先让 AI 做梦，再让它碰真钱：Dream-RSI 的量化翻译，与两个致命误差源 中国語原文

一个因子被写进论文的那一周，它的超额收益开始衰减。 被两家基金部署的那一季，衰减加速。被编进卖方研报的那一年，它死了。 量化行业六十年的核心经验只有一句：你的改进，会被环境吃掉。

这句话换个说法，就是递归自我改进（RSI）在量化里的全部特殊性。

2026 年 9 月 14 日，Google 系团队把一篇 RSI 论文挂上 arXiv（Dream-RSI，arXiv:2609.14858，代码开源）。它的思路被量子位概括成四个字：梦中学。不重训模型，不改权重，让「寻找知识的方法」自己在历史留存的发现树上做梦、进化，再回到真实世界跑一次。

benchmark 世界里，这招漂亮得近乎免费。于是问题来了：这套东西搬到量化，哪里成立，哪里致命？

本文是系列第四篇 RSI 文章（前三篇：RSI 全景、Astar 深读、另类数据深读），但它是唯一一篇把环境换成会还手的环境的研究。三句话兜底：量化是 RSI 最好的试验场（反馈快、可验证、裁判终极），也是最危险的（环境会消耗改进本身）。Dream-RSI 的核心假设「历史就是世界」在量化里有一个前提裂缝：市场里，历史是一串世界。以及一份可执行的清单：六个应用方向，三个做、一个谨慎、两个不做。

01｜为什么量化是 RSI 最好也最危险的试验场

先看量化的三个物理性质，它们各自拧紧或拧松一根缰绳。

性质一：存在快且便宜的验证器——回测。 代码世界里的验证是跑程序，数学世界里的验证是证明，量化世界里的验证是回测：几分钟到几小时，给出一个看似精确的分数。这是 RSI 梦寐以求的裁判材料——AQuA、Astar、Dream-RSI 全都依赖某种「自动评估器」，而量化天生自带一个。

但回测有一个代码裁判没有的毛病：它可以被哄骗。前视偏差、幸存者偏差、多重检验、过拟合——本系列另类数据篇拆过的每一台「时间机器」，在量化回测里都有对应型号。一篇 2023 年的论文（arXiv:2309.17322）直接证明：用 LLM 跑交易回测的已发表结果里，相当一部分是前瞻偏差的产物。快裁判是必需品，也是最大的黑客入口。

性质二：环境会还手。 这是量化区别于所有其他 RSI 领域的性质。AlphaEvolve 发现的矩阵乘算法不会因为它被部署而失效；DGM 改进的 coding agent 不会因为它变强而让 benchmark 消失。但量化的发现有一个内置衰变期：alpha 被 exploited 的那一刻，就开始死亡——对手学会同一条规律，价差就被抹平。

用我的三根缰绳语言说：量化的燃料会因使用而消耗。 别的领域，燃料（外部信息）用一次还在；量化里，燃料用一次就少一次。

性质三：终极裁判是真金白银。 实盘 PnL 慢（以周月计）、噪（单季说明不了什么）、但密封于现实——它不在乎你的回测怎么说。这是全行业最后那道不可篡改的评估器，也是所有内圈刹车最终要过的关。

▲ 两层裁判设计：回测筛速度，市场筛真相；两者不一致即告警。alpha 衰减不是背景噪音，是回路里的一个零件——它负责消耗你的发现。

02｜Dream-RSI 深读：在别人的世界里做梦

02.1 问题：元层反馈是最贵的东西

所有现代发现系统都已经有同一个 loop：提出候选 → 跑评估 → 看结果 → 修改 → 再跑。真正卡住 RSI 的不是这个 loop，是loop 外面的那层：探索策略本身怎么变好。

论文把困境写成两难。固定策略：搜索空间一大就失效，把算力反复撒进无效方向。在线优化策略：元层反馈延迟且昂贵——评估一个候选方案只要跑一次，评估一个探索策略却要观察它塑造的整个后续发现过程，几十上百个 proposal-evaluation 周期；而元策略空间又巨大，坏策略要先死给你看才知道坏。meta 层的每一次试错，都是以「一整轮发现」为单位的。 这就是为什么此前所有系统（AlphaEvolve 一族、MLEvolve 一族）的探索策略都是手写的、固定的。

02.2 关键洞察：完成的发现史本身就是一个模拟器

直觉只有一句：如果有一个又快又便宜的发现模拟器，就能在昂贵部署之前评估成千上万个探索策略。 然后是全篇最漂亮的一次视角转换：这个模拟器不用学——已经完成的发现历史就是它。

