—— 回测调参黑工厂：量化里最昂贵、也最隐蔽的无效劳动

一、量化里“最亏”的一步，并不是最难的那一步

如果站在一个完整走过无数量化 / 因子 / 策略流程的位置回看，
真正消耗时间最多、精力最多、认知损耗也最大的环节，并不是：

• 想不出因子

• 模型不会写

• 数据不够干净

• 算力不够

而恰恰是看起来最“专业”、最“工程化”、最“像正事”的那一段：

在一个“看起来像因子”的东西已经存在的前提下，
反复回测、反复调参，
试图把一个不成立的东西“拧成成立”。

流程几乎所有做过量化的人都熟得不能再熟：

有了一个候选因子 →
跑回测 →
结果不好 →
改参数 →
换窗口 →
加过滤 →
分市场 →
分行业 →
做组合 →
直到它“看起来好像能用”。

这一步，是量化流程里最容易让人产生“我在认真做研究”错觉的一段。

也是我认为，最亏的一段。

二、为什么说这是“最亏”，而不是“最难”

1️⃣ 它制造了强烈的“正事错觉”

在这一阶段，你每天都在：

• 跑代码

• 看曲线

• 对比指标

• 调窗口

• 画图

• 做组合

从任何外部视角看，这都像是：

研究
工程
专业量化

但事实上，你在做的核心动作只有一个：

在一个未经裁决的问题空间里，
搜索“看起来不那么差的结果”。

这不是验证假设，
而是筛选结果。

这是量化中最昂贵的地方：

• 消耗的是高级认知资源

• 从事的是低价值搜索劳动

2️⃣ 它几乎不会自然收敛

这一段流程没有天然的结束条件。

因为你永远可以说：

• 这个参数不好

• 那我换个窗口

• 那我只做多

• 那我只做大市值

• 那我做因子合成

• 那我加一个 ML

• 那我滚动训练

于是逻辑会悄然退化成：

❌ “这个因子不成立”
✅ “这个因子还没调好”

从这一刻开始，你进入的是无限局部搜索。

3️⃣ 它系统性地污染判断力

这是最危险、但最少被承认的一点。

当你长期处在这种循环中：

这个版本不行 →
但那个版本好像可以 →
再微调一下 →
哦又不行了 →
但刚才那组参数不错 →
要不围绕它再扫一轮……

你会慢慢失去三样东西：

• 对“因子是否具备经济意义”的敏感度

• 对“统计偶然性”的敬畏

• 对“什么才算成立”的标准

最后，判断标准会塌缩成一句话：

“有没有一段曲线看起来还行。”

这不是在浪费时间，
而是在训练自己成为过拟合工程师。

4️⃣ 它是“最难停下来的环节”

因为它持续给多巴胺：

• 一段好看的曲线

• 某个区间突然亮眼

• 指标一度超过基准

即便你理性上知道：

“这东西大概率不行。”

但你依然很难停下来，因为：

• 已经写了这么多代码

• 已经跑了这么多轮

• 已经有过几次“差点成功”

这一步，是量化流程里最像赌桌的地方。

三、真正的问题不在回测，而在“未经裁决”

需要明确一件事：

问题不在回测本身。

回测是必要工具。
参数调优也是工程的一部分。

真正的问题在于：

在没有任何“立项裁决”的前提下，
就直接进入回测与调参循环。

换句话说：

回测被用来“证明它可以”，
而不是“裁决它是否有资格被证明”。

这一步，才是整个黑工厂的源头。

四、从可控 AI 视角看，这是一个“非法入口”

在可控系统工程里，有一个非常基本的原则：

任何高成本搜索行为，
都必须位于一个已经被裁决过的空间内。

而量化里最常见的做法是反过来的：

• 因子是否成立 → 交给回测

• 因子是否该继续 → 交给收益

• 因子是否该停 → 交给主观判断

这等价于：

把“裁决权”，
完全让渡给了结果。

这正是黑工厂能够无限扩张的根本原因。

五、第一条硬结论

如果只允许给出一句结论，那么这一篇只说这一句就够了：

在可控 AI 逻辑下，
最亏的不是“没有好因子”，
而是“未经裁决就进入回测调参循环”。

这是量化流程里：

• 时间消耗最大

• 认知损耗最重

• 幻觉产出最多

也最应该被制度性拦截的一步。