—— 为什么“失败条件”，必须先于收益存在

一、如果你不先定义失败，回测一定会接管一切

承接上一篇，我们已经把一个事实钉死了：

未经裁决就进入回测调参循环，是量化里最昂贵、也最隐蔽的无效劳动。

那么问题自然变成：

裁决到底从哪里来？

多数量化流程给出的默认答案是：

• 看回测结果

• 看收益

• 看稳定性

• 看是否“还能再调”

这看起来很合理，
但在可控系统视角下，这是一个逻辑倒置。

因为这意味着：

你允许一个东西，在“是否该存在”尚未被判断之前，
就消耗大量算力、时间与认知资源。

在任何严肃工程体系里，这都是非法流程。

二、为什么“从收益出发”，永远无法形成裁决

先把话说狠一点：

收益不是裁决依据，
收益只是一个结果变量。

用收益来决定因子是否成立，
在逻辑上至少存在三层不可修复的问题。

1️⃣ 收益永远是“事后变量”

收益只能回答一个问题：

“在这段历史里，这样做发生了什么。”

但它无法回答：

• 为什么发生

• 是否还能发生

• 在什么条件下不该再发生

更重要的是：

收益永远无法告诉你：
什么时候必须停止。

2️⃣ 收益天然鼓励“继续尝试”

只要你允许收益作为主要裁决标准，
流程就一定会退化为：

这次不行 →
那我再换个参数 →
那我再换个区间 →
那我再加个条件

因为收益永远给你留下这条后路：

“也许下一个版本就行。”

这正是回测黑工厂能够无限扩张的心理基础。

3️⃣ 收益会反向污染因子定义本身

一旦收益被允许参与裁决，
因子的定义就会开始发生“漂移”：

• 定义会围绕表现调整

• 叙事会围绕结果补写

• 合理性会围绕成功重构

最后你得到的，不再是一个“因子”，
而是一个：

被回测结果塑形过的历史产物。

三、真正能形成裁决的，只能是“失败条件”

如果收益不具备裁决资格，
那裁决只能来自另一类东西：

失败条件（Failure Conditions）。

失败条件问的不是：

• 能不能赚钱

• 能赚多少

而是：

在什么可观测结构下，
这个因子必须被判定为“不可继续持有”。

这是一个完全不同的问题空间。

四、什么叫“失败条件”？先排除三个误解

在继续之前，必须先排掉几个常见误解。

❌ 误解一：失败 = 回撤大

不对。

回撤是结果，不是条件。

如果你的失败条件写成：

“当回撤超过 X% 时停止”

那你并没有定义失败，
你只是定义了止损策略。

❌ 误解二：失败 = 收益变差

也不对。

“最近一段时间不好”
本质上仍然是：

用收益判断收益。

这是循环定义，不具备裁决性。

❌ 误解三：失败 = 参数不合适

更不对。

一旦你允许“换参数”作为回应失败的方式，
你已经重新打开了黑工厂入口。

五、真正的失败条件，必须满足三条硬标准

在可控 AI / 可控系统视角下，
一个合格的失败条件，必须同时满足：

✅ 1️⃣ 独立于收益存在

失败是否发生，
不依赖收益曲线是否好看。

它来自于：

• 市场结构变化

• 机制断裂

• 约束失效

• 参与者行为改变

✅ 2️⃣ 可被独立观测

失败条件必须对应：

• 明确的、可观测的变量

• 而不是主观判断

如果你无法指出：

“当失败发生时，现实世界中哪些量会发生什么变化”

那这个失败条件就是无效的。

✅ 3️⃣ 一旦触发，必须有确定后果

失败不是“提醒”，
而是裁决。

失败一旦被触发，系统行为必须是确定的：

• 冻结

• 降权

• 销毁

• 转为仅观测

不存在“再观察一下”。

六、失败条件的真正作用：裁决搜索空间

一旦你在回测之前，就要求因子写清失败条件，
整个量化流程会发生一次结构性塌缩。

因为这意味着：

不是所有“看起来像因子”的东西，
都有资格进入搜索空间。

你开始在进入回测之前，人为收紧空间边界。

七、一个工程级的事实：失败条件越清晰，调参空间越小

这是很多人没有意识到的一点。

当失败条件被前置：

• 参数自由度会被强行压缩

• “再试一组”的合法性会被剥夺

• 大量“靠调出来”的因子会直接失效

你不再是在问：

“怎么把它调好？”

而是在问：

“在这些失败前提下，它是否还有任何合法版本？”

这是族级裁决，
不是实例级优化。

八、为什么“先定市场状态 / 收益来源”不够

很多人会说：

• 那我先定市场状态

• 那我先定收益来源

问题在于：

如果没有失败条件，
这些东西都会退化为事后解释工具。

市场状态的问题在于：

• 很容易事后分 regime

• 很容易用收益反推状态

• 会增加搜索维度，而不是减少

收益来源的问题在于：

• 概念天然模糊

• 难以证伪

• 极易被回测结果反向补写

它们解释问题，
但不裁决问题。

九、失败条件才是“可控系统”的第一入口

从可控 AI 的角度看，
失败条件承担的角色是：

在收益出现之前，
为系统引入否决权。

这一步至关重要，因为：

• 它不依赖模型智能

• 不依赖预测能力

• 不依赖历史表现

它依赖的是：

人类对“不可继续冒险之事”的判断与承担。

十、第二条硬结论

这一篇，同样可以只留一句结论：

在可控 AI 逻辑下，
失败条件不是风险管理工具，
而是因子是否有资格进入回测的“立项裁决”。

没有失败条件的因子，
不是“还不成熟”，
而是：

从一开始就不具备合法研发身份。