AI量化投研的5条铁律——AI是变速器，不是发动机

千呼万唤中的禄得网MCP，就要来了。

从此以后，家人们跟禄得回测引擎的对话，可以从点按钮变成说人话。你只要在Agent中告诉它"帮我优化一下这个策略"，它就能自己开始把参数组合翻个底朝天，然后你可以冲上一杯咖啡，刷上一部网剧，等会回来，策略就优化好了。

以上片段是理想中AI投研这枚硬币的正面，但我要说的恰恰是这枚硬币的反面——在用AI投研之前，请各位家人务必牢记的是：AI把"假阳性"的成本，压到了几乎为零。

过去，遍历十万个参数组合是少数极客的专利。而现在，只要约束足够宽，AI可以不停的给新手展示可以买地球的回测，其中不少还能还贴心的附带一段看似合理的金融逻辑。而最大的坑就容易出在这段逻辑上——人最擅长的事，就是看到好结果后，自动脑补出一个"原来如此"的解释。当你觉得看懂了那段编出来的逻辑之后，容易对它产生真信念，从而在实盘中亏到怀疑人生。

所以在使用禄得MCP进行AI投研之前，请先把这5条AI量化投研的铁律约束焊死。

一、金融逻辑先行，给研究划边界

AI驱动的研究，参数数量是指数级膨胀的。每多一个参数维度，你就要多做一轮检验；试过的组合越多，碰巧撞出好结果的概率就越高。你要知道：每试一个参数组合，约等于做一次统计检验。试验量足够多，碰巧显著的概率就越高，就像你找足够多只猩猩，总有那么几只能扔飞镖扎中靶心。华泰证券给过一个粗糙但适合散户量化的经验值——**T/S比率（回测天数÷试过的参数组合数）。750个交易日数据试50组参数组合，T/S=15，还行；试500组，T/S=1.5，意义不显著。**这时候停下想一想，现在AI一天能给你遍历多少组？

更可怕的是"事后脑补"。大量样本里筛选出一个“假阳性”策略表现好，你的大脑立刻编出"因为它捕捉了情绪反转"——逻辑自洽，于是你对这个过拟合的策略反而更坚定。实盘崩溃时，你不是止损降仓，而是坚持信念。这才可能是最贵的坑。

正确方法：金融逻辑先行，先有可证伪的金融逻辑假设，约束好研究边界和研究方法，再让AI拿着这套方法去数据里做验证。 相信你此刻一定会想，什么是约束好的研究边界和研究方法？别急，后文我会一点一点的列出来。先提几个，就比如：有逻辑驱动的策略，参数通常落在"参数平原"（微调影响不大）；结果驱动补逻辑的策略，极易落在"参数孤岛"（只有那一个点高，周围全是洼地）。平