一次探索跑完，留下的不只是最终答案，而是一棵结构化的发现树：每个节点存着那次尝试的完整观测——得分、成本、报没报错、工作区状态。于是一个新的探索策略可以在这棵树上「重走」：选不同的分支子集、不同的顺序、不同的并行分组、不同的停止点——所有结果都已存好，重走只读记录，不跑一次执行。

放进谱系里看更清楚：experience replay（Lin, 1992）让旧经验可重用；Dyna 与 World Models（Sutton, 1990; Ha & Schmidhuber, 2018; Hafner et al., 2023）学一个世界模型来做想象 rollout；offline RL 与 FQE 用重要性加权在 logged data 上纠偏评估新策略。Dream-RSI 站在这一条线的末端，但做了一个相反的选择：不学世界模型——回放模拟器是确定性的、零模型偏差的，代价是它只覆盖已实现的搜索空间。此前工作把历史当静态上下文（Hu et al., 2025 等）或当微调数据（Yuksekgonul et al., 2026 等）；把它当可执行的反事实世界，是这篇的第一贡献。

02.3 形式化：在线与做梦共用同一个决策接口

发现树 𝒯，可选节点集合 A(𝒯) = {root} ∪ {叶子}；W 个并行 worker；策略的动作是一个批量 C ⊆ A(𝒯)，|C| ≤ W——一个动作同时决定「从哪些节点继续」和「并行开几路」。在线 rollout 最多 K₁ 轮，每轮选一个批量派给 worker。

做梦阶段用完全相同的决策接口，只是转移函数换了：在线的转移是真实执行，做梦的转移是读取已存结果。这个「接口同一」是被忽略的好设计：做梦评估的对象，与最终部署的对象是同一个东西——不是近似，不是代理指标，就是那个策略本身在已实现空间里的反事实表现。

回放打分函数（论文式 1）：

V = max_v s_v − β₁·N + β₂·N / max(1, k*)

三项：发现质量（回放轨迹里的最好得分）、执行成本（揭示的非根节点数 N，即代表的生成-评估请求数）、并行奖金（平均每轮尝试数，奖励会打包的策略）。β₁、β₂ 是隐藏的价值函数——「什么算好的探索」被烤进了回放分数里；改 β，就改了什么会被梦到。这是第二个容易被略过的设计点。

策略改进：让模型「在脑海里」生成大量候选探索策略，全部送进回放模拟器打分，赢家重新部署去在线探索，产生新树、扩大模拟器池。闭环在元层闭合。

还有一个工程决定值得单独表扬：编排层把探索显式化、可编程化（分支/并行/停止），底层 coding agent 一行不改。 自我改进发生在元层，不动执行层——这是整篇论文里最保守也最聪明的一刀：它把 RSI 的递归深度限制在「探索策略」这一层，而不是「agent 本身」。

02.4 数字：效率是表层，发现的求解器才是里层

主战场是 Lasso regularization path（高维统计的基本计算原语，基因組与金融的模型选择都靠它）。基准设置跟 SimpleTES（Ye et al., 2026）：发现阶段用 17 个合成实例（覆盖维度、稀疏度、特征相关性、active-set 结构的多种 regime），泛化评估用六个 held-out 下游数据集，跨生物与非生物域——发现的算法要在搜索分布之外证明自己。对照：sklearn、glmnet 两个标准求解器，SimpleTES（GPT-OSS-120B，预算 51,200 代），以及控制基线 Recursive Fixed Exploration（同模型、同评估器、同初始策略，唯一区别是策略永不变）。双方跑 5 轮递归。

结果：Gemini-3.1-Pro backbone 下，六个 held-out 数据集平均 runtime 从 3587.1ms 降到 2931.0ms，discovery 调用从 550 降到 317；Gemini-3.7-Flash 下 2516.7ms→2350.6ms、3200→1879 调用。对 SimpleTES 是约两个数量级的调用差（部分设置 162 倍）。发现的求解器在全部六个 held-out 数据集上跑赢 sklearn 与 glmnet。 递归动态图更说明问题：第一轮两者按构造完全相同，之后固定策略的轨迹走平，Dream-RSI 的轨迹继续下探。

但全文最强的证据在「发现的求解器长什么样」的分析里：SimpleTES 的做法是按问题维度在 LARS 与坐标下降之间切换；Dream-RSI 发现的求解器在 active-set 优化内部引入了自适应性——strong-rule screening 加基于 Cauchy–Schwarz 的 KKT 剪枝，只在 bound 无法认证某个特征时才重算精确梯度，剪枝失效时回退全量刷新；再叠 lazy Gram 矩阵构造与硬件感知实现。元层探索发现的是一个新算法，不是一组超参。 这是「τ 在过程层可能大于 1」的第一份实物证据。

