做過超短線（也叫剝頭皮，幾秒到幾分鐘就出場的交易）策略研究的人都知道，最累的不是算數。
看到訊號A怎麼辦？B同時出現呢？行情震盪大就留著，平靜就刪掉？這裡反著做，那裡乾脆不動？
一個個手動試下來，平常的晚上就變成了私人實驗室。每天花幾個小時、連續好幾年，最後只留下一個像樣的策略，並不稀奇。
然後，會自己去探索的AI來了。
在某種用法裡，它幾個小時就能跑幾千種變化，查出獲利為什麼忽高忽低，再用失敗的原因挑下一個要試的方案。人的第一反應大多一樣：
「這要讓人來做，得花幾天啊？」
但如果就此覺得「AI能試4000種，穩了」，那就危險了。在金融裡，試得越多，把運氣當成實力的機會也越大。[1][2]
這篇文章的結論很簡單：
可靠的組合是：你自己的想法，加上AI的大量探索，加上AI自己挑毛病，再加上把「試了幾次」算進去的統計修正。
只有一個負責找贏家的AI不夠。還得有一個專門把贏家拆掉的AI。
1. 為什麼要花好幾年的手工活，突然能縮短這麼多
手工研究策略，其實是一連串的小步驟：
- 想到一個點子。
- 把條件寫成規則。
- 用過去的資料試一遍（回測）。
- 看結果。
- 想「為什麼不穩定」。
- 把條件拆開。
- 再試一次。
每一步都不難，難的是這樣反覆幾百次、幾千次。
而且途中總要問：「昨天試到哪了？」「這個條件我是不是試過了？」人腦本來就沒有內建研究紀錄管理的功能。也許有人有，但至少不會收到更新通知。
探索型AI的價值，就在於能不停地把這個循環轉下去。
它不會停在「賺錢了」，而是繼續追問：是不是只有某幾天賺？扣掉手續費還賺不賺？換個時段呢？拿掉這個條件呢？把分支越開越多，再把失敗的原因變成下一個假設。
這不只是回測變快了。
而是研究本身的節奏變快了。
2. Astra的強，不在於「知道答案」，更像是「能在沒去過的地方摸索前進」
想了解GPT-6 Astra的特色，ARC-AGI-3是個好例子。
這是一個互動式測試：AI要操作一個沒有說明書、也沒有明確目標的二維格子世界，一邊觀察會發生什麼，一邊猜出規則。需要的是探索的能力、在腦中建立這個世界運作方式的能力、猜目標的能力，以及規劃並隨時修正的能力。[3][4]
2026年7月，GPT-5.6 Sol在ARC Prize的半公開測試集（semi-private）上拿到7.78%。OpenAI還在另一個公開測試集上證明：保留推理的中間狀態、壓縮上下文之後，成績能從13.3%升到38.3%。[5]
9月，Astra在同一個半公開測試集上，用ARC Prize的標準評測環境拿到62.7%，用能把推理的中間狀態保留更久的Provider Adapter環境拿到99.9%。評測環境不同，分數差很多，所以不能直接算倍數。但可以看出，探索、理解運作原理、長時間記住狀態這幾項能力都大幅提升了。[6][3]
ARC Prize還報告，在Astra通關的關卡裡，有96%用的操作次數比人類通關者的中位數還少。[3]
有趣的就在這裡。
這跟一口氣解出一道難數學題的強，有點不一樣。
「按這個會怎樣？那下一步試試這個。喔，規則我懂了。」
是這種邊摸邊學的強。
小學生也能玩的二維小遊戲，AI卻長期搞不定。正因為如此，它在這裡的突然進步，很能說明「面對沒看過的環境，邊碰邊理解」的能力變了。
另外，ARC Prize自己也說，ARC-AGI-3拿到高分並不等於證明實現了人類等級的通用智慧。規則固定的封閉世界，和複雜的現實不是一回事。[3]
3. 為什麼二維遊戲裡的探索，看起來像超短線研究
市場不是遊戲。價格也不是照固定規則決定的。
可是只看研究的步驟，兩者很像。
比如，你在條件裡加了委託簿（買單和賣單排成的隊伍）的偏向，回測成績變好了。
這時候不能就此打住。
- 委託簿偏向本身真的有用嗎？
- 是不是只在波動大的時候有用？
- 是不是只因為買賣價差小才看起來有效？
- 成交價只差一格，效果就沒了嗎？
- 是不是只在某個時段出現？
觀察，改條件，看結果，改假設。
從結構上看，這跟ARC-AGI-3的「觀察、操作、看反應、更新腦中的地圖、再操作」很接近。[3][4]
