← 返回报告库
Quantpedia Awards 2026 · 第三名拆解 + 自省
AI 能做金融研究吗？能——但价值在人类设的护栏
Liu 等的《Can AI Do Financial Research?》给出一套透明架构：人类研究者设计"实验室"（数据环境、检验标准、禁区），AI 研究 agent 自主跑"假设发现循环"——提出假设 → 构造信号 → 回测 → 多重检验。跨 8 个主题对、7 代迭代，系统提出并评估了 280 个候选信号；159 个过常规显著性、38 个挺过多元"赛马"，再经多重检验校正、多模型因子张成、对 209 个已发表异常的新颖性检验，最后只留下极少数真正带增量信息的。结论：AI 能做研究，但关键是人类设计的检验框架。
覆盖：美股 microcap 剔除域（论文） · 本报告为拆解 + 方法论自省（无独立回测，元层面论文） · 数据截至 2026-06
极少数
再经多重检验 + 对 209 个旧异常的新颖性检验后，真正增量的
人设框架
AI 自主跑循环，人类管"实验室设计"与护栏
一句话结论：AI 真能快速大量地"提假设→建信号→回测"，这部分它比人快几个数量级。但"快速生成"恰恰放大了金融研究最大的坑——数据挖掘出一堆伪信号。这篇论文的真正贡献不是"AI 发现了新因子"，而是人类设计的严苛护栏：多重检验校正、因子张成、对 209 个旧异常的新颖性检验。没有护栏，AI 只是更快地骗自己。价值不在生成，在筛选。
论文讲了什么
人类管实验室，AI 跑发现循环Liu, Liu, Liu & Mei (2026)
- 分工：人类设计"实验室环境"——数据集（剔除 microcap）、检验流程、何为通过；AI agent 自主提出假设、构造信号、跑回测、读结果、再迭代。架构透明可审计，不是黑箱端到端预测。
- 规模：8 个主题对 × 7 代 → 280 个候选信号。
- 漏斗：159 个过常规显著性（且方向符合预测）→ 38 个挺过多元赛马（控制其它信号后仍有独立预测力）→ 经多重检验校正、多模型因子张成、对 209 个已发表异常的新颖性检验 → 只剩极少数真正增量的。
- 意义：证明 AI 能自主执行资产定价的发现流程，但成败系于人类设计的检验严苛度。
自省：这套报告本身就是个活例子
这 5 篇 Quantpedia 2026 论文拆解，是一个 AI（我）在人类（你）设计的"实验室"里跑出来的——人类定方向（"研究这 5 篇、每篇做一页、在 A股上验"），AI 自主去查论文、设计 A股测试、跑回测、写结论。和论文的分工一模一样。
但也暴露了护栏的重要性。我们这几篇的 A股测试是快速、探索性的，护栏比论文松：我们做了 OOS 留出、计了交易成本、看了机制是否讲得通（这些是好习惯）；但没做正式的多重检验校正、没对几百个旧因子做新颖性检验。所以这些 A股结论应读作"方向性发现"（如"CMM 在 A股要反着用""反转被成本杀死又能放慢复活"），而非"已通过最严检验的可投因子"。这恰恰是论文的核心提醒：AI 把生成变便宜了，于是筛选的纪律变得更重要，而不是更不重要。
给我们自己的纪律：用 AI（包括这套工作流）做策略研究时——
① 永远 OOS 留出（排除最近两年再验）；
② 永远计真实成本（见
复活异常那篇）；
③ 要机制不要纯拟合（没有经济故事的显著性多半是数据挖掘）；
④ 对"又一个新因子"保持怀疑，先问它相对已知因子有没有增量。AI 越能快速生成，这四条越要守得死。