40轮搜索后，LLM跑出+123.7%，却输给一个简单启发式

给DeepSeek V3四十次机会，让它自己找一套能赚钱的交易策略。结果先输给了一个不需要模型、成本为零的启发式搜索器。

整套流程的规则只有一条：提出策略的不管打分。智能体负责提方案，打分的是同一套回测框架——时点一致的标的池、滚动前推、计入交易成本、只看样本外得分。手工策略走这套规则，模型提的方案也走这套规则，没有例外，也没法靠嘴把数字说好看。

每份提案是一个带类型的JSON对象，字段包括策略族（反转、因子残差、动量）、K线周期、回看天数、持有期和入场阈值。智能体循环四十轮，每轮把"什么失败了、什么活下来了"塞进提示词，再交给DeepSeek V3生成下一份提案。

旁边还并排跑着一个启发式提案器：随机采样参数空间，偶尔对当前最优做局部扰动。它不需要模型，也不花钱，同样跑满四十轮评估。这个基线后来被证明很关键。

第一轮：模型输给了启发式

DeepSeek的直觉其实是对的——它偏向日线上的因子残差反转，也就是买入近期收益落后于横截面平均的币，持有约三十天。这恰好是唯一真正活下来的角落。但它挑了短回看、快调仓：

• 因子残差/日线/回看30/调仓15：-23.7%，淘汰
• 因子残差/日线/回看20/调仓10：-44.4%，淘汰
• 反转/15分钟/回看5/调仓2：-99.1%，淘汰

启发式那边撞进了因子残差/日线/回看60/调仓30，净收益约+52%，多数样本外窗口为正，换手极低。模型离这个边缘只差一步，却站到了错的一侧。族选对了，标定错了。

三个不报错的bug

在放弃模型之前，更有用的东西浮出来了。有几份提案返回的是零换手、零收益——不是亏损，是平的。策略从头到尾没开过仓。查下去是三个bug，全都没有崩溃、没有报错，只有沉默。

1. 动量的波动率窗口写死成96根K线。15分钟数据上这是一天，没问题；日线上就是96天，比形成窗口还长，信号永远无法生效。修法是按周期缩放，并给日线设5根的下限。
2. 回看长度可能超过形成窗口。智能体在90天的形成窗口上提了100天回看。修法是把回看钳制在实际可用的范围内。
3. 调仓网格从第0根K线起算，第0、40、80根刷新。如果信号到第90根才活过来，每个刷新点都落在预热期里。持有期40完全不动，30和45却在交易——这种非单调结果说明是bug，不是没有边缘。修法是把网格锚定在第一根有效K线上。

三个bug的共同点是：回测把"没有持仓"静默当成零收益，就会把它们全部埋掉。

第二轮：它自己画出了边界

空间清理干净后重跑，模型这次聚在日线因子残差上，并自己扫了回看：回看70/调仓35是+67.1%，回看50/调仓25是+65.9%，回看40/调仓20只有+6.5%，回看30/调仓15是-26.6%。

长回看为正、短回看为负，这条线是模型从反馈里自己找出来的，它并不知道启发式搜到了什么。族对了，方向对了，只是需要一个干净的空间。

那这个边缘是真的吗？诚实的回答是：一般。回看40到80天、月度调仓的范围内，净收益大致在+46%到+84%之间，五年里四年为正，2023年跌得很重，扛得住每边30个基点的悲观成本假设，年化夏普约0.9。一个打乱标签的置换检验给出p=0.048，刚好卡在显著性的边上。参数和族是在同一批结果上选出来的，这个p值没有覆盖整个搜索过程。它是一条有希望但未确认的线索，回测窗口已经用完了。

第三轮：数字翻倍，宽度没动

把模型包进一个混合提案器——模型选族和周期，交替轮次里围绕当前最优扫回看和调仓。它在回看50天、月度调仓处找到峰值：净收益+123.7%。

这是个陷阱，有一列数据直接暴露了它：幅度翻倍，宽度几乎没动。挑更好的参数能把幅度吹起来，宽度不吃这一套。而且这是35组配置里的最优，不是平均值——就算35组全都没有真实边缘，随机波动也会造出一个赢家。通缩夏普算下来是0.70，门槛要求0.95。最优配置没过线，这不证明没有边缘，但意味着35路搜索之后不能声称显著。

第四轮：平均整个高原，而不是挑一个赢家

过拟合有现成的解药，之前一个都没用。做法是把日线上回看40到80之间、符号保持一致的因子残差配置全部等权平均，不挑赢家，月度调仓。结果是净收益+75.8%，年化夏普0.61，62%的窗口为正。

这个区间本身也是看着同一批结果划出来的，所以没有完全消除选择偏差，但它降低了对任何单一幸运配置的敏感度。+75.8%是一个对参数不那么敏感的样本内研究结果，不是对阿尔法的独立确认。

结论很朴素：没有造出一个会找阿尔法的AI。造出的是一个直觉对、标定错的便宜智能体，一套靠"把平仓返回成平仓"抓出三个静默bug的框架，一个用干净空间把数字吹高60%的优化器，以及一步把有希望的研究信号和虚高的回测结果分开的集成。

三件事值得带走：先跑启发式基线，搜索空间没清理干净之前它一直赢；智能体的诚实程度取决于给它打分的那个东西，裁判先立，提案器随时可换；一旦提案器能优化，它就会优化——盯宽度，别盯幅度，能平均高原就别挑最优配置，+124%和+76%之间的差距全部来自参数敏感度。