所以對探索型AI，比起「幫我找最賺錢的參數」，更適合的要求是：
「把這筆獲利為什麼會出現拆開來看，找出會讓它失效的條件，再從失敗的原因裡生出下一批候選。」
這不是猜中贏法的問答題。
是把它當成一場在陌生地形裡探路的研究遊戲交出去。
4. 人的價值不會消失——「這一帶不太對勁」的直覺反而更值錢
很容易會想：乾脆讓AI從零開始全找一遍。
但搜尋的範圍越大，人的經驗越像一張「從哪裡開始挖」的地圖。
多年來讀書、一個個試過各種指標和價格規律的人，腦中有這樣一些分類：
- 單獨用很弱，但當作「這種情況先不做」的條件可能有用。
- 好像只在漲跌趨勢明顯時才管用。
- 過去資料裡很漂亮，但很容易被手續費吃掉。
- 與其用來預測方向，不如用來擋住不該進場的單。
- 乍看很強，卻容易集中在某一段時間。
這不是「標準答案清單」。
而是先重點看哪裡的一種判斷。
科學領域也一樣。2026年的Co-Scientist，從研究者給的目標和既有證據出發，反覆做「提出假設、批評、排序、改進」，並透過增加運算時間去深挖。[7]
金融上，想法也可以一樣。
人先下種子：「這裡好像很強。」
AI圍著它往幾千個方向挖。
如果結果和人的判斷不一致，就毫不猶豫地丟掉。
經驗不是答案，而是提示：先把探索的力氣花在哪裡。
這樣，「老手的先入為主」和「AI的蠻力窮舉」各自的弱點，就能互相抵消一部分。
5. 為什麼條件一多，靠人力就成了惡夢
假設有20種材料。
每種只選「用」或「不用」，組合就有
2^20 = 1,048,576種。
再加上「不用、正著用、反著用」三選一，就是
3^20 = 3,486,784,401種。
當然，現實中沒人全部窮舉。沒意義的組合，靠人的知識先刪掉。
但實戰研究還會往裡加：門檻值、時段、價格波動幅度、買賣價差、持有時間、避開新聞時段、做多和做空的差別、成交條件等等。
所以以前研究者做的
「看到這個怎麼樣？那再看看那個？這種情況要不要排除？」
其實就是靠人力走一棵巨大的分叉樹。
難怪要花好幾年。
不是Excel不行。是宇宙太大了。
6. 想讓AI做的，不是蠻力窮舉，而是「選下一步試什麼」
擅長探索的AI，用處不是把所有參數無差別掃一遍。
好的探索，會根據結果改變下一個實驗。
比如策略由A+B+C+D組成，就一塊一塊拿掉，看成績怎麼變。
- 拿掉D也沒變化 → D可能只是擺設。
- B單獨很弱，但A+B能讓虧損的幅度變小 → B或許不是預測器，而是過濾器（負責挑掉不該做的）。
- C整段期間都弱，只有波動大時很強 → C可能是依賴市場狀態的零件。
這種「拿掉零件看作用」的檢驗，一般叫消融測試（ablation）。
重要的不是名字，而是把複雜的策略拆開，只留下真正有用的零件。
探索、失敗、歸因、再探索。
把這個循環自動化，AI就從一個只會找數字的工具，變得更像研究助理。
7. 但最大的敵人是「剛好」——試4000次，總會冒出一個「剛好的天才」
做錢的研究，最怕的就是這裡。
試4000個策略，只挑最漂亮的那一個，這個贏家可能不是靠實力，而是剛好贏的。
White指出，把同一份資料反覆用來下判斷、挑模型的「資料窺探」（data snooping），會讓好結果可能來自運氣，而不是方法真的有本事。[1]
多個訊號組合起來更危險。
Novy-Marx證明：挑選並組合多個訊號，會讓「過度迎合過去資料」的偏差變強，即使是根本沒有預測能力的隨機訊號，也能做出看起來很漂亮的回測。[2]
所以探索型AI的強，是把雙面刃。
它犯錯的次數可以是人的4000倍。
還能從中把最漂亮的那個錯誤挑出來頒獎。
探索量越大，防「剛好」的辦法就越不能只是最後檢查一下，而要放進探索的做法本身。
8. 防範，要從「記錄每一次嘗試，最後的檢驗資料連AI也不給看」開始
大規模探索時，失敗的那3999個也是研究紀錄。
至少要把下面這些放進流程：
- 記錄每一次嘗試。 試了多少個、改了什麼條件、為什麼丟掉，都留下來。
- 把探索用的資料和最終檢驗用的資料分開。 挑策略期間，不看最終檢驗的資料。
