6月中旬，在一场论坛上，灵均投资马志宇、蒙玺投资李骧、黑翼资产邹倚天，以及聚宽投资王恒鹏等4位重磅嘉宾，围绕“量化投资的进化新格局”，展开了深入的对话。
这4家私募都是业绩不错的头部级别量化私募，
灵均投资首席投资官马志宇，毕业于斯坦福大学，曾供职于千禧年基金旗下世坤投资，历任全球研究副总监、中国区副总经理及研究总监；
蒙玺投资创始人兼总经理李骧，拥有中国科学技术大学化学物理学士与美国布朗大学硕士的双重学术背景，国内量化交易的探索者之一；
黑翼资产创始合伙人邹倚天，同样毕业于斯坦福大学，曾在巴克莱、博时基金等机构积累十余年的海内外量化投资经验；
王恒鹏则是聚宽投资总经理、合伙人。
这4位投资人对于国内量化行业的发展，格局变迁，各自公司如何应用AI，AI工具对量化行业的冲击，量化超额收益的持续性等焦点话题，
都给出了他们深入的思考，坦承的回答，以及颇有价值的观点。
回顾本轮量化景气，马志宇认为短期首要受益于2024年“9·24”后的牛市流动性与中小盘风格，但进入2026年，市场结构分化加剧，超额收益面临均值回归。
邹倚天用一个简明的指标指出，“日均成交量除以量化规模”的剪刀差红利已过，难度大幅上升。
李骧则强调，行业仍能维持正向超额，核心在于策略的持续迭代——
表层无效定价正消失，量化机构像大语言模型一样在极致竞争中不断迭代。
AI的跃迁正在深刻改变投研范式，也成为当前量化行业的共识。
邹倚天认为AI成为研究员能力的放大器，使个人生产效率提升数十倍，但无法替代人的直觉与洞察；
同时，他们指出量化和主观投资的边界正因AI而模糊，
未来多资产、多策略、全球市场或将成为头部机构的发展方向。
展望未来三到五年，李骧警示，行业格局将趋于固化，获取超额收益的难度大幅上升，
最大的风险并非市场波动，而是缺乏危机意识与前瞻性投入。
王恒鹏则提醒投资者，黑天鹅一定会来第二次，敬畏市场、保持迭代、留在牌桌之上，才是长期生存的法则。
六里投资报（Liulishidian）精心整理了他们的对话精华，内容较长，但值得行业内外细细品味：
这一轮量化景气
首要原因是市场环境
主持人：各位嘉宾怎么看待量化景气的性质，是更多来自于市场成交活跃和中小盘风格，还是来自于量化机构自身投研交易和风控体系的进化？
马志宇：我认为这一轮量化景气的性质，从短期来讲，首要的因素还是市场环境。
首先，从2024年9·24以来，市场处于牛市行情下，贝塔本身有一个很大的涨幅。
同时市场也有一个非常好的流动性的提升，带来了更多的Alpha机会，
这是在2025年能做出更好的超额收益和绝对收益的一个大前提，
以近期的行情来讲，市场出现一个结构非常分化的行情。
少数板块的涨幅、流动性都非常高，大部分行业可能就比较偏弱一些。
量化的持仓一般是非常分散的，
在这种极端的行情下，它在获取超额上可能会有一定的挑战性。
但是我们觉得，以今年一整年为论的话，当下的市场环境以及当下整体管理人的投资能力，应该还是可以交付一个正常的超额水平，
但这是从短期来讲。
如果从长期来看，我觉得这些年量化这个行业在不断发展，越来越多投资人选择量化产品，
这个背后还是整个行业自身的投研在不断迭代，不断深化。
因为量化它是一个系统化的投资方式，
在这个框架下，我们需要不断去寻找更多分散的、多元化的Alpha，同时要有好的风险模型去控制组合的波动。
体现在业绩上，不但长期业绩比较好，同时也是在合理的时间内能够交付确定性比较高的结果——超额收益相比业绩基准稳定性也相对比较好。
包括在这个行业里，竞争很激烈，都在很努力地迭代进化，
我认为这些是这个行业能够不断发展的更深层的原因。
行业超额主要源于
量化模型的持续迭代
李骧：我个人觉得，2025年整个行业的超额，算是阶段性的历史的一个高点。
今年适度的下滑，我认为是预期之中。
我个人认为其实整个行业还能处在一个正向超额的水平，
一个主要的原因，还是策略迭代的进展。
我们在微观维度看到了一些很有意思的点，
