常有人问"一个 AI 团队研究策略"具体是什么意思，所以这里把一个假设从头到尾走一遍。最需要记住的一点是：这个漏斗存在的目的是淘汰。大多数想法都会死掉。这恰恰说明产品在正常运转。
大家实际会问哪些问题
想法是谁提出来的？
由一个研究智能体提出。它先读取数据库能支持哪些数据——资金费率、未平仓合约、爆仓流水、期权曲面、新闻情绪、恐惧与贪婪指数——然后写出假设，包含论点、交易场所、时间周期和风险画像。它天生对手续费敏感：如果一个想法的合理预期收益低于该场所的双边交易成本，那它一到手就是废案。它还会翻阅"墓地"。每一个被放弃策略的失败原因都被向量化并可检索，所以"小时线上的资金费率动量，第三次尝试"这种想法在浪费一个周期之前就会被标记出来。
代码是谁写的？凭什么信任它？
由一个开发智能体基于固定的基础模板编写策略——按资金比例确定仓位、显式的止损逻辑、声明式的数据需求。信任来自层层关卡，而不是来自作者本身。共有四层：静态分析（用 AST 检查我们已归档的反模式）；合成场景（六种市场形态配上人造的补充数据——一个本该规避崩盘却在崩盘场景里买入的策略会死在这一关）；在真实数据上跑沙盒回测，且必须至少产生一笔交易；最后由 QA 智能体做代码评审，检查信号方向、边界情况和手续费可行性。第二层拦下的是最尴尬的一类问题：代码跑得完美无缺，做的却是假设的反面。
回测到底收了哪些成本？
按场所收取真实的 maker/taker 费率、按标记价格计提资金费、平方根市场冲击、杠杆账户的保证金与强平、股票的交易日历。权益曲线按市值计算并包含未实现盈亏，所以回撤不会被藏在开仓和平仓之间。如果这听起来像是基本功，其实不然；每一项都是因为它的缺失曾导致过一次具体的错误晋级才被加进来的。
优化不就是在过拟合吗？
它确实会往那个方向走。流水线的设计前提就是如此：参数先做敏感性扫描（一个只在 lookback=14 这个精确值上才有效的策略是巧合，不是策略），然后在三个窗口上做滚动前推优化并跟踪样本内/样本外表现，最后是一个策略只能见到一次的保留集测试。样本外 Sharpe 低于样本内一半即被拒绝。保留集必须保住滚动前推样本外 Sharpe 的至少 70%。这些都是代码强制执行的关卡，而不是分析师的自由裁量——分析师可以在留下书面理由的前提下豁免软性门槛，但无权豁免过拟合检查。
通过率是多少？
很低，也理应很低。最常见的死法是在分析师评审这一步：优势确实存在，但扣除成本后每笔交易不足 0.15%。第二常见的是敏感性悬崖。幸存者会先交给风控官，再进入模拟交易，那里的每日回放一致性检查会让它们无限期地接受真实数据的检验。真实资金则守在另一道由人工控制的独立闸门之后。
