败的原因变成下一个假设。
这不只是回测变快了。
而是研究本身的节奏变快了。
2. Astra的强，不在于“知道答案”，更像是“能在没去过的地方摸索前进”
要理解GPT-6 Astra的特点，ARC-AGI-3是个好例子。
这是一个互动式测试：AI要操作一个没有说明书、也没有明确目标的二维格子世界，一边观察会发生什么，一边猜出规则。需要的是探索的能力、在脑子里建起这个世界运转方式的能力、猜目标的能力，以及做计划并随时修正的能力。[3][4]
2026年7月，GPT-5.6 Sol在ARC Prize的半公开测试集（semi-private）上得了7.78%。OpenAI还在另一个公开测试集上证明：保留推理的中间状态、压缩上下文之后，成绩能从13.3%涨到38.3%。[5]
9月，Astra在同一个半公开测试集上，用ARC Prize的标准评测环境得了62.7%，用能把推理的中间状态保留得更久的Provider Adapter环境得了99.9%。评测环境不同，分数差别很大，所以不能简单算倍数。但可以看出，探索、理解运作原理、长时间记住状态这几项能力都大幅提高了。[6][3]
ARC Prize还报告说，在Astra通关的关卡里，有96%用的操作次数比人类通关者的中位数还少。[3]
有意思的就在这里。
这跟一口气解出一道难数学题的强，有点不一样。
“按这个会怎样？那下一步试试这个。哦，规则我懂了。”
是这种边摸边学的强。
小学生也能玩的二维小游戏，AI却长期搞不定。正因如此，它在这里的突然进步，很能说明“面对从没见过的环境，边碰边理解”的能力变了。
另外，ARC Prize自己也说，ARC-AGI-3拿高分并不等于证明实现了人类水平的通用智能。规则固定的封闭世界，和复杂的现实不是一回事。[3]
3. 为什么二维游戏里的探索，看起来像超短线研究
市场不是游戏。价格也不是按固定规则定出来的。
可是只看研究的步骤，两者很像。
比如，你在条件里加了盘口（买单和卖单排成的队）的偏向，回测成绩变好了。
这时候不能就此打住。
- 盘口偏向本身真的有用吗？
- 是不是只在波动大的时候有用？
- 是不是只因为买卖价差小才看起来有效？
- 成交价只差一格，效果就没了吗？
- 是不是只在某个时间段出现？
观察，改条件，看结果，改假设。
从结构上说，这跟ARC-AGI-3的“观察、操作、看反应、更新脑子里的地图、再操作”很接近。[3][4]
所以对探索型AI，比起“帮我找最赚钱的参数”，更合适的要求是：
“把这笔利润为什么会出现拆开来看，找出会让它失效的条件，再从失败的原因里生出下一批候选。”
这不是猜中赢法的问答题。
是把它当成一场在陌生地形里探路的研究游戏交出去。
4. 人的价值不会消失——“这一带不对劲”的直觉反而更值钱
很容易想：干脆让AI从零开始全找一遍。
但搜索的范围越大，人的经验越像一张“从哪里开始挖”的地图。
长年读书、一个个试过各种指标和价格规律的人，脑子里有这样一些分类：
- 单独用很弱，但当作“这种情况先不做”的条件可能有用。
- 好像只在涨跌趋势明显时才管用。
- 过去数据里很漂亮，但很容易被手续费吃掉。
- 与其用来预测方向，不如用来拦住不该进的单。
- 乍看很强，却容易集中在某一段时间。
这不是“标准答案清单”。
而是先重点看哪里的一种判断。
科学领域也一样。2026年的Co-Scientist，从研究者给的目标和已有证据出发，反复做“提出假设、批评、排序、改进”，并通过增加计算时间去深挖。[7]
金融上，想法也可以一样。
人先下种子：“这里好像很强。”
AI围着它往几千个方向挖。
如果结果和人的判断不一致，就毫不犹豫地扔掉。
经验不是答案，而是提示：先把探索的力气花在哪儿。
这样，“老手的先入之见”和“AI的蛮力穷举”各自的弱点，就能互相抵消一部分。
5. 为什么条件一多，靠人手就成了噩梦
假设有20种材料。
每种只选“用”或“不用”，组合就有
2^20 = 1,048,576种。
再加上“不用、正着用、反着用”三选一，就是
3^20 = 3,486,784,401种。
当然，现实里没人全部穷举。没意义的组合，靠人的知识先删掉。
但实战研究还会往里加：门槛值、时间段、价格波动幅度、买卖价差、持仓时间、避开新闻时段、做多和做空的差别、成交条件等等。