就是在有一些频段维度的竞争，是极其激烈的。
其实我们去年的业绩也很好，但是我如果用我最新的研究成果跑过去的数据，会比过去要好很多。
但是实盘上，你哪怕用了最新的一些研究成果，并没有显出比同行高非常多的结果。
为什么？
因为同行也在进步。
所以，现在这一时刻，随着量化体量的增长，超额获取的难度一定是结构性地变大的；
表层面的一些市场无效性的定价，我认为在逐渐消失。
但是行业内竞争比较极致，投研的投入以及迭代的速度，也非常极致；
所以，我认为整个行业能够有一个不错的超额回报，最主要的还是持续迭代能力。
量化行业
一直在不断迭代模型
邹倚天：我觉得大家可以关注一个指标，
就是日均成交量除以量化的规模。
2024年的9·24，其实这个指标是达到了一个极值。
9·24以前，日均成交量大概7、8千亿，那时候量化规模大概是1.2万亿，
然后9·24之后，日均成交量一下就起来了，到了2万到3万亿。
但是这个量化规模追上来是需要时间的，
现在我估计整个量化规模可能在2.5万亿到3万亿左右了，比那会儿差不多翻了1倍多。
那成交量其实并没有翻1倍多，日均成交量现在大概仍然是在2、3万亿。
所以看这个指标就可以很清楚看到，2024年9·24之后到2025年底之前，
简单来说，就是有一个短暂的剪刀差——就是日均成交量起来了，但量化规模仍处在追赶当中。
但是现在的量化规模上来了，所以今年的难度是明显增加的。
所以这是一个简单的指标，大家可以大概用这个指标看一下超额获取的难度，这个是一方面。
第二个，我想说其实量化的迭代，是在不断加速的。
量化这个行业其实跟大语言模型行业非常像，因为大家都在不断迭代新模型。
这个结果会反映在最后的业绩上面。
我们虽然不像大语言模型一样会有版本号，
但实际上我们内部是有一个版本号，它确实是在不断迭代。
尤其是在国内，数据的公开程度远远超过海外，
海外的量化基金实际上最多可以看到每个月的净值，可能每周都看不到。
今年量化风格分化
因子收益差距显著
王恒鹏：大家其实会发现一个现象，就是主观和主观之间对某个事情的看法可能差异会稍微大一点，
量化与量化之间一致性是非常高的，
所以，前面几位老师说的话我是完全同意的，
我基本上没有太多可以补充的东西。
我就讲一个今年以来风格分化的问题，
尤其是在1-5月份，以及最近的这几周，有一个比较明显的反转。
我举一个比较具体的数据，
就比如说在Barra这个风格因子里面，
你的动量和Beta这两个因子，如果你是在0.1个标准差和0.5个标准差，看起来其实差异不是很大的情况下，
那么这两者可能今年以来光风格收益的差值，大概可能有6个点。
所以，如果你在这些Barra上约束比较严格的话，
可能今年的前5个月会明显差一些，
这两周可能会相对好一些，这个其实就是说的我们自己。
我们现在的实际可能只有0.1个标准差的暴露。
我们作为投资人，还是要去能够尽量识别不同管理人的风格特点，他的size（市值因子）到底是偏中的还是偏小的。
第二个点，就是我们自己约束挺严格。
刚才邹总所提到的更快速的迭代，整个行业卷的极致程度还是很高的。
包括就像在昨天，我们有一个银行渠道在我们那尽调，
问高总说，为什么你的指增的约束比较严？
他说其中一个比较重要的原因是，希望我的波动小一些，
然后，市场端给我带来的这些答疑的需求尽量少一点，
让我更有时间投入投研，能够更快地把下一个版本的策略迭代出来。
迭代的效率，毫无疑问是不同机构之间PK的一个非常重要的点。
ETF市场
催生新Alpha来源
主持人：早期量化的Alpha，更多来自于量价、风格暴露，交易执行和市场的微观结构。
而现在行业上都讲基本面量化，另类数据和多周期信号，以及更复杂的继续学习。
想请各位各举一个近一年来你们认为最真实有效的Alpha增量的一个来源，和你们认为被高估的一个行业方向。
马志宇：实际上在我们整个投资框架下面，
要做价量、基本面量化、多周期，包括更好或者更深的集群性模型，各个维度都要有。
