把 Ruuj 那篇《How to Become a Quant》压成一张因果回路图:不看「怎么入行」,只看钱从哪儿来、被谁吃掉、什么在重新造出来。
量化 alpha 是资本、已知度、验证严格度 三个变量在 月–年 尺度上的产物:任何 edge 一旦被认知并被资本填满,净收益会被成本与拥挤吃回去;而 AI 把「造出一个漂亮回测」的成本压到接近零之后,净收益的两个侵蚀源分开了 —— 真实侵蚀(成本、拥挤)与虚假侵蚀(假发现)。图里只有四个闭合回路,它们全部穿过同一个节点:资本。
| 变量 | 单位 | 典型量级 | 观测频率 | 代理指标 |
|---|---|---|---|---|
| 已知度 | 0–1 | 发表前 ≈0 / 发表后 →1 | m | anomaly 发表数、社媒与论文提及量(McLean-Pontiff 直接用「发表」当事件) |
| 资本 | $ | 单策略族 10⁷–10¹⁰ | m | 族内 AUM、13F/CTA 持仓、ETF 净流入 |
| 拥挤 | 0–1 同向仓位占比 | 0.2–0.8 | w | 同族策略回撤同步率、持仓相关性聚集 |
| 净alpha | bps/年(扣费) | 衰减前 200–800,衰减后 <50 | d–m | 净值 − 因子基准,扣有效价差与冲击 |
| 规模 | %ADV | 1%–20% | d | 日成交额占标的 ADV 比例 |
| 成本 | bps 单边 | 1–50 | d | 有效价差 + 冲击(成交价 vs 到达价) |
| 速度 | μs | 1–1000 | s | colo 延迟、tick-to-trade |
| 强制流 | $/事件 | 指数调整日 10⁸–10¹⁰ | 事件 | 调整日成交额、评级下调后换手、基金赎回 |
| 信息滞后 | h–d(扩散半衰期) | 0.5–5 日 | d | 公告后价格发现曲线、订单流吸收速度 |
| 崩溃痛 | % 回撤 | 10%–50%(动量型) | m | 同族策略最大回撤、杠杆强平额 |
| AI候选 | 条/天 | 10²–10³ | d | 当日生成的策略/变体数 |
| 回测数 | 次/月(trial count) | 10³–10⁶ | d | 实验记录数、参数网格规模 |
| 假发现 | 比例 | 净研究里 >50% | m | 5% 显著但复现失败比例、Deflated Sharpe |
| 验证严格度 | 0–1 | 0.1(只挑最好的)→0.9(先问谁付钱) | m | 多重检验校正、样本外/holdout、who-pays 检验通过率 |
变量 ≤ 25 的约束满足;不可观测的量都换了代理:情绪→崩溃痛、认知→已知度(用发表事件做 0/1 代理)。
flowchart LR v0["已知度"] v1["资本"] v2["净alpha"] v3["拥挤"] v4["规模"] v5["成本"] v6["速度"] v7["强制流"] v8["信息滞后"] v9["崩溃痛"] v10["AI候选"] v11["回测数"] v12["假发现"] v13["验证严格度"] v0 -->|"+ m3"| v1 v2 -->|"+ m1"| v1 v1 -->|"+ m1"| v3 v3 -.->|"− m6"| v2 v1 -->|"+ m1"| v4 v4 -->|"+ m1"| v5 v5 -.->|"− d1"| v2 v1 -->|"+ m6"| v6 v6 -->|"+ s30"| v2 v7 -->|"+ d1"| v2 v7 -->|"+ m3"| v3 v8 -->|"+ w1"| v2 v9 -.->|"− m1"| v3 v10 -->|"+ d1"| v11 v11 -->|"+ d1"| v12 v12 -->|"+ w1"| v1 v12 -->|"+ m6"| v13 v13 -.->|"− d1"| v12 v13 -->|"+ m6"| v2 v10 -->|"+ m3"| v13
实线 = 正号,虚线 = 负号,边上标的是延迟量级。边表(edges.tsv)才是真源,这张图由脚本从边表算出来;同一对节点若出现一正一负,说明两个时间尺度被混进了一张图,应该拆图而不是取平均。
| 类型 | 节点序列 | 各边延迟 | 验证信号 | 证据 |
|---|---|---|---|---|
