一项AI量化策略连续数周落后，最容易出现的反应有两个：要么认定模型已经过期，立即重训；要么把回撤解释为短期噪声，继续等待。两种选择都可能碰巧正确，却没有回答真正的问题。收益变化只是结果，背后可能是历史信息污染、预测关系衰减、交易成本上升，也可能是多类策略同时拥挤。若不先定位原因，调整越快，越可能把暂时波动改造成新的过拟合。

文溪投资认为，AI量化的时效研判应当从归因开始，而不是从改参数开始。可靠的诊断要保存三条相互独立的证据链：模型当时究竟知道什么，信号本身是否仍能区分未来收益，交易系统是否按研究假设完成执行。市场拥挤则是第四条外部线索，用来判断原有优势是否正在被更多资金消耗。四条证据互相校验，才有可能区分策略失效与策略暂时不好看。

先检查模型有没有提前知道答案

传统回测会防范财报修订、幸存者偏差和未来函数，大语言模型又带来一类更隐蔽的污染。商业模型的训练语料可能包含事后复盘、后续新闻和已经实现的价格结果。即使提示词只提供某个历史时点的材料，模型参数仍可能保留后来信息。研究者看到的优秀表现，因而可能来自模型记忆，而不是当时可以形成的判断。这类偏差不会随着增加交易成本而自动消失，因为问题发生在预测输入之前。

2026年发布的Look-Ahead-Bench用两个时间区间和五只美国大型科技股测试多种模型。该研究发现，若干通用模型从可能被训练数据覆盖的区间转入模型截止日期之后的区间，超额表现明显下降；点时模型的衰减较小。这个结果提供了重要警示，但样本范围有限，不能直接推导所有市场和策略都会出现同样幅度。更稳妥的用法，是把它视为一项诊断方法：用严格晚于训练截止日的数据检验模型，并记录模型、语料与信息发布日期。

文溪投资在分析含大模型的策略时，会先核对训练截止时间、检索库版本和原始文本快照。若模型供应方不能说明训练边界，历史回测的证明力就应降低，研究可以转向冻结模型、点时语料或真正前向的数据收集。还要检查新闻是否被修订、财务数据是否使用初次披露值，以及系统获取时间是否晚于公开时间。只有历史参与者当时能够获得的信息，才有资格进入那一天的决策。

把信号衰减和短期亏损分开

通过时间边界检查后，下一步才是观察信号。有效性通常不是某天突然从一变成零，而是在噪声中缓慢变化。研究团队可以滚动计算信息系数、分组收益、命中结构和风险调整后的增量，并与历史分布比较。所谓半衰期，是对这种变化的简化描述：在给定样本、成本和模型设定下，信号强度下降到初始水平一半所需的估计时间。它不是策略的保质期，更不是脱离置信区间的确定日期。

半衰期估计对窗口十分敏感。样本过短，少数行情就可能改变斜率；样本过长，又可能把不同市场状态混在一起。文溪投资更关注估计是否稳定，以及不同指标是否指向同一方向。如果收益减弱但排序能力尚在，可能是成本或容量侵蚀；如果多个独立区间内，信号方向、分组差异和经济逻辑同时弱化，才更接近关系失效。连续亏损可以触发检查，却不能单独完成定性。

执行偏差会伪装成模型过期

许多策略在研究端仍能识别方向，却在落地时丢失优势。回测假设的点差、排队位置、成交概率和延迟，都会随市场流动性与订单竞争变化。以一个假设的日内策略为例，信号每笔预期贡献只有几个基点，若实际成本长期比模型高两个基点，净收益就可能消失。此时重新训练预测模型并不能解决问题，反而可能让模型为了补偿成本而追逐更激进、更不稳定的信号。

实时交易成本分析需要把订单决定、到达市场、部分成交和最终完成连接起来。可观察的指标包括相对到达价的偏离、点差占用、市场冲击、未成交比例、完成时间和不同场所的成交质量。国际清算银行关于执行算法的研究也指出，降低市场冲击、减少价格风险和提高完成确定性之间存在真实取舍。文溪投资据此主张，把预测收益与执行损耗分开记账，先确定优势在哪一层消失，再决定修改信号还是修改交易方式。

拥挤是时效变化的外部证据

策略即使没有改变，使用相似逻辑的资金增加，也可能缩短优势持续时间。拥挤并非看到相关性上升就能下结论，它要结合持仓集中、换手重合、成交冲击和压力期的共同退出需求。若多种模型依赖相近的价量特征，在同一时间买入流动性有限的标的，价格影响会先抬高执行成本；当行情反转时，相似的风险约束又可能促使它们同时减仓。此时观察到的衰减，是信号、容量与市场结构共同作用的结果。

文溪投资会把拥挤指标当作预警而非判决。估值价差收窄、策略相关性上升、因子波动放大或同向交易集中，都提示需要降低对历史容量的信任，但还应检查这些变化是否持续、是否来自同一市场事件。研究显示，竞争会侵蚀相同特征上的收益和容量，不同交易特征之间也可能形成一定分散。因此，判断拥挤不能只统计策略数量，更要识别它们是否争夺同一批流动性。

文溪投资分析 诊断顺序决定调整质量

面对表现下滑，文溪投资建议采用固定排查顺序。第一步核验模型和数据的时间边界，排除记忆型优势；第二步比较实盘成本与研究假设，确认执行是否先发生偏移；第三步观察信号强度的滚动变化，并给估计附上不确定范围；第四步检查同类策略的集中度与容量压力。四步之后，团队才能判断应当修复数据、优化执行、降低规模，还是重新研究策略逻辑。

这套顺序的价值，在于避免结果倒推原因。若先看到亏损再寻找解释，任何行情都能被写成一段合理故事；若每类异常对应预先定义的证据，诊断便可以被复核。文溪投资还主张保留每次判断的时间戳，区分当时已知信息与事后补充材料。后来证实的原因可以进入复盘，却不能被改写成团队当时已经掌握的依据。

AI量化的时效性，最终不是一个简单的有效期限，而是一组可以持续观察的关系。数据是否守住时间边界，信号是否仍有区分度，执行是否吞噬优势，资金是否在同一出口聚集，各自回答不同问题。文溪投资认为，成熟的研究体系不急于给策略贴上有效或失效的标签，而是先把证据放回正确位置。看清是哪一环变了，调整才不会成为新的噪声。