当AI让策略变廉价，真正的稀缺是提出正确问题

当 AI 让策略变得廉价时，什么会变得稀缺？

想象两个交易团队正在观察同一次清算级联事件。一个大型头寸在交易场所 A 被清算，价格急剧下跌；几百毫秒后，交易场所 B 也随之下跌。两个团队看到相同的序列，很自然地形成一个假设：A 可能更快地吸收信息，留下一个短暂的时间窗口，在这期间 B 的价格可以被预测。

第一个团队从几乎每项严肃的跨交易场所实验都必须先做的工作开始。它构建交易所连接器、清洗数据流、校准时钟、重建订单簿、处理序列缺口、为手续费建模，并编写足够的订单管理逻辑，以还原策略实际可能执行的交易。几周过去后，研究人员才足够信任自己的回放系统，开始测试最初的想法。

第二个团队已经拥有这个基础层。它可以检索交易场所的原始事件，还原交易所语义，运行因果安全的回放，并在现实约束下测试执行。AI 消除了另一层摩擦：一天之内，团队就尝试了多种领先—滞后模型设定，调整了时间窗口，纳入了交易成本，并丢弃了那些立即失败的版本。

起初，这种差异看起来只是单纯的速度优势：一个团队需要数周才能得到的模型，另一个团队当天结束前就能探索完毕。更具实质性的优势在这一点之后才显现——第二个团队仍有充足的时间和精力去审视交易的前提，而不是停留在第一个可用的相关性上。

交易场所 A 可能确实是信息量更大的市场，如果是这样，一个构建良好的预测模型或许就足够了。另一种解释则从参与者而非价格出发：A 上的清算可能迫使做市商囤积下自己不想要的库存，随后他们不得不在 B 上进行对冲。数据中看似信息从一方价格传导至另一方价格的现象，实际上可能是风险从一张资产负债表转移到了另一张资产负债表。

表面可见的序列并未改变：A 先动，B 随后。但经济问题已经转变：一个关于两条价格序列的预测问题，变成了关于谁被迫承担了风险、该风险下一步可能流向哪里、以及相应的对冲是否会赶在下一个交易场所的流动性被吸收之前到达的问题。

正是这种问题的转变，构成了本文的核心论点。系统性交易花了几十年时间，构建起做市、均值回归、趋势跟踪、统计套利、相对价值和波动率交易等成熟的策略家族。这些传统内部仍有重要创新在持续涌现，有时会带来巨大的经济影响，但日常工作的一大部分仍是优化信号、更忠实地建模执行、处理棘手情形，以及防止微小的实现差错吞噬原本就微弱的统计优势。

AI 在这层工作中变得异常高效。交易栈中更多具体的环节，也可能成为共享基础设施，包括市场数据接入、交易所连接、订单管理、历史回放、对账、监控以及风险系统的部分组件。随着这些成本下降，更大比例的研究预算可以转向仍然困难的工作：判断自己到底在观察什么市场现象，并收集足够证据来证明在该现象上持仓是合理的。

其他优势来源仍然具有决定性。有些市场是靠更便宜的融资、更低的手续费、独家数据、特权交易所接入、更快的硬件或更大的资产负债表容量取胜的。当基础设施的设计决定了公司能观察到什么、能执行什么时，基础设施本身也能承载 alpha。这里要讨论的是研究过程：当熟悉框架内的高质量实现变得触手可及时，公司就能把更多稀缺的精力，花在优化问题之前先构建问题这件事上。

AI 究竟在让什么变得更廉价

系统性交易的成熟分类，让每位新研究人员不必从一张白纸开始。做市商继承了一套关于库存、价差、队列位置、逆向选择、成交概率和对冲成本的语言体系；趋势研究人员从持续性、时间窗口、换手率和波动率开始；统计套利研究人员则与因子、残差、共同暴露和衰减打交道。

每个框架都把多年的经验压缩成一组可教授、可编码、可测试、可改进的对象。新的做市商不必在构建报价模型之前重新去发现库存为何重要；新的统计套利研究员也可以把因子中性化当作现成的原语，而不是一项独立的研究课题。曾经需要被发明的想法，最终成为这个行业日常用语的一部分。