所以，现在也很难讲哪一类或者哪一个新增的Alpha它有特别显著的增量收益。
我可以做一个分享，
我们看到像2025年，包括2026年中国的ETF市场发展得非常快，
现在已经超过6万亿的规模。
这个市场的规模以及它的交易量，肯定对相关联的资产，都带来相应的影响。
本身这个ETF市场，它的流动性，就可以在里边有一些交易的机会。
同时像它的申赎数据，它日内的行情走势，
对于像股票或者股指期货，也是有一定的预测，或者说一定的相关的影响。
多频段维度
是增厚Alpha的明确方向
李骧：对于我们来说，多频段这个维度，是一个明确的可以增厚Alpha的方向。
多频段在非常严控的风格暴露的情况下，是能够提升Alpha的。
如果说什么东西被高估了？
我个人觉得应该是概念性的东西、方法论的东西容易被高估。
因为经常就是一些机构，听到了一些比较前沿的词，就说这个东西你们有没有用？
你想想怎么可能不去用，或者说怎么不去往这个方向做尝试？
但最后你会发现非常有意思，
哪怕是同样的一个东西，甚至我们就说市场容量最小的某些策略，
大家方法论又几乎接近一致地去做，
最后，大家仍然能做出来非常不一样的结果，
虽然都很好，但还是有低相关性的。
也就是说，方法论没那么重要。
方法论我有，别人没有的，我觉得会比较少；
即使有，以大家这么极致的卷的能力和效率，
很快这个东西也都会变成整个行业共同研究的一个共识。
换句话说，基本上到最后，还是需要通过非常细微的一些提升，不断去卷你的结果。
未来比拼的是
组织架构的能力
邹倚天：我觉得可能未来大家比拼的，更是一种组织架构的能力。
因为量化规模做大之后，一定会走多元化的路线，
比方说多周期、多种数据、多种模型架构等等。
你单一团队其实很难做到这一点，
其实你用AI的语境，算法、算力、数据，这三个维度每一维度都需要提升。
但是，你怎么样把这个组织架构做成像国外那种很成功的特别大的量化基金，像Jane Street，Millennium 这种。
你怎么把这个组织架构建好，
能够招到最优秀的人，然后让大家从事不同方向的研究，
我觉得这可能是一个核心竞争力。
很难说有“一招鲜”的东西，我不认为可能会出现“一招鲜”，
而是你怎么样能够持续有这个机制，不断吸引最好的人，往不同的低相关性的方向研究。
我觉得这个才是真正量化做大之后，大家所要比拼的一个能力。
聚宽近两年
投研端主要增量来自AI
王恒鹏：我就拿一个点来分享，就是AI。
谈到增量，至少在聚宽我们自己的感受上来说，
最近一年也好，最近两年也好，我们投研端主要的增量就是来自于AI。
包括刚才提到Jane Street，
最近在我们这个行业的短视频里面很火，但是它主要就火在AI这个事上。
美国的一个科技博主跑到他们机房，跟他们做了一个长访谈。
有一个非常具体的数据分享给大家，
就是说Jane Street的机房里面有大概4000多张B300 GPU，
B300即便是在美国买，大概也得400万人民币，
也就是说，他在这上面的消耗量接近200亿的成本。
其实全行业我看到的都是如此，
不管是美国还是中国，我们自己的数据，就是在算力的消耗，最近半年大概比之前增长了5倍，这是第一个数据。
第二个数据，从产出上来说，2024年初的时候，应用AI相对还没有那么深。
那个时候，我们新的因子大约有20%是来自于AI的方法论，而现在已经超过了70%，
而且，这个数值预计在今年年底之前，会达到接近100%，这是第二个数据。
第三个数据，就是我们过去两年AI研发端的产出，基本上覆盖了我们过去10年传统方法论的95%，
覆盖了历史积累的95%，且产生了新的增量。
所以，我们在去年的时候，公司就已经确立了一个全新的、唯一的战略，
叫做“持续探索AI自主驱动投研”，
AI驱动和AI自主驱动，其实还是两个不同level的要求。
还有一个数据，
就是在最近的一年半，我们招的投研端的同事，大概有10多个，没有一个是非AI背景的，全部都是AI背景。
