1. 重点不是“问AI买哪只股票”，而是“把研究所软件化”
自主投资真正有意思的地方，并不是问聊天机器人今天买什么。
变化发生在整个研究循环：收集想法、形成假设、写代码、用数据检验、淘汰失败方案、把幸存者与已有策略比较、加入组合，然后继续寻找新假设。
传统量化往往是“人设计策略，机器执行”。现在越来越接近“人定义研究方向和评价标准，AI像一组研究员一样批量实验”。
这不是算命摊。
这是24小时研究所。
研究员不用睡觉，只会偶尔被rate limit打晕。
2. J-Quants最重要的作用，是消灭从想法到实验之间的麻烦
日本股票研究常见的摩擦并不是没有想法，而是数据准备。
证券主数据、行情、财务、融资融券、卖空、分红、期货、期权，如果分散在不同来源，一个简单假设也可能先变成数据考古。
J-Quants通过API提供标准化数据，显著缩短这段距离。[1]
截至2026年10月1日，Standard每月3,300日元，Premium每月16,500日元。Premium可以访问可用的完整历史和更广的数据范围。
16,500日元买不到alpha。
它买的是“不用每次去洞穴里找CSV”。
数据访问程序化以后，智能体可以从假设直接进入取数、Python实现、回测和结果存储。
大量试验才因此真正可行。
3. 当实现能力不再稀缺，想法和评价就会变稀缺
过去即使想到十个点子，真正做出来的也许只有一两个。
写代码、调bug、读API文档、清洗数据、画图，本身就是天然限速器。
强大的编码智能体会把这个限速器拆掉。
“试试这个。”
“已经实现。”
“换个条件。”
“完成。”
“做walk-forward。”
“完成。”
人类终于获得了把念头直接变成代码的小妖精。
十分钟后，新问题来了。
有价值的念头不够用了。
当AI连想法也能批量生成时，瓶颈再次移动到选择：哪些值得相信？
于是关键从实现能力转向搜索空间设计、反证和评价函数。
4. 最危险的超能力，是光速制造1000个垃圾策略
自主研究既会加速发现，也会加速过拟合。
制造几百个只有细微差异的策略，只留下历史上碰巧最好的，回测看起来会像天才基金。
实盘可能更像灭绝纪录片。
所以系统首先需要的是淘汰机制，而不是更多想法。
样本外、walk-forward、交易成本、滑点、年度稳定性、市场状态敏感性、与已有策略的相关性、换手率、流动性、容量、重复想法检测，都是基本门槛。
如果你雇了100个AI研究员，先扩建垃圾桶，再扩建人事部。
没有淘汰标准的研究所只是回测动物园。
5. 2026年认真做一套系统要多少钱
J-Quants Standard每月3,300日元，Premium每月16,500日元。[1]
Claude Max 5x每月100美元，Max 20x每月200美元，并包含交互式Claude Code使用。[2][3]
但200美元不是“24小时无限Claude Code”。Max仍有5小时会话额度和周限制。[2]
从2026年6月15日起，Claude Agent SDK和claude -p对符合条件的用户有独立月度额度：Max 5x为100美元，Max 20x为200美元。[4]
API方面，Sonnet 5.5为输入2美元/百万token、输出10美元；Opus 5.5为4/20美元。[5] GPT-6.1 Sol标准处理也是2/10美元，Astra为10/50美元。[6]
“AI”不是一个统一工资。
研究员和研究总监可以相差五倍。
6. 每月90万日元夸张吗？其实很容易做出来
使用2/10美元模型且不算缓存时：
50M输入+5M输出约150美元。
200M+20M约600美元。
500M+50M约1,500美元。
还属于“很痛，但有人付得起”的范围。
换成10/50美元级别：
50M+5M约750美元。
200M+20M约3,000美元。
400M+40M约6,000美元。
用1美元=150日元粗算，6,000美元就是约90万日元。
所以“月90万AI费”不是科幻。
高价模型并行跑得够久，就会自动召唤出来。
缓存、Batch、低价模型路由、early stop能大幅削减费用；长上下文、工具调用、重试和无人看管的失败智能体则能把它重新抬高。
因此真正的问题不是“API单价多少”，而是“每个月允许多少次完整研究循环”。
7. 单位成本可能继续下降，但总支出仍可能上升
Epoch AI在2026年9月估计，自2023年以来，达到同等AI性能的成本每季度下降约47%，年化约13倍。[7]
这种速度不保证长期持续。
但“同等能力越来越便宜”的方向非常明显。
那么AI预算会下降吗？
单个任务可能会。
总预算未必。
一个任务从1美元降到0.1美元，不代表用户只做十次就停。他可能做一百次。
一个智能体十个点子，会变成一百个智能体各自一百个点子，再加批评智能体、元智能体和下一轮探索。
这很像杰文斯悖论。
AI越来越便宜。
于是我们使用更多AI。
8. 最终优势可能不属于“买最聪明模型的人”，而属于“会调度智力的人”
没有必要把所有任务都发给最昂贵的模型。
那会把研究系统变成账单生成器。
更合理的是分层。
低价模型广泛生成假设。
Python、SQL和确定性规则处理不需要语言推理的筛选。
强大的中档模型负责实现、调试和解释。
统计门槛再次过滤。
最后只把少数幸存策略交给最高性能模型做敌对审查。
数值循环交给CPU和批处理。让LLM写程序，让电脑重复程序。
不要把最贵的模型当流水线工人。
把它当研究总监。
未来的核心能力，是给不同工作分配不同的“智力单价”。
结论
自主智能体与J-Quants显著降低了个人进行日本股票系统化研究的门槛。
当数据获取、实现、验证、报告都被自动化后，人类的工作从亲手执行转向设计搜索空间和判断什么值得相信。
下一个瓶颈是AI费用。
但未来未必只是“AI越来越贵”。
同等性能单价下降。
可做的事情增加。
想使用的数量增加得更快。
总支出仍然可能上升。
未来真正的问题不是“AI多少钱？”
而是：
“这个研究所每个月应该购买多少智力，边际价值才仍然为正？”
AI拆掉实现之墙以后，墙后面是自由。
自由旁边站着账单。