但这种传承也收窄了让人感觉自然的问题范围。一旦某个问题被归类为做市问题，研究人员就会追问：报价应如何随库存变化？哪些队列效应能预测成交？策略应如何积极应对逆向选择？这些问题可能很难，但利润丰厚。不过，它们都是在市场已经被定义为做市问题之后才出现的。

成熟框架里包含大量要求很高、但概念上并不新颖的工作。模型必须正确实现，数据要检查泄漏，特征要在不同市场状态下比较，执行假设要与交易所机制对齐。手续费、中断、部分成交、状态转换和运营故障，都必须纳入分析。这些细节只要有一个被认真对待，一个有前景的信号就可能不复存在。

AI 探索这些分支的速度，远比小型人类团队快得多。它可以生成代码、构建测试、比较备选方案、追踪失败，并运行大量变体，不会因为第十个毫无希望的结果而感到厌倦。实现仍然至关重要，因为市场会惩罚小错误；发生变化的，是"在已知框架内做出合格实现"这件事的稀缺程度。

具体的基础设施也带来类似的机会。一个交易台没有同步数据就无法研究跨场所流动性，没有忠实的事件历史就无法推理队列位置，没有重建订单、确认、取消和成交记录就无法评估执行。公司一次次重建这些能力，因为研究离不开它们——即使底层的工程问题，早已在其他地方以几乎相同的形式被解决过。

如果用研究延迟而非工程成本来衡量，共享这一层的理由就更加充分。假设开头的领先—滞后信号，一旦纳入现实的手续费和队列位置就立刻消失。第一个团队六周后才得知这一点；第二个团队两天就知道了。两者得到相同的负面结果，但后者消耗的研究预算要少得多。

大多数交易想法本就该失败，所以一个组织若能廉价地处理掉弱假设，它就在进步。想法合理时，更快的部署很重要；而面对数量大得多的不合理想法，更快的证伪更重要。共享基础设施的价值，在于缩短了从猜想到可信证据的路径——包括那些最终表明"没有交易可做"的证据。

"共享基础设施"这个说法，可能让边界听起来比实际更分明。技术栈承载的不仅是市场与策略之间的数据和订单；它的各种选择，决定了市场的哪些部分能存活得足够久、从而成为研究对象。这意味着工程层已经在参与构建模型。

基础设施栈已经是市场的一个模型

在交易模型能够解读交易所之前，基础设施系统已经对交易所的事件流做出一系列判断：分配和校准时间戳、处理缺失消息、决定事件排序方式、标准化各场所特有字段、聚合更新，并决定保留哪些细节。当研究人员看到"市场"时，一长串工程决策已经塑造了他们研究的对象。

这个序列可以简洁地写出来。把各个阶段分开，就能清楚看到基础设施在哪里结束、表征从哪里开始：

$$ x_{\leq t} \xrightarrow{O_I} y_{\leq t} \xrightarrow{\phi} s_t \xrightarrow{\pi_\theta} a_t. $$

这里 $x_{\leq t}$ 表示截至时间 $t$ 可用的底层市场事件；基础设施 $O_I$ 把这些事件转换为研究人员能看到的观测 $y_{\leq t}$；表征 $\phi$ 将观测转化为状态 $s_t$；策略 $\pi_\theta$ 再将状态映射为动作 $a_t$。

大多数量化研究集中在这条链的后半部分。研究人员调整参数、特征、阈值、时间窗口、组合权重和执行策略，却基本保持状态空间不变。一个神经模型可以高度复杂，但它仍然是在价格、收益、价差和库存这些熟悉的描述之上做优化。

表征搜索则通过改变 $\phi$，把工作推进到链的更早阶段。此时的问题变成：状态本身是否被正确定义？订单簿或许更适合被理解为一个排队网络；波动率信号可能只是流动性脆弱性的一个局部视图；跨场所的价格变动，可能反映出一张由资产负债表约束构成的网络图——紧迫性通过一连串对冲，从一个参与者传递给另一个参与者。

这些替代方案能否被研究，部分取决于 $O_I$ 保留了什么。设想两个市场数据系统：一个记录每一次订单簿事件，连同数据包级别的时序和来源；另一个每十毫秒提供一张干净的快照。对中频策略来说，这种差别可能无关紧要；而对队列位置模型来说，这两个系统描述的是两个不同的市场。