包括我们现在HR团队，一些投研合伙人出差，最近都是去什么地方呢？
比如说，去年12月份去圣地亚哥参加NIPS（神经信息处理大会）会议，
然后今年的4月份，去巴西的里约参加ICLR（国际学习表征会议），
马上7月6号，我们要去到首尔参加ICML（国际机器学习大会）。
这其实就是AI学术论文的几个顶会。
你会看到，这些会议上面的赞助商就两类人，
一类就是苹果、特斯拉、OpenAI、微软之类的顶级科技巨头，
另外一类就是像刚才提到的Jane Street、WorldQuant，Citadel之类的，
包括少量的国内量化机构的对冲基金。
你会发现，这是一个非常具象的现象，告诉我们不管是这些科技公司，还是量化基金，其实他们已经基本上可以认为是All in AI了。
AI 赋能
显著提升研究员生产效率
主持人：想请各位谈一下，AI能力的跃迁，为量化投资带来哪些额外增量？它是在帮助研究员更好地工作，还是已经开始改变了因子发现、策略生成、组合构建和交易执行的范式。
马志宇：我们首先看到的，是它对于个体研究员的生产效率有很大的提升。
就以因子研究员为例，
早期因子研究员通过读paper，或者自己思考获得一个idea，
再把它进行编程的实现，然后再进行大量的测试，最后再提交入库。
还有另外一个就是用机器刷因子。
机器刷因子的话是用了大量的算力，
但是在机器刷因子起步的时候，它智力的投入是不足的，
刷因子往往是基于一些相对机械的规则。
所以最终的它的产量、效率包括质量，其实整体来讲也不算很高。
现在用AI大模型来辅助进行投研的因子开发这一块，就可以把智力投入和算力投入更好地结合在一起。
就可以用大模型，比如说它可以快速阅读大量的paper，
然后从中找到好的idea，再自动化生成代码，
包括对公式和参数进行各种尝试，最后确定一个结果，这个效率的提升是非常显著的。
至于说在整个框架流程上的改进，相比以前有没有颠覆或者进步，这块我们自身也是在探索之中。
但是从我的观察来看，我相信个人效率的提升，肯定是会带来组织架构的改变。
大家都听过“生产力决定生产关系”，
如果个人的效率提升之后，他投研的组织框架很有可能会有一些转变。
比如说我们传统的开发流程，
有若干人都是做因子的，是因子研究员，
第二批人是做模型的研究员。
这两块以前彼此涉及到对方的工作都很少。
如果现在个体工作效率有一个很大的提升，他一个人既可以做因子，同时他也做模型，
把这个整合起来，在不断的实践当中，不断提升自己的认知。
那这块就完全有可能比以前做得更好，
这样的话，组织框架其实就会相应做出改变。
再比如说投资，你是按照投资的标的来分团队，还是说一个团队能够包打所有不同的资产。
这对于后者来讲相对是比较难的，
尤其是对于非高频的领域，一个投资团队他能够把各个市场全做好，肯定是有难度。
那像现在，一个团队效率有很大提升之后，
它跨资产，比如说做股票的，去看转债也好，看海外市场也好，现在的切换成本就会比以前要低很多。
那它也有可能会覆盖多个不同的市场，
同时它也会在不同的市场当中不断积累，又获得更高的认知，再反哺回来，
对它之前主要交易的市场，也会得到一个更好的提升。
但是这块，我们也是在探索的阶段。
AI的快速发展
很可能颠覆量化研究范式
李骧：我个人会把量化行业和AI的结合分成三个阶段。
第一个阶段在差不多2015、2016年，到2020年左右。
这个阶段，其实大家更多的是在预测环节，
把线性模型换成非线性模型，以及开发因子的过程当中会用到一些复杂的模型。
后面大模型领域本身有了比较好的一些突破之后，其实我们整个的投研链路全部都可以提效。
目前这一块，我认为几乎所有的量化机构应该都推进到了一个比较好的状态，
或者说，几乎每家机构都肯定是深度运用了，这是毋庸置疑的。
至于所谓的研究范式的颠覆，
坦率说，我个人隐隐约约感觉是在过程当中，
但是我不能百分之百地说出最终整个研究链路完全被颠覆掉的时间。
