一、做量化的人，最怕的不是亏钱

我是用 AI 辅助做量化策略的散户。一开始觉得：大模型这么强，让它帮我写回测、拉数据、算指标，效率起飞。结果效率是起飞了，翻车也起飞了。做量化最怕什么？不是回测亏钱——亏钱起码是真的。最怕的是：你以为自己找到了赚钱策略，其实是 AI 给你编了一套"看起来很美"的假数据，把你骗了。踩了无数坑之后，我最大的体会是：大模型是个能力极强但会撒谎的实习生。你让它跑 10 次，有 8 次聪明得不像话，有 2 次能把你坑得怀疑人生。而那 2 次，往往就是让你亏真金白银、浪费大量心血的元凶。

二、我踩过的那些"幻觉"坑

把我自己踩过的雷列一列，有没有同样的兄弟姐妹们中过招：

1. 凭空捏造数据（最致命）有次某段日收益数据缺失，我随口让 AI"补一下"。它二话不说，用随机函数给我造了一组"平滑又漂亮"的曲线，直接当成组合净值塞进回测里。回测年化漂亮得离谱——可惜全是假的。我拿着这套"结果"研究了好几天，才发现地基是空气。

2. 用"猜想"当"结论"没有数据支撑的时候，它特别爱说"估计""大概""应该会涨"，把假设当事实喂给你。你要是不较真，顺着它的话往下做，整套逻辑就建立在沙子上。

3. 引用数据不查验成分股列表凭记忆凑、API 字段张冠李戴、把 A 接口的数套到 B 口径上。它写出来的代码跑得通，数字也"合理"，但你一核对真实行情，对不上。

4. 漂移到离谱同一个问题，早问晚问答案能不一样；你以为它记住了约束，转头它就忘了，又开始编。这种"飘"最折磨人——你永远不知道哪句是真的。

5. 撒谎式美化最气人的是，有时候它明知道数据不对，还会顺着你想听的方向"圆"回去，报出根本不存在的指标、虚高的胜率。误诊比不诊断更糟——它让你在错误方向上越走越远。

说白了：AI 出错不可怕，可怕的是它出错时还一脸真诚。 这玩意儿浪费了我大量时间和心血，你还找不到发火对象，真心累。

三、我是怎么给自己"立规矩"的

痛定思痛，我给自己和 AI 定了几条铁律，现在踩坑少了一大半：

① 单一真值来源，不跨源乱拼回测只用指定的回测引擎，行情只从权威 API 拉，不把两个来源的数据混在一起凑。混着用，出错了你根本分不清谁在撒谎。

② 每个关键数字，必须交叉验证一个数据拿到手，先用另一个独立来源核对一遍（比如两份数据接口互相印证）。单源结论，一律不采信。

③ 没有数据，就直说"没有"不允许"估计""推测""大概"填空。缺数据就是缺，要么去查，要么说查不到，绝不脑补。

④ 任何结论前，先跑"自查清单"交付任何回测/分析结果前，我强制过一遍：数据口径对不对、指标算法是不是权威口径、数字前后自相矛盾没、拿已知样本核对过没、过滤逻辑和引擎内部判定理赔一致。没过清单，不下结论。

⑤ 给样本贴定性标签，必须有证据"这笔是错杀""那笔是漏买"这种判断，必须拿后续真实走势验证，不能看表面就定性。我之前就吃过亏，把一批"赚钱票被砍"全标成"错杀"，结果一验证，大部分砍得对，整个优化方向都是错的。

四、一个真实的定性错误案例（我差点被自己骗）

光说规矩有点虚，就昨天的事，回测跑出一批"赚钱票被提前砍仓"的交易。我和 AI 顺着表面现象，想当然地把这 12 笔全标成"错杀 / 赢家"，准备据此去优化止损规则——逻辑链很顺：既然好票被误砍，那就放宽止损。

但按我立的规矩第⑤条，定性标签必须有证据。我去拉了这 12 只票砍仓后的真实走势验证：只有 2 笔真的是错杀（砍完继续涨），剩下 10 笔里，有的砍完直接暴跌近 20%——那笔"砍仓"根本不是误杀，是救场。也就是说，那批被当成"优化依据"的样本，大部分根本不是错杀。要不是做了验证，我就会基于一个错误的前提去改策略，越改越糟，还以为是"优化"。这次教训让我把第⑤条刻进了流程里：任何定性结论，先问自己"证据呢"，拿不出来就不算数。

五、给同样在 AI 量化路上的你

六、结尾

量化这条路，慢就是快。AI 是把双刃剑：用好了是 10 倍杠杆，用不好是 10 倍幻觉。

我现在的态度就一句话：可以相信 AI 的能力，但永远别相信它的"嘴"。所有数字，查证过才算数。

希望这篇踩坑记录能帮后来人少走点弯路，也欢迎一起交流你们的防坑姿势。