执行端也是如此。延迟、可用订单类型、风险检查、权限和路由行为，决定了哪些动作是可行的。在日频尺度下，两个合格的网关或许可以互换；在微秒尺度下，它们的实现足以改变一笔交易的经济性，甚至变成策略本身的一部分。

因此，"商品化基础设施"是相对于研究问题而言的。只要替代实现保留了经济上重要的信息和可行动作，共享就无害；一旦某种实现改变了能观察或能执行的内容，更低的那一层就不再是中立的管道。

当一个共享平台成为众多研究人员观察市场的默认接口时，这个问题就变得更加重要。一个提供最优买价、最优卖价、中间价、价差、深度、失衡和成交量的平台，确实提供了有用的抽象；但它同时也对"哪些对象值得关注"做出了隐式判断——便利性会把研究引向最容易查询、回放和建模的字段。

一个依赖跨场所精确消息排序、做市商库存传播或抵押品关联清算网络的策略，可能需要完全不同的视图。原始信息在技术上仍然可用，但标准工具会把大多数用户引向熟悉的表征。默认设置影响研究组织提出问题的方向，这种影响在任何人清醒地决定排除替代方案之前很久就已经存在。

共享基础层必须消除重复的工程工作，同时保留足够的原始事件结构，让研究人员能够挑战它的抽象。原始来源、可审计的时钟调整、明确的构建假设、可替换的转换，这些都至关重要——否则平台只不过让每个人在提出同样的问题时变得更快。只有当基础设施为研究人员提供一个可靠的起点、又不预先决定他们的探索必须在何处终止时，它才算成功。

这一设计选择，决定了那次清算事件是继续充当一个常规的领先—滞后练习，还是会展开成对市场的另一种描述。只要保留了足够多的原始事件结构，下一步就可以去考察：观察到的价格序列，是否只是另一个过程的表层痕迹。

同样的价格变动，不同的市场

在熟悉的表述中，A 领先 B，研究问题是如何足够准确地估计这种关系并用于交易。而以参与者为中心的解释，则会得到一条不同的事件链：

$$ \text{liquidation} \rightarrow \text{inventory absorption} \rightarrow \text{hedging pressure} \rightarrow \text{liquidity consumption} \rightarrow \text{repricing}. $$

第二种解释目前只是一个假设。它的直接价值在于：它改变了研究者应该去衡量什么，以及如果解释成立，应当出现哪些证据。近期的收益率和订单流相关性，不再能穷尽状态空间。清算强度、未平仓合约、推断出的做市商库存、潜在对冲场所的深度、资金费率背离，以及连接相关工具的网络，都成了合理的输入。

把这些变量纳入视野后，中间层面的问题也随之改变。团队现在要估计的是：特定资金流能否赶在市场吸收它之前到达——

$$ \Pr\left( \text{hedging pressure reaches Venue B before its liquidity replenishes} \mid x_{\leq t} \right). $$

如果这个状态捕捉到了背后的机制，最终的交易规则可能比它所取代的领先—滞后模型还要简单。困难的一步，在于识别出那个值得被预测的变量，而不是为旧变量找到更复杂的函数。

我用 representation arbitrage 作为这种优势的一个粗略名称。这里不一定存在无风险定价违背。不对称性在于：识别并利用一条具有经济意义的规律，需要付出不同的成本。两家公司可能拥有大致相同的公开数据，但一家围绕价格和相关性组织数据，另一家则围绕受约束的参与者及其库存必须流动的路径来组织。

在第一种描述中看似很弱的关系，在第二种描述里可能变得简单得多。数学提供了一个有用的类比：一个困难的问题，可能在换元之后变得可解——底层事实并没有改变，收获来自于找到一组让相关结构更容易表达的坐标。

AI 让这种区分显得特别有用，因为模型复杂度并不能很好地代表概念新颖性。一个大型神经网络，完全可能在保持自身不透明的同时，重新发现某个复杂的动量变体；一个强化学习智能体，也可能在表现出陌生行为的同时，实践着一种可以辨认的做市形式。两种情形下模型都变了，但背后的市场对象可能并没有变。

