夜雨聆风这个系列写给对量化投资好奇但被术语劝退的人。前四篇讲了系统、聊了因子、挖了回测陷阱、盘了风控逻辑，最后一篇看远一点——量化正在撞上的新变量AI/AGENT。
文艺复兴科技在 1990 年代做的事，用今天的标准看，就是一家 AI 对冲基金。那时候没有 AI 这个词，叫机器学习、统计推断。内核一模一样：让算法从数据里找规律，人只负责把数据喂进去、把结论拿过来。
他们用的另类数据放今天一点都不过时——航运订单、卫星云图、政府文件词频变化。在你以为 AI 还停在实验室的年代，他们已经在靠它赚钱了。
但 1990 年代的 AI 和今天的 AI，隔了一个关键差异。
三十年前的量化是"我写规则，机器执行"。Alpha 模型是人设计的，因子是人选的，回测逻辑是人定的。机器是高效的工具，不是思考者。
今天的 AI 不一样。它不只是在查模式——它在学怎么查模式更好。
当下最火的两个前沿方向。
第一个，Transformer 做时序预测。大语言模型预测下一个 token，Transformer 预测下一个价格——底层逻辑是一回事。价格序列和自然语言惊人相似：一大串噪声里藏着极少量的可识别模式。语音识别研究员三十年前就发现了这个类比，现在技术进步终于让这个类比落地了。
第二个，强化学习。传统量化策略是静态的——建好模型，按同一套规则运行，直到你动手改它。强化学习让策略变成动态的：环境变，策略跟着变。AlphaGo 下棋不需要人类告诉它每一步怎么走，它自己试、自己学、自己调整。交易策略能不能也这样？能。已经有量化基金在实盘中试了。
但两个方向走到极致，撞上同一个天花板。
你用的 Transformer，别人也在用。你丢进去的数据，别人也在丢。你喂给强化学习的环境，别人也在喂。当所有人都用同一种工具挖同一个矿，谁能挖到更多？
同质化之后，超额收益从哪来？
两个答案。都不让人舒服。
第一个答案：谁的数据更独特。不是更多数据，是别人拿不到的数据——航运公司内部装卸记录、卫星追踪的工厂开工率、供应链高频节点。当模型趋同，数据差异是唯一护城河。
第二个答案：谁的组织更像机器。人的 ego、情绪、政治，正在成为当代量化基金最大的 Alpha 成本——不是算力不够，是研究员架子放不下来，不肯推翻自己花了三个月建起来的模型。机器没有这个问题。
这就要说到最近出现的一个新趋势：Agent。
Agent 不是一段帮你算数的代码。Agent 是一个能自己提问题、自己设计实验、自己读论文、自己写代码、自己判断结果并决定下一步做什么的系统。
在量化研究里，这意味着把一件事推到以前不敢想的程度——把人从研究循环里拿掉。
传统量化研究流程是这样的：研究员读论文，冒出一个想法，写代码做回测，看结果，调整假设，再做一遍。一个循环下来至少几天。十个研究员，一年能跑的假设撑死几百个。
Agent 把这件事加速到另一个量级。
一个 Agent 集群可以 7×24 小时运转。第一个 Agent 扫描最新的金融学术论文，把潜在可交易的因子抽象出来。第二个 Agent 接过因子假说，自动生成回测代码，跑完把结果扔给下一个。第三个 Agent 做统计检验——是不是过拟合，是不是数据窥探，是不是纯运气。第四个 Agent 把通过的信号写进策略库，跑在模拟盘上持续观测。
人干什么？人做最后一关：那些 Agent 判断"通过"的信号，人才看一眼。人的判断力不用在筛选海量废案上，用在只有人能做的终审判定上。
回到西蒙斯。
他留给量化世界的不是某一只赚钱的基金，甚至不是某一套赚钱的策略。他留下的，是一种看待市场的方法：不迷信天赋，不崇拜直觉，不依赖勇气。只相信数据，只服从证据。
他证明了一件事：一群完全没有金融背景的科学家，仅凭统计方法和数学纪律，能在全世界最凶残的赌场里连续赢三十年。
这是他最重要的遗产：方法论，不是利润。
这句遗产正在被 Agent 接过。如果说西蒙斯那一代量化是把人的情绪从交易中拿掉，那新一代量化，是把人的试错过程也拿掉。人不再负责"找"，人只负责"判"。
那我们呢？
不搞量化的人，看完这个系列五篇文章，我希望能够至少感受到以下三点。
第一，投资领域没有任何东西是"我感觉"。把感觉翻译成规则、写成数字、扔进历史数据里跑一遍——这是量化的门槛，也可以是任何一个普通人的习惯。不仅仅是量化投资，其实很多事情的决策也要有这个思维。思考，快与慢，讲的就是这个。
第二，风控不仅仅是止损，而是留在牌桌上的铁律，而这也只有无情的机器才可以做到。
第三，也是最重要的一条。AI 正在让"从数据里找规律"这件事越来越便宜。但"从规律里找到边界"——知道规律什么时候会失效——仍然是只有人能做的事。西蒙斯留下的那套方法论，内核不是算法，是怀疑。对自己模型的持续怀疑。
当怀疑也自动化了，AI 才真正接管。
（本系列共五篇，完）
