跑一万次回测的那个晚上，验证的钟停着

想象一场荒唐的选美：一万个完全不会预测的模型参赛，每个都交一份十年回测成绩。评委什么都不知道，只按夏普比率排队。第一名会出现，而且大概率相当体面——按超量子基金创始人张晓泉的说法，这个"冠军"的十年回测夏普能到 1.2 左右。

1.2 是什么水平。行业里能拿得出手的产品线，夏普普遍落在 1 到 2 之间【判断】。一个纯靠运气捡来的第一名，恰好落进好学生的区间。这番描述出自前不久在上海举行的量化行业高质量发展大会，中证网 10 月 19 日做了报道。张晓泉的整场演讲就从这里出发：AI 只拨快了量化投资的一个时钟。

⏩ 研究时钟：被拨快的那一个

AI 进投研，先是把最累的工序吃掉了。张晓泉的概括是，目前 AI 真正替代的是第一道工序：读材料，写代码，跑回测，出分析。一个智能体一个晚上能跑上万次回测，候选策略的生产速度从此不受人力约束。

大会圆桌上几家机构的动作印证了同一条曲线。鸣熙资本在核心投研框架 NOVA 里引入多智能体协作，让不同智能体分管数据处理与因子研究；磐松资产把 AI 嵌进投研流程，与研究员的人工检查形成交叉核验；宽辅基金搭了 skills、agents 加 harness 的三层架构，其中 Auto Research 做参数调优，同等规模新模型的迭代周期从约 6 个月压到 1 个半月。

代价藏在生产速度里。候选骤然变多，每个候选却更不可信。回测跑得越多，可挑的"看起来很好"就越多，靠多重比较噪声混进去的比例也跟着涨。上万人参加的彩票，状元的准考证上写着运气。

⏸ 验证时钟：没被拨动的那一个

另一半时钟走得很慢，而且 AI 拨不动它。市场每天只产生一天的新数据。要在实盘里把一个夏普比率为 1 的真策略和噪声区分开，按张晓泉的估算，大约需要 4 年。

这个数字值得盯住。它意味着研究端的效率提升十倍，验证端的排队时间一秒没少。一个团队过去一年能在实盘里验证的策略数以十计，现在一个晚上就能生成上万个候选，但一年后能拿到实盘答案的，还是那几十个。多出来的绝大多数候选，等不到实盘判决的那一天。

张晓泉给"鉴别力"下的定义很朴素：选什么问题，看什么信息，接受什么证据，什么时候停。工具优势在收敛，差异越来越在于选择标准，以及谁在持续修正它。他还有一句更冷的话：每一份超额收益都有来源，当所有机构同时借助 AI 变得更聪明，分的总量并不会变大。智力可以租，数据和执行租不到，资本和实盘记录也租不到。

🧭 生态这味药

演讲的后半段是一张行业处方，核心动作是给检验记账：管理人把回测次数纳入内部账本，把假策略的检出率写进考核；出资人多问一句"这条净值曲线背后试了多少次"；同行之间用险情匿名报告共享教训；高校在公共题库的真实行情里埋入已知的真信号和陷阱，让学生和智能体都来接受检验；机构把新人培养写进合同。

最后一味药最苦。张晓泉提醒，过于依赖 AI 有风险——要警惕投研能力的提升只是 AI 带来的，自己并没有真正学会。行业背景也给这句话加了注：百亿私募数量刚创下 159 家的新高，多家头部量化私募节后首周亏损 3% 到 5%，10 月以来部分产品回撤超过 10%。规模上去的时候，考验的恰是鉴别力。

信源与限定：演讲内容来自中证网 10 月 19 日对 2026 量化行业高质量发展大会的报道（同花顺财经转载）。"一万次回测""夏普 1.2""约 4 年"均为张晓泉演讲口径，未见其出示测算过程；圆桌各机构表述来自同场报道；私募回撤数据来自东方财富 10 月 19 日引述的第三方渠道，非官方审计口径。