要配得上"有用表征"的地位，这种新解释应当能组织起比激发它的那条收益率序列更多的东西。如果被迫对冲解释了领先—滞后现象，那么同一个解释还应当说明：该效应在哪些地方最强，哪些交易场所最可能成为下一个变动的对象，可用深度如何改变传导过程，以及哪些条件会令它停止。每一条推论，都给了市场再一次反驳这个解释的机会。

成功的表征也埋下了自身被商品化的种子。如果被迫流动性传导在许多事件中都被证明有用，公司就会围绕它构建模型，数据供应商会打包相关变量，平台会把它作为标准功能提供出来。新来的研究人员将直接继承这个概念，而不必重新发现它。最初那种不同寻常的看待市场的方式，就这样成为下一代人的概念基础设施。

公司无法指望对某个洞见的永久所有权。它需要一个流程，能够在旧表征变得熟悉之后，继续产生并检验新的表征。一旦 AI 大幅扩充了候选解释与候选策略的数量，这个流程就面临新的约束：生成速度可能超过机构分辨"真发现"与"偶然巧合"的能力。

廉价生成与验证的成本

在早先的文章廉价生成与理解的脆弱性中，我写道："当代码生产变得廉价时，验证就变得有价值。"这句话本意是一个条件句，而不是一条经济规律：更廉价的生产会创造更大的验证需求。机构可能仍然奖励看得见的产出，却对"判断这些产出是否值得信任"所需的工作支付不足。

量化研究把同样的张力放进了对抗性环境之中。一个 AI 系统可以生成数千个候选信号、特征、变换、时间窗口、股票池、成本假设和执行变体。其中很多看起来都合理，有些还会产生异常强劲的历史表现——因为搜索范围足够宽，宽到足以找出有吸引力的偶然事件。

一个简单的统计玩具模型能提供直觉。如果 $Z_1,\ldots,Z_N$ 是在不存在真实效应的零假设下抽取的独立标准正态变量，那么期望最大值大致按如下方式增长：

$$ \mathbb{E}\left[\max_i Z_i\right] \approx \sqrt{2\log N}. $$

真实的交易研究，几乎违背了这个表达式背后的每一条简化假设：检验彼此相关、选择是自适应的、收益分布非高斯、研究人员看到中间结果后还会修改实验。这些复杂性让有效搜索空间变得更难衡量，但选择问题本身没有变：搜索范围越大，在用以发现结果的那段历史上显得异常的结果就越多。

因此，AI 在扩大合法发现的同时，也在扩大过拟合的空间。当看似合理的假设变得触目皆是，机构最稀缺的能力就转向了"准确拒绝"。找到一个有吸引力的策略只是开始；更困难的是判断，这些有吸引力的策略中，哪些值得通过研究过程的检验存活下来。

证据支持这种判断的方式不止一种。有些策略有机制作为支撑：经济过程被理解得足够透彻，可以对传导路径、可用流动性、容量和失效条件做出独立预测。另一些策略，则可能在完整因果机制被理解之前，就已经凭实证赢得了信心——前提是它们经得起真正的前瞻性检验、替代定义、现实成本、扰动、容量分析和实盘部署的考验。

如果要求每个案例都必须有完美的因果故事，反而会鼓励研究人员在看到结果之后现编一个。真正共同的要求，是一个清晰可读的证据过程。策略可以在一定程度上不透明，只要公司能说明：它当前为什么值得获得资金；支持证据预计在哪些场景下适用；该效应在合理假设下能支撑多大规模的容量；以及哪些观察会迫使它做出修改。

早先那篇文章把"理解"描述为预测事物在变化下会如何发展的能力。这个标准可以很自然地映射到交易上：如果研究者能够预测，当流动性变薄、规模增加、交易所规则改变、某个不同的参与者受到约束、或者竞争对手开始利用同一模式时，策略会如何表现，那么他们就更好地理解了这项策略。回测记录的是沿一条历史路径的表现；而有用的研究模型，能告诉我们那些尚未发生的邻近路径可能是什么样子。