数学与内核战场的对照表（Table 1）值得诚实读：Sum Diff 上 Dream-RSI 1.145427，高于 AlphaEvolveV2 的 1.121936；Circle Packing 2.635983 与最强基线持平；Auto Correlation 上 SimpleTES 仍是 SOTA——论文承认失败，但 Dream-RSI 用 1000 次调用对 51,200 次做到相近结果。GPU 内核：VGG16 与 LayerNorm 以 2.43 倍、1.79 倍的生成次数差做到相近性能；ConvDiv 与 ConvMax 在接近算力预算下性能提高 2.09 倍、1.44 倍。

02.5 用三根缰绳读它，和两个独立误差源

裁判：回放模拟器——环内、确定性、零执行成本；外圈刹车是每轮一次的真实在线探索。燃料：真实探索持续注入新树。传动：改进的是元策略（找答案的方法），不经权重再训练直接继承——按前篇的 τ 定义，这是目前公开的、最接近「τ>1 于过程层」的架构，尽管它的 τ 被回放保真度封顶。

回放保真度有两个独立的误差源，教学实验⑥把它们分开了：

误差源一，反事实缺口。 模拟器只覆盖已实现空间；目标策略想走的分支若没被探索过，模拟器答不上来，只能在已覆盖部分里将就。实验⑥：平稳世界里 regret 随覆盖率单调下降（c=0.2 时 0.299 → c=1.0 时 0.073，剩下的是观测噪声）。这个源靠更多真实探索可修。

误差源二，非平稳。 存的是旧世界的答案。实验⑥的漂移版（符号反转型 regime 翻转）里，regret 在 1.05–1.19 之间，不随覆盖率下降——覆盖再满，梦的也是一本答案全反的教科书。这个源靠覆盖修不了，只能靠 PIT 加权或重新探索。

最后必须记录：这篇论文没有 limitations 节。上述两个误差源、β 作为隐藏价值函数的敏感性、回放对未探索分支的沉默——全文未讨论。这不是指责（它的任务域是平稳 benchmark，误差源二在那里不存在），但它是把 Dream-RSI 搬进量化的人必须自己补的那一节。

02.6 它对量化意味着什么

量化的发现 loop（因子假设 → 回测 → 保留/丢弃）与发现树同构。每家量化团队的实验日志、研究笔记、回测库里，都躺着一棵无意识的发现树——节点是那些试过的因子变种，存着它们的回测得分与成本。

Dream-RSI 给量化的第一个动作不需要任何模型：把树结构化。 没有树，就没有梦；而没有带 regime 标签与时间戳的树，梦到的就是旧世界。

03｜量化 RSI 项目地图：谁已经在环里

按三根缰绳的配置排：

AQuA（蚂蚁/Princeton，arXiv:2608.12841）。 裁判配置最严：评估器密封在 agent 够不到处，生成泄漏靠因果封闭的算子 DSL 堵，选择泄漏靠「优化指标≠上报指标」堵。因子组合 IC 0.190 对单因子 0.026–0.037。它是「量化 RSI 该怎么装裁判」的参考答案。

Astar（阿里，arXiv:2608.27287）。 工业闭环：环内学习型替代裁判（AUC 0.8487）+ 外圈真实 A/B。20 轮无人迭代、GMV +4.86%。虽然是广告召回而非交易，但它的两层裁判设计是量化可直接抄的作业。

XALPHA / AlphaMemo / QuantaAlpha / Alpha-GPT。 记忆驱动的 alpha 挖掘一族：假设从历史研究轨迹里长出来，燃料是研究记忆，裁判是回测加验证集。它们的共同风险：记忆里的「成功」是按旧回测口径记的——记忆本身需要 vintage 管理。

Dream-RSI（Google 系）。 元层探索自改进，如上节。

交易 agent 一族（TradingAgents、Machine Spirits、RetailAgent 等）。 直接下场交易的多 agent 系统；评估侧的清醒剂是 KTD-Fin（arXiv:2605.28359）：用数据侧掩码防知识截止记忆顶替推理，并提醒「原始收益≠选股能力」。加上前瞻偏差那篇论文，这一族的已发表结果需要打折读。

共同点：没有任何一个公开系统的传动系数 τ 被测量过。 全都改了研究过程层，全都把实盘裁判留在环外当最终刹车。

04｜三根缰绳的量化形态

裁判缰绳：两层制。 快裁判（回测）负责筛速度，慢裁判（实盘 PnL）负责筛真相；两层不一致即告警。设计规则沿用本系列另类数据篇的纪律：密封 holdout、point-in-time 数据、purged 交叉验证加 embargo、deflated Sharpe 折多重检验。量化的特殊补丁是：快裁判的每一次「通过」都要记录它用了哪份 vintage 的数据——裁判的证词也要带时间戳。