| B1 自限 | 资本 → 拥挤 → 净alpha → 资本 | m1 / m6 / m1 | 拥挤度上行 6 个月后同族超额收益掉档;掉档幅度约 −58% | 2 · paper:MP2016 |
| B2 自限 | 资本 → 规模 → 成本 → 净alpha → 资本 | m1 / m1 / d1 / m1 | 规模翻倍时净收益下跌超过线性 —— 成本项从线性转二次的位置就是「容量天花板」 | 3 · tweet |
| R3 军备 | 资本 → 速度 → 净alpha → 资本 | m6 / s30 / m1 | colo/FPGA 投入与做市份额同向;停止投入后份额在 6–12 个月内掉 | 3 · tweet |
| B4 唯一负反馈 | 假发现 → 验证严格度 → 假发现 | m6 / d1 | 试验次数激增后 12 个月内团队引入 holdout / 多重检验校正;未引入者的实盘收益与回测的差(gap)持续扩大 | 2 · tweet |
| 开放支路 | AI候选 → 回测数 → 假发现 → 资本 →(拥挤 / 规模)→ 净alpha | d1 / d1 / w1 | 不是回路:没有证据表明资本会反过来买更多算力或候选。这一端是开的,正是文章说的断层 | 3 · tweet |
为什么只有 4 个回路:所有反馈都穿过「资本」这一个节点,其余 5 个(已知度 / 强制流 / 信息滞后 / 崩溃痛 / AI候选)只有出边没有入边,它们是驱动,不是机制。
不是渐变,是一次性掉档。McLean & Pontiff 的样本里,异象在论文发表后收益平均掉 约 58%,延迟量级是月。触发条件:公开、可复现、不需要特殊数据权限。文章用「Understanding why an edge exists also tells you what is likely to erode it」说了同一件事 —— 能解释成因,就同时知道什么会把它磨掉。
成本项从线性变二次的位置。越过之后 B2 接管,净 alpha 断崖式下跌,而 B1 的拥挤信号还没有出现 —— 这就是文章说的「a strategy that works well with a small account can disappear at a larger size」。判断方法:把 AUM 与净收益画双对数,斜率从 −1 掉到 −2 的位置就是顶。
试验次数多到「纯噪声里必然出现 5% 显著」时,选出来的策略以假发现为主。文章的例子是最干净的版本:100 个全是噪声的想法,5 个看起来像真的;跑几千个变体再挑最好的,就是绝大多数漂亮净值曲线的生产过程。越过之后,任何不记录 trial count 的回测都不可信。
「AI can generate a thousand candidate patterns in an afternoon」。阈值 ③ 从「几年才撞到」变成「每天撞到」。这时候系统只有两条路:B4(验证严格度)接管,把假发现压回去;或者 B4 不启动,假发现经「资本」进入 B1/B2,用真 edge 的拥挤与成本替假 edge 买单 —— 表现是整族策略的净收益同时恶化,但没人能指出是哪条策略错了。
动量型 edge 的崩溃在月尺度上把拥挤度一次性清零(延迟 m1),B1 从起点重来:edge 以更高的未来收益回来,代价是谁在那次回撤里被洗掉。这也是这类 edge 能活下来的原因 —— 文章原话是「few people can sit through those moments」。注意符号:崩溃不是让 edge 变小,是让持有者变少。
7 条 conf<3,下一步只找这些,不要均匀地读:
0 条数据验证。按流程该用本项目的钱检验(lead-lag / 事件研究 / 断裂点),但这套图的验证需要「已发表异象的复现面板 + 策略级扣除成本后的收益序列」,events.db(财报/资金费率/政策事件)与 btc_moves_5y.json 里都没有这个面板,硬拿 BTC 涨跌去代 58% 衰减只会得到一条假证据。所以这张图全部是 conf≤3,没有一条 conf=4。要跑检验,缺的是数据不是方法。
外生驱动占 5 个:已知度、强制流、信息滞后、崩溃痛、AI候选。机制不自足 —— 图只说明「一旦驱动来了,怎么传」,不说明驱动从哪来。这正好对上文章的核心过滤器:Who is paying, and why? 找不出付款方,就不该有这条边。