我相信很多优秀的同行都能感觉得到，AI的快速成长有可能会颠覆掉我们整个的研究范式，
但是，我们又不确定是在哪里颠覆。
但我觉得会有那么一天，
这一天到来的时候，我们内部的一个比喻就是：
“我希望有人来掀我们吃饭桌子的时候，我们也参与了掀掉我们自己吃饭的桌子，而不是坐在那儿等着被掀”。
就这么一个逻辑，我没有能力具体到什么时间，但是大概的方向我们知道，
我们隐隐约约地有感知，这个研究范式在可见的时间维度下，几乎是百分之百会被颠覆的。
AI是一个放大器
但不能代替真正优秀的研究员
邹倚天：其实从2022年底ChatGPT出来之后，我们一直就关注整个大语言模型的进展。
一开始，我们就尝试运用在公司各个方向。
但其实有一个时间点，
就是今年2月份以后，我们觉得这个模型能力确实是产生了量变到质变的过程，真正地在投研里面产生了实质性的价值。
主要两方面，
一个就是协助人挖因子，挖特征这方面。
另外一方面就是做一些Auto research，用模型训练模型。
这两块，我觉得未来可能都是量化研究的一个新范式，就是会广泛运用大语言模型来协助研究员。
但同时我们也发现其实它不是像大家想的，人就可以躺平了。
因为我们发现AI模型，它实际上是一个非常强的放大器。
比方说这个模型出来之前，
一个优秀研究员可能是一个普通研究员3倍的生产力，
我随便说个数字，现在可能就变成了30倍的生产力。
就是一个优秀研究员可能顶30个普通研究员，
因为他能够很快的借助AI把他的一些想法实施出来，非常快速去验证。
实际上现在人是更忙了，
以前你可能要写3天的代码，才能看到你这个想法对不对，
现在你可能10分钟就能看到，你这个想法对不对了。
所以现在瓶颈是在人，
你有没有新的想法？
瓶颈不是在原来的机器，或者是在原来写代码的速度上了。
我觉得至少在目前这个阶段，AI它是一个非常强的放大器，但是并不能代替真正优秀的研究员。
AI使量化和主观
边界越来越模糊
王恒鹏：我比较认同刚才李总所说的对于AI颠覆的危机感。
包括上一个论坛上，有老师提到说，从相信创新变成拥抱创新。
在这个点上，我们是比较拥抱的，
非常明确的，AI现在是我们唯一的战略，没有任何其他的方向。
刚才其实也举了几个数据，进一步来说，讲几个细节。
第一个，就是说聚宽现在AI的应用，其实早已不仅仅是在投研端，
包括在交易、系统，甚至是合规、运营、服务等等，方方面面都已经完全AI化和Agent化。
另外一个细节，就是我们现在公司有一个不成文的原则，或者说一个倡导的精神，
就是投研端的同事消耗算力这个不用说，即便是非投研端的同事，
我们都希望，你每个月在AI这块的支出，最好是不要低于你的月薪，当然这个肯定是公司来支付的。
比如我们的风控系统，我们用AI全部重新实现了一遍，会发现比原来要好很多。
还有一个细节，就是我们有一个新的部门叫AI Infra，
就是AI的技术架构部，这个部门至少要组织每周一次AI方向的分享。
同时，我们现在还有一个新的岗位在尝试去招聘，叫做量化研究员主观方向。
随着现在大模型的推理能力，agent能力越来越快地提高，
其实我们认为，就像前面所说的，量化和主观的边界其实是越来越模糊的，
主观也在应用AI往前进步，而量化也通过AI的方式开始扩展自己的边界，
随着AI越来越深度和广度地应用，可能确实投资的范式已经让量化和主观之间的边界越来越模糊了。
量化最大风险
是在于拥挤度
主持人：最后想请各位做一个中长期展望，站在3到5年的维度看，国内量化行业最确定会发生的变化是什么？同时最需要警惕的风险和问题又是什么？
马志宇：刚才王总讲的AI和主观量化的结合，这个我是非常认可，
我认为也是未来3到5年一个非常确定性的事情。
AI在助力量化投资，提升我们投资的认知边界。
现在的量化投资，它做得不如主观的一方面，就是对于真实的商业世界的理解还是很浅。
无论是从数据的使用维度，还是对于数据的加工，相比主观投资都是有差距的。