燃料缰绳：量化第二定律。 前篇的第二定律是「自我改进的可持续速率 ≤ 外部验证信息流入速率」。量化版要减去一项消耗：

可持续自我改进速率 ≤ 新信息流入速率 − alpha 衰减速率。

别的领域燃料用了还在；量化的燃料用一次少一次。这意味着量化 RSI 的长期上限不取决于算力，取决于新 regime、新市场、新另类数据的到达速率——和第 01 节的性质二是同一件事的两种说法。

传动缰绳：对抗性天花板。 τ 的定义不变：改进传回改进者自身的比例。量化的特殊之处在于：一项改进传回之前，先被市场消耗一部分。发现即消耗，所以量化的 τ 有一个对抗性天花板：市场越有效、对手越快，τ 越低。这也是为什么量化 RSI 的理性形态不是「一个越来越强的单体」，而是「一条不断换新燃料的流水线」。

把三根缰绳写成一个不等式。记 γ 为发现率（单位时间产生的新候选方向）、δ 为 alpha 衰减率、ι 为新外部信息流入率、τ 为传动系数，则量化自我改进系统的能力增速近似：

g ≈ τ·(γ − δ)⁺，且 g ≤ ι。

三个推论。其一，δ ≥ γ 时系统饿死，τ 再高也无效——存量规律挖完之日，就是自我改进停摆之时。其二，ι 不足时系统吃旧燃料：梦到的全是旧世界，对应实验⑥的误差源二。其三，τ 突破 1 的唯一通道，是改进作用于发现过程的瓶颈本身——Dream-RSI 发现的那个自适应 Lasso 求解器，是这条通道上的第一件实物。

05｜教学实验：「历史就是世界」何时成立、何时致命

我们把 Dream-RSI 的做梦机制搬进一个合成 alpha 搜索世界：30 个候选分支（因子方向），稀疏真实 alpha；两种世界——平稳（regime 不变）与漂移（regime 在第 20、40 轮翻转，且翻转是符号反转型：昨天的好分支今天是毒药，模拟动量/反转切换）。三种策略：固定探索、plain dream（在全历史上回放优化）、PIT dream（回放时按新近度加权做梦）。

平稳世界里，做梦大赢：终值累计真实 alpha 固定 8.84、plain dream 29.36、PIT dream 29.47——PIT 加权在平稳世界几乎免费（29.47 对 29.36，差异在噪声内）。

漂移世界里，裂缝出现：第二次 regime 翻转后，plain dream 的累计曲线停在 2.7–3.3 平台——它在信心满满地收割上一世界的反转 alpha，即毒药；PIT dream 从 4.5 继续爬到 4.8 以上。终值：固定 2.75、plain dream 8.71、PIT dream 10.06。

一句话结论：PIT 做梦在平稳世界是免费保险，在漂移世界是救命绳。 量化应用 Dream-RSI 的第一条工程规则由此而来：回放权重必须带时间衰减，且衰减速率要与 regime 半衰期同量级——梦得太平等，就会梦到旧世界。

实验⑥（见 02.5）把做梦的误差拆成两个独立项：反事实缺口（regret 随覆盖率 0.299→0.073，靠更多真实探索可修）与非平稳（regret 1.05–1.19，不随覆盖率下降，只能靠 PIT 或重探索）。两个实验合起来，给出量化版做梦的完整工程规则：先把树结构化；给树带 regime 标签与时间戳；回放权重按 regime 半衰期衰减；每轮最后那一次真实执行，永远不省。

06｜六个应用方向：三根缰绳怎么配，决定做不做

方向一，因子/alpha 挖掘环。做。 裁判：密封 holdout 加回测双层；燃料：新 vintage 数据；τ 受 alpha 衰减封顶但为正。第一步：先把 PIT vintage 存储与 purged CV 装上（本系列代码附录有骨架），再谈自动化挖掘。

方向二，研究策略自改进（Dream-RSI 式）。做，但带 PIT 做梦。 裁判：回测回放加实盘抽检；燃料：历史发现树；风险：regime 漂移下的梦过拟合。第一步最便宜也最被忽视：从今天起，把每一轮研究的发现树结构化存下来——没有树，就没有梦。