所以以前研究者做的
“看到这个怎么样？那再看看那个？这种情况要不要排除？”
其实就是靠人力走一棵巨大的分叉树。
难怪要花几年。
不是Excel不行。是宇宙太大了。
6. 想让AI做的，不是蛮力穷举，而是“选下一步试什么”
擅长探索的AI，用处不是把所有参数无差别扫一遍。
好的探索，会根据结果改变下一个实验。
比如策略由A+B+C+D组成，就一块一块拿掉，看成绩怎么变。
- 拿掉D也没变化 → D可能只是摆设。
- B单独很弱，但A+B能让亏损的幅度变小 → B也许不是预测器，而是过滤器（负责挑掉不该做的）。
- C全程都弱，只有波动大时很强 → C可能是依赖市场状态的零件。
这种“拿掉零件看作用”的检验，一般叫消融测试（ablation）。
重要的不是名字，而是把复杂的策略拆开，只留下真正有用的零件。
探索、失败、归因、再探索。
把这个循环自动化，AI就从一个只会找数字的工具，变得更像研究助手。
7. 可最大的敌人是“碰巧”——试4000次，总会冒出一个“碰巧的天才”
做钱的研究，最怕的就是这里。
试4000个策略，只挑最漂亮的那一个，这个赢家可能不是靠实力，而是碰巧赢的。
White指出，把同一份数据反复用来下判断、挑模型的“数据窥探”（data snooping），会让好结果可能来自运气，而不是方法真有本事。[1]
多个信号组合起来更危险。
Novy-Marx证明：挑选并组合多个信号，会让“过分迎合过去数据”的偏差变强，即使是根本没有预测能力的随机信号，也能做出看起来很漂亮的回测。[2]
所以探索型AI的强，是把双刃剑。
它犯错的次数可以是人的4000倍。
还能从中把最漂亮的那个错误挑出来颁奖。
探索量越大，防“碰巧”的办法就越不能只是最后检查一下，而要放进探索的做法本身。
8. 防范，要从“记录每一次尝试，最后的检验数据连AI也不给看”开始
大规模探索时，失败的那3999个也是研究记录。
至少要把下面这些放进流程：
- 记录每一次尝试。 试了多少个、改了什么条件、为什么丢掉，都留下来。
- 把探索用的数据和最终检验用的数据分开。 挑策略期间，不看最终检验的数据。
- 按时间顺序往前检验。 用过去建模，在之后的时段验证，也就是前向检验（walk-forward）。
- 故意把条件弄差。 把买卖价差、手续费、成交价偏差、延迟、成交难度都往差的方向调。
- 看看相近的参数下还行不行。 只在某一个点上特别灵的策略要提防。
- 按市场状态拆开看。 波动大和平静的时候、时间段、年份、做多和做空，看利润是不是集中在某一块。
- 把试了很多次这件事修正进去。
因为试了大量候选，夏普比率（用风险衡量收益的一个指标）会被抬高、看起来比真实水平好。把这部分修正掉的方法，叫Deflated Sharpe Ratio，简称DSR。它考虑了挑选带来的偏差，以及收益分布不对称的问题。[8]
专门针对投资回测、估算“优化过头的概率”的框架，是Probability of Backtest Overfitting，简称PBO，用的是组合对称交叉验证这种方法。[9]
White的Reality Check是检验大量候选里是否存在数据窥探的方法，Hansen的Superior Predictive Ability检验（SPA）则改进为不那么容易被弱的、无关的候选干扰。[1][10]
这些名字不用全记住。
道理只有一条：
“试了4000个之后最强”，就要连同“试了4000个”这个事实一起来评价。
而且，看过留到最后的没用过的数据、再去改策略，这份数据就不再是没用过的了。改过的版本，需要新封存的一份数据。
9. 最强的配置，是“找赢家的AI”和“拆赢家的AI”两个人搭档
只放一个探索型AI，很容易偏向“找好东西”。
所以把角色分开。
探索方
- 生成新的条件。
- 重新组合人的假设。
- 深挖在不同市场状态下的效果。
- 把失败的原因变成下一批候选。
找茬方
- 把手续费等成本调差。
- 让成交变慢。
- 抽掉几天的数据。
- 把参数挪一挪。
- 换到别的时期、别的市场。
- 用DSR、PBO、Reality Check、SPA等，把试了很多次的因素修正掉。
- 检查利润是不是只集中在少数几天或少数几笔交易上。
探索方拿来说“找到了！”，找茬方就问一句“真的吗？”然后一顿猛敲。