验证还必须延续到策略离开回测之后。历史证据可以证明，某个想法在"该策略并不存在"的市场中存活了下来；下一个阶段，则必须审视策略开始行动之后形成的市场——因为交易把研究对象变成了它自身实验的参与者。

市场的回应

历史数据描述的是一个不存在该策略的市场。一旦策略开始交易，它的订单就会进入队列、消耗流动性、影响价格、透露信息，并给竞争对手提供新的可供推断的线索。被研究的对象，会随着利用它的尝试而改变。

领先—滞后策略在小规模下可能表现得很好。但随着资金增加，它自己的订单会更早到达 B，并消耗掉当初让那段延迟有利可图的流动性。其他公司可能识别出这种模式并抢先交易，流动性提供者也会预判即将到来的资金流、提前调整报价。一段真实的关系，可能因为策略学会了利用它而逐渐减弱。

历史回放无法容纳这个反事实的市场，因为那些订单从未真正发出过。模拟只能借助对其他参与者的假设，去近似这种反应。两者都仍然有用，但都无法替代从实际干预中学习。

因此，早期的实盘部署可以被当作实验性资金来使用。一个小仓位可以揭示：成交质量如何随规模变化，对冲压力是否沿着预测的路径推进，策略在多大程度上改变了自己的信号，以及另一个参与者何时开始回应。分配给某个策略的第一笔资金，在有望最大化利润之前，可能首先是在购买信息。

执行加入了测量过程，延续着研究阶段就已开始的工作。这对验证有一个直接后果：市场中的证据会过期。某个断言今天可能证据充分，日后却不再成立——因为环境变了，而这种变化或许有一部分正是对该断言本身的回应。

同样的反馈，也改变了共享基础设施的价值。能缩短通往实盘实验路径的工具，可以提高公司的学习速度；但这些工具同样可能缩短竞争对手复制公司所学内容的路径。更快的研究，只有相对于该价值扩散的速度而言，才真正创造价值。

发现与扩散

假设一套通用交易技术栈，把验证一个跨场所想法所需的时间从六周压缩到三天，公司就能研究更多假设、更早放弃弱假设。再假设同一套技术栈，把另一家公司复制某个成功策略所需的时间从六个月压缩到两周。整个行业其实同时加速了两个不同的过程。

第一个过程是公司的内部研究循环：把一个观察转化成得到实验支持的交易断言：

$$ \text{observation} \rightarrow \text{representation} \rightarrow \text{experiment} \rightarrow \text{validated strategy}. $$

一个成功的发现随后进入公司外部的第二个过程：竞争对手复制它，资金涌向它，最初的竞争优势开始衰减：

$$ \text{discovery} \rightarrow \text{replication} \rightarrow \text{crowding} \rightarrow \text{decay}. $$

AI 可以加速这两个循环，共享基础设施同样可以。因此，研究速度本身只是对护城河的一个不完整的度量。一家公司发现好想法的数量可以翻倍，但如果这些想法失去价值的速度也快得多，它在经济上仍然可能变得更弱。

一个粗略的核算式可以让这种权衡变得可见。假设一家公司以 $\lambda_{\mathrm{validated}}$ 的速度产生可部署的发现。每个发现都具有经济价值 $V$、有效容量 $K$，以及在被竞争或市场适应侵蚀之前的寿命 $T$。研究管线的经济价值大致按如下方式扩展：

$$ \Pi \propto \lambda_{\mathrm{validated}} \mathbb{E}[VKT]. $$

AI 可以让实现和搜索更快，从而提高 $\lambda_{\mathrm{validated}}$——前提是验证过程能跟上节奏。共享基础设施则通过降低实验成本，再次提高这一速率。而两者都会缩短 $T$：复制变得更容易，公司又会从相似的数据抽象和执行原语出发，这都加速了发现的扩散。

竞争性问题的关键在于：机构学习的速度，相对于市场扩散其所学内容的速度，究竟谁更快。单个策略很少能在真正意义上实现复利——它会吸引资金、吸引竞争对手，最终吸引来自身的衰退。研究过程则可以复利：只要每个实验都留下更好的数据工具、被废弃的假设、改进的模拟、更锋利的失败检验，以及一个让下一个问题更容易表述的表征。