- 按時間順序往前檢驗。 用過去建模，在之後的時段驗證，也就是前向檢驗（walk-forward）。
- 故意把條件弄差。 把買賣價差、手續費、成交價偏差、延遲、成交難度都往差的方向調。
- 看看相近的參數下還行不行。 只在某一個點上特別靈的策略要提防。
- 按市場狀態拆開看。 波動大和平靜的時候、時段、年份、做多和做空，看獲利是不是集中在某一塊。
- 把試了很多次這件事修正進去。
因為試了大量候選，夏普比率（用風險衡量報酬的一個指標）會被墊高、看起來比真實水準好。把這部分修正掉的方法，叫Deflated Sharpe Ratio，簡稱DSR。它考慮了挑選帶來的偏差，以及報酬分布不對稱的問題。[8]
專門針對投資回測、估算「最佳化過頭的機率」的架構，是Probability of Backtest Overfitting，簡稱PBO，用的是組合對稱交叉驗證這種方法。[9]
White的Reality Check是檢驗大量候選中是否存在資料窺探的方法，Hansen的Superior Predictive Ability檢定（SPA）則改進為不那麼容易被弱的、無關的候選干擾。[1][10]
這些名字不用全部記住。
道理只有一條：
「試了4000個之後最強」，就要連同「試了4000個」這個事實一起來評價。
而且，看過留到最後的沒用過的資料、再去改策略，這份資料就不再是沒用過的了。改過的版本，需要新封存的一份資料。
9. 最強的配置，是「找贏家的AI」和「拆贏家的AI」兩個人搭檔
只放一個探索型AI，很容易偏向「找好東西」。
所以把角色分開。
探索方
- 產生新的條件。
- 重新組合人的假設。
- 深挖在不同市場狀態下的效果。
- 把失敗的原因變成下一批候選。
挑毛病方
- 把手續費等成本調差。
- 讓成交變慢。
- 抽掉幾天的資料。
- 把參數挪一挪。
- 換到別的時期、別的市場。
- 用DSR、PBO、Reality Check、SPA等，把試了很多次的因素修正掉。
- 檢查獲利是不是只集中在少數幾天或少數幾筆交易上。
探索方拿來說「找到了！」，挑毛病方就問一句「真的嗎？」然後一頓猛敲。
活下來了，再敲一遍。
在做錢的研究裡，這份討人厭就是品質。
目標最好別再是「最高獲利」，而是
「條件稍微弄壞一點、換個時期、把成本調差，依然能留下來，而且說得清楚理由的東西」。
10. 新模型出來時，別只看「總分」，要看「上一代突然跨過的那道牆」
這件事不只和超短線有關。
新AI模型發表時，只看綜合測試漲了5%，容易錯過真正賺錢的地方。
該看的是：
「上一代模型做起來不划算的工作，這一次哪裡突然能做了？」
對Astra來說，ARC-AGI-3上最突出的，是探索陌生環境、把運作原理濃縮進腦中、用很少的操作往前走的能力。[3]
從這裡倒推。
- 有沒有需要試大量假設的工作？
- 有沒有人總在「下一步試什麼」上浪費時間的作業？
- 成敗能不能用數字驗證？
- 重複100次、1000次時，人力成本的差距大不大？
- 這種能力差距，能不能直接對應到獲利、成本、開發速度？
這五點重疊的地方，就很有意思。
在科學領域，像Co-Scientist這樣靠運算量來跑「提假設、批評、比較、改進」的做法，也已經實實在在地在推進了。[7]
所以，看新模型發表，別當成是看規格表，而是當成
一場尋寶：人類以前最頭痛的工序裡，有哪一步突然能交給機器了？
在短線交易研究裡，答案已經開始浮現。
人花好幾年攢下的「這一帶好像很強」的直覺，不是該丟掉的東西。
把它交給AI，讓AI往幾千個方向挖。
但同時要讓同一個AI來拆自己的成果，讓結果通過統計這一關，並把最後一份沒用過的資料留好。
最簡短的總結是：
人畫探索的地圖。AI挖到地圖之外。統計在最後攔一句：「那個，真的是金礦嗎？」
AI越強，最後那個人就越得保持冷靜。
不過那個人，也可以讓AI來當。
參考資料（10筆）
- 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