活下来了，再敲一遍。
在做钱的研究里，这份讨人嫌就是质量。
目标最好别再是“最高利润”，而是
“条件稍微弄坏一点、换个时期、把成本调差，依然能留下来，而且说得清理由的东西”。
10. 新模型出来时，别只看“总分”，要看“上一代突然跨过的那堵墙”
这件事不只和超短线有关。
新AI模型发布时，只看综合测试涨了5%，容易错过真正赚钱的地方。
该看的是：
“上一代模型做起来不划算的活，这一次哪里突然能做了？”
对Astra来说，ARC-AGI-3上最突出的，是探索陌生环境、把运作原理浓缩进脑子里、用很少的操作往前走的能力。[3]
从这里倒推。
- 有没有需要试大量假设的活？
- 有没有人总在“下一步试什么”上浪费时间的工作？
- 成败能不能用数字验证？
- 重复100次、1000次时，人工成本的差距大不大？
- 这种能力差距，能不能直接对应到利润、成本、开发速度？
这五点重合的地方，就很有意思。
在科学领域，像Co-Scientist这样靠算力来跑“提假设、批评、比较、改进”的做法，也已经实实在在在推进了。[7]
所以，看新模型发布，别当成是看参数表，而是当成
一场寻宝：人类以前最头疼的工序里，有哪一步突然能交给机器了？
在短线交易研究里，答案已经开始浮现。
人花几年攒下的“这一带好像很强”的直觉，不是该扔掉的东西。
把它交给AI，让AI往几千个方向挖。
但同时要让同一个AI来拆自己的成果，让结果过统计这一关，并把最后一份没用过的数据留好。
最简短的总结是：
人画探索的地图。AI挖到地图之外。统计在最后拦一句：“那个，真是金矿吗？”
AI越强，最后那个人就越得保持冷静。
不过那个人，也可以让AI来当。
参考资料（10条）
- Halbert White — A Reality Check for Data Snooping, Econometrica 68(5), 2000 onlinelibrary.wiley.com
- Robert Novy-Marx — Backtesting Strategies Based on Multiple Signals, NBER Working Paper 21329, 2015 nber.org
- ARC Prize — OpenAI's GPT-6 Astra on ARC-AGI-3 (2026-09-03) arcprize.org
- ARC Prize — Announcing ARC-AGI-3 / ARC-AGI-3 documentation https://docs.arcprize.org/ arcprize.org
- OpenAI — How two settings tripled our ARC-AGI-3 scores (GPT-5.6 Sol) openai.com
- OpenAI — GPT-6 Astra: A new generation of intelligence openai.com
- Juraj Gottweis et al. — Accelerating scientific discovery with Co-Scientist, Nature, 2026 nature.com
- David H. Bailey & Marcos López de Prado — The Deflated Sharpe Ratio: Correcting for Selection Bias, Backtest Overfitting, and Non-Normality, 2014 doi.org
- David H. Bailey, Jonathan Borwein, Marcos López de Prado & Qiji Jim Zhu — The Probability of Backtest Overfitting, 2015 papers.ssrn.com
- Peter Reinhard Hansen — A Test for Superior Predictive Ability, Journal of Business & Economic Statistics 23(4), 2005 tandfonline.com