而这一块，传是在各大券商的分析师，由众多人类分析师来一起完成的。
对于量化投资来讲，现在AI大模型实际上已经可以成为一个很强的分析师来使用。
对于风险，我想量化可能最大的风险还是在于拥挤度，
或者说同质化带来的风险；
在极端的市场环境下，可能出现踩踏等这一类风险。
那对于破解风险，肯定一方面需要管理人不断创新，不断去寻找新的Alpha，
同时在另外一个维度，现在也看到同行有一些很好的突破，就是说从传统的股票类型策略，拓展到像宏观或者说更多类型的资产，
拓宽我们的投资边界，才能够比较有效地化解这种风险。
未来3-5年
行业格局或将固定
李骧：我个人觉得未来3、5年，首先获取Alpha的难度肯定是大幅提升，
以及行业格局的稳定性，也会逐渐形成固定的一个状态。
换句话说，你想再从我们这个行业里面脱颖而出，是会变得很难的。
这里面的底层逻辑有几个，
一个就是AI的出现，我特别认同邹总刚才那个词叫“放大器”。
至少现阶段，AI还没有取代人，刚好它把一个人的能力是极度放大的。
所以这就意味着什么？
意味着如果你不持续迭代，你本来以为的你投研上的护城河，随着别人效率的提升，这个差距时间会大幅缩小。
某种意义来说，可以说是卷得更加厉害，
而且你要前瞻式地卷，你不能等到发现拥挤度上来了，超额衰减了，然后才去加大投研，这已经完全来不及了。
所以，你必须要前瞻性地投入到一些细节维度，
而且要把组织效率极大地提升，生产效率极大地扩大，才能在3、5年之后仍然在这个行业有一席之地。
第二个问题，我觉得这对于一个量化机构来说，最大的风险就是没有危机意识。
量化在我眼里就是科技行业，
只是它作用的最终的那个点，是用来交易金融标的而已。
所以你必须得对前沿的科技有一些sense，甚至还要做一些判断。
我们现在，基本上同行见面就会聊大家囤的卡的量也好，或者说打算拓展的一些新的东西也好，
这都需要有大量的创新，创新的另外一面就是大量的试错，
你必须要大量地试错，所以这个成本真的很高。
未来小的机构，我个人认为是比较难去做长期持续的投入，
也就意味着有可能它的护城河就会被很快打破。
向多资产多策略
多市场方向发展
邹倚天：未来3、5年，首先我觉得AI能力肯定会有一个超出我们想象的提升。
其实最近这半年，AI能力的提升，其实已经超出很多人想象了。
另外我觉得一个很重要的方向，就是这两年量化规模上来之后，
未来很多量化公司可能会朝着一个多资产方向、多策略方向，多市场方向演进。
现在国内大多数量化还是单一市场，基本上都在国内市场。
但是，下一步真正要去跟国际的大量化公司去PK，必须要去做全球市场。
所以，我认为多资产以及全球市场，可能是未来国内大型量化公司进一步成长的一个发展方向。
黑天鹅
一定会来第二次
王恒鹏：关于这个未来行业的发展和洗牌，我觉得其实前面几位老师也都说的很清楚了。
我的关键词也是完全一样，就是AI。
未来3年也好，5年也好，这个行业的分水岭或者说掉队的人，
大概率会是在这个方向上没有能够更前瞻地投入，或者没有能够持续地跟上探索的量化机构。
风险这个角度，提一个面向投资者的风险提示。
其实刚才马总也提到了，就是拥挤度的问题。
在我历史上多次投资者沟通里面，我都会强调黑天鹅一定会来第二次。
历史上任何发生过一次的事情，
比如说2021年9月到2022年初这段时间的拥挤、超额的回撤，
再比如说2024年2月这段时间极端的回撤等等，这种情况一定会再发生。
包括比如说，假设某一天，在量化规模没有降低的情况下，A股的交易量一下变成了一点几万亿甚至1万亿以内，
相当一段时间的负超额一定会再发生。
所以给投资人一个提示，类似这种情况，未来百分之一万会发生。
那么对于我们而言，
首先在没有发生之前，我们要敬畏，你要知道它一定会发生。
第二，就是当发生的时候，你知道这是在长期超额衰减大周期里面的一个小周期，
你只要知道这个方法论是OK的，那么极端行情发生的时候，你保持在牌桌之上。