从这个角度看，neolab 是这样一种组织：它被设计成让"失去一个策略"这件事，反过来改进"产生下一个策略"的过程。它的策略会在竞争压力下过期；而它的研究记忆，应当在每个周期之后变得更加有用。

Neolab 需要在什么上实现复利

一个严肃的 neolab，需要几种形式的记忆，以及几种相互制衡的激励机制。组织中的一部分，负责生成对市场的替代性描述：把一个个明显的收益异常，转化为排队问题、资产负债表约束网络、拍卖、因果过程或策略博弈。它直接产出的，可能是一个中间问题，而不是一笔交易。

这样的问题，会先在回放或刻意简化的环境中接受检验。研究人员可以追问：提议的状态在过去的事件中是否真的存在？机制是否产生了它应当产生的后果？哪些观察已经对它构成反驳？只有足够多的结构存活下来、让行动变得有意义之后，候选策略才会出现。

生成与验证，不应承担相同的机构激励。创造策略的研究人员和智能体，天然会积累出种种保留它的理由；而一个独立的功能，应当因为发现泄漏、隐藏的因子暴露、脆弱的成本假设、容量约束，或者某个让原始叙事变得多余的替代解释，而获得奖励。

一个在这个阶段被淘汰的策略，只要死因进入了机构记忆，就仍然能产生有价值的信息。组织不应该在六个月后，换一个信号名字，重新发现同样的泄漏模式或成本错误。负面结果的价值，在于它消除了搜索空间中的某些区域，而不是消失在某人的私人笔记里。

幸存下来的想法，会以刻意受限的规模进入实盘实验。公司由此可以观察：提议的状态变量在真实干预后是否仍然保有原来的含义？冲击如何随规模变化？其他参与者是否做出了回应？只有当这些观察与研究模型足够一致时，策略才主要变成一个资本配置问题。

当结果反过来改变制造它们的机器时，这个过程就实现了复利。一个失败的策略，可能暴露出回放引擎里的缺陷；几个项目，可能共同揭示同一个潜在状态变量；一个被不同研究人员反复重写的变换，可能值得升级为共享基础层的一部分；一个通过了足够多检验的解释，会获得自己的名字、一套诊断方法，并最终拥有标准化的工具。

于是，昨天的发现变成今天的基础设施，又降低了明天研究的成本。这些阶段构成一个递归循环：每一个完成的实验，都可能改变下一个实验的设计方式：

$$ \text{representation} \rightarrow \text{hypothesis} \rightarrow \text{policy} \rightarrow \text{adversarial test} \rightarrow \text{live experiment} \rightarrow \text{learning} \rightarrow \text{new representation}. $$

在这个循环里，人类判断依然重要，原因不止于想法生成。研究人员要决定：哪些市场问题值得投入注意力，什么证据强到足以让人冒险押上资金，哪些实盘干预可以接受。当不透明的策略与真实市场、真实资产负债表发生交互时，他们也要为之负责。

只有当机构能够抵御几种可以预见的失败模式时，它才可能比自己生产的任何策略都更持久。表征搜索可能滑向为新颖而新颖；验证可能变成又一项可以被博弈的考核指标；共享基础设施可能制造出单一化的假设文化。这些风险，对 neolab 论点的适用范围构成了现实限制。

论证可能在何处失效

可能的市场描述空间极其庞大，而新颖性本身并没有经济价值。一个不受约束的 AI，发明新本体论的速度会远超任何研究团队的评估速度。其中大多数都没有用处——它们既没有压缩出重要的规律，也没有产生能经受住真实交易约束的决策。

强先验仍然至关重要。市场微观结构、经济学、统计学和领域经验，通过识别反复出现的约束、以及那些经济分量足以支撑研究的问题，来缩小搜索空间。检验一个新颖表征是否有用，标准很实际：它必须让重要的市场规律更容易被解释、检验或利用。

验证则可能以更微妙的方式失效。一旦 AI 系统学会了那套决定是否放行的稳健性测试，这些测试本身就变成了优化景观的一部分。系统会去搜索那些能通过验证套件的策略，却未必发现任何持久的东西——就像模型可以过拟合公开基准一样。