方向三，数据管线工程自改进。做。 裁判：单元测试加 PIT 审计（确定性、环外）；燃料：新数据快照；τ 高——工程改进可直接传递。这是六个方向里风险收益比最好的一个，因为它改的不是 alpha，是生产 alpha 的机器。

方向四，训练代码与超参演化。谨慎。 裁判是验证回测——而验证回测正是可被 overfit hack 的那个裁判。若做：评估必须含密封 holdout 与 deflated Sharpe，且演化预算要登记进多重检验账本。AlphaEvolve 在代码世界的成功不能直接搬进来，因为它的裁判（程序正确性/运行时）不会被哄骗，而回测会。

方向五，实盘策略自修改。不做。 裁判是市场 PnL：太慢（周月级反馈喂不起探索）、太噪（单季说明不了什么）、且错误不可逆（真金白银）。把实盘当裁判可以，把实盘当训练环境不行。

方向六，评估器自修改。永不做。 AQuA 用整篇论文论证过为什么；本系列 RSI 篇的实验③给过数字：自我裁判 24 代后报告与真实裂缝 +1.19。在量化里这条更硬：评估器是唯一不被市场收买、也不该被自己收买的零件。

07｜冷水六盆

一，Dream-RSI 没有 limitations 节。 回放保真度在非平稳环境下的表现、旧树偏差、dream 过拟合旧 regime——论文未讨论，因为它的任务域平稳。我们的实验⑤量化了这条裂缝：第二次翻转后 plain dream 平台化。搬进量化的人要自己补这一节。

二，回测是会还手的裁判。 前瞻偏差论文（arXiv:2309.17322）证明已发表 LLM 回测结果不可信的比例不低；任何 RSI 环里用回测当唯一裁判，等于把黑客入口装在主线上。

三，量化的燃料因使用而消耗。 第二定律减项（alpha 衰减）意味着：一个只挖存量规律的自我改进系统，会在自己成功的过程中饿死自己。长期上限在新信息到达速率。

四，没有任何公开量化 RSI 系统测量过 τ。 「自我改进在量化里复利了吗」这个问题，今天只有立场没有数字。第一个报告跨 regime 继承实验的团队，会定义这个领域。

五，记忆需要 vintage 管理。 XALPHA/AlphaMemo 一族的「研究记忆」里，成功是按旧回测口径记的；regime 翻转后，记忆里的「好方向」可能是毒药。记忆条目要带 regime 标签与时间戳，否则记忆就是另一种回填。

六，可复现性分层。 Dream-RSI 代码与项目页开源（github.com/zhengkid/Dream-RSI、dream-rsi.com），机制可复现；但量化侧的所有结论（我们的实验⑤除外）都依赖各家私有数据与回测栈。机制可复现，收益不可复现——这条本系列的惯例，在量化 RSI 上同样成立。

结尾：最严的裁判，和学得最快的学生

回到开头那句行业老话：你的改进，会被环境吃掉。

六十年里，量化人把这句话当诅咒。RSI 的视角把它变成规格说明：环境会吃掉改进，所以改进者必须比环境吃得快。 梦中学给了改进者一个几乎免费的训练场；两层裁判给了它一个不被自己收买的法官；PIT 做梦给了它一本不会教错答案的教科书；而量化第二定律提醒它：训练场再大，燃料仍要从世界里来。

市场是最严的裁判——慢、噪、不可哄骗。它也是唯一合格的裁判。

而学得最快的学生，终于开始自己做梦了。梦可以做，醒来的那一次真实执行，永远不能省。

动手区：带 PIT 权重的做梦骨架

import numpy as np

def dream_policy(tree, t, half_life=12, n_candidates=8):
    """在历史发现树上回放，返回本轮该探索的分支。
    tree: [(branch, round, observed)]；half_life: regime 半衰期同量级。
    PIT 权重 = exp(-ln2 * (t - round) / half_life)；half_life=inf 即 plain dream。"""
    est, cnt = np.zeros(n_candidates), np.zeros(n_candidates)
    for b, tt, obs in tree:
        w = np.exp(-np.log(2) * (t - tt) / half_life)
        est[b] += w * obs; cnt[b] += w
    est = np.where(cnt > 0, est / np.maximum(cnt, 1e-9), 0.0)
    unexplored = [b for b in range(n_candidates) if cnt[b] == 0]
    if unexplored:                       # 新燃料优先：没梦过的分支带探索奖金
        return max(unexplored, key=lambda b: est[b] + 0.3)
    return int(np.argmax(est))
# 循环：真实探索一轮 → tree.append(...) → dream_policy(tree, t) 决定下一轮。
# 告警规则：回测裁判与实盘裁判的方向不一致连续 K 轮 → 停梦，检查 regime。