前瞻性留出数据、替代定义、不断变化的测试以及实盘干预，都有助于防止证据过程退化成另一个回测。组织还需要这样的激励：奖励早期拒绝、奖励对不确定性的准确刻画，而不仅仅是奖励看得见的产出。否则，廉价生成填满研究管道，会比机构弄清楚这些产出在何处失效要快得多。

共享基础设施还带来了自身的中心化风险。一个共同的回放漏洞，可以制造一个共同的幻觉；一个标准化约定，可能移除某些信息，让后来的每个客户都以为那些信息从来就不重要。一个能观察到研究查询或订单流的平台，对构建在其之上的策略的了解，也可能超出用户本来的意愿。

因此，共享基础设施必须像策略一样去赢得信任：它的转换应当可以审计，它的隔离保证应当可信，它的用户在研究需要时应当能够离开默认抽象。标准化应当降低重复劳动的成本，而不该把某个供应商的本体论变成整个行业的盲点。

运营优势同样处在 neolab 论点之外。更低的手续费、特权订单类型、更好的融资渠道、交易所关系、独家数据、更快的硬件和更强的资产负债表，都可能压过更优雅的表征。一家模型平庸但经济性出色的公司，可以胜过一家理论漂亮却找不到可扩展方式去表达它的公司。

这些限制，共同划定了这一预测的边界。随着 AI 和基础设施降低了一度消耗大部分研究预算的工作成本，优势应当转向更好的问题表述、更强的实验设计，以及更快的错误发现拒绝。证据应当出现在实盘市场中：共享基础设施应当同时缩短"被拒绝"的时间与"上线"的时间；新的表征应当产生超出当初选中它的那段历史模式之外的后果；AI 辅助研究应当提高成本调整后、容量感知的表现，而不只是增加完成的回测数量。

如果这些指标失败，那就意味着机构只是加速了活动，却没有改善发现本身。开头那两个团队，为另一种可能提供了简单图景：两支队伍之间持久的差异，最终应当体现在——他们承担得起去追问什么样的问题。

什么变得稀缺

几周之后，第一个团队建好了自己的基础设施，产出了一个不错的领先—滞后策略：数据是干净的，成本看起来可控，执行也在不断改进。第二个团队更早就抵达了同样的节点，并用节省下来的时间去追问：这个模式为什么存在？

他们的研究人员逐渐相信，A 本身并不是那个有趣的对象。一次清算造成库存冲击，冲击迫使某人去对冲，而对冲穿越了流动性状况各不相同的市场。B 上的价格变动，只是这一过程的一个可见后果，而不是一段孤立的统计延迟。

随后，他们试图反驳这个解释：测试其他清算事件，更换交易场所，改变定义和时间戳，检查那些传导本该中断的案例，并用少量实盘资金观察自己的存在是否改变了这一效应。最终，这个表征变得足够好，足以支撑有意义的冒险。

如果这个策略确实重要，这种优势不可能永远保持私密。竞争对手会观察到这些交易，或者独立发现相同的机制；数据供应商会打包相关变量；交易平台最终会把对冲压力的度量作为标准功能提供出来；后进入行业的研究人员，会把这一框架当作普通市场微观结构的一部分来学习。

最初作为发现的东西，变成了管道的一部分。到那时，第二个团队的优势，与其说取决于对那个洞见的永久所有权，不如说取决于它在洞见形成过程中积累下的东西：更好的数据抽象、不必再重复的失败假设、改进过的实验、对机制边界更清晰的地图，以及一种更敏锐的感知——下一个该问的问题是什么。

AI 可以让假设生成变得极其廉价，共享基础设施可以降低严肃实验的成本，而竞争市场会让这些知识始终处于暂时状态。真正稀缺的，是这种能力：把廉价的生成转化为强到足以押上真金白银的证据，并在这之后足够快地从每个实验中学习，赶在当前发现被套利殆尽之前，让研究过程本身得到改进。

掌握了这个循环的公司，仍然会失去单个策略——每个成功的策略，最终都会引来模仿与适应。它们的优势在于：当市场中的其他人还在优化上一个问题时，它们已经抵达了下一个有用的问题。

• 原文链接： github.com/thogiti/thogi...
• 鸿途知科网 AI 助手，为大家转译优秀英文文章，如有翻译不通的地方，还请包涵～