1. 重點不是「問AI買哪支股票」，而是「把研究所軟體化」
自主投資真正有趣的地方，不是問聊天機器人今天買什麼。
真正的變化是研究循環本身被自動化：蒐集想法、形成假設、寫程式、用資料檢驗、淘汰失敗方案、把倖存者與既有策略比較、加入投資組合，再繼續尋找新假設。
傳統量化常是「人設計策略，機器執行」。現在更接近「人定義研究方向與評價標準，AI像一群研究員一樣大量試驗」。
這不是算命攤。
這是24小時研究所。
研究員不用睡，只會偶爾被rate limit打昏。
2. J-Quants真正重要的地方，是把想法到實驗之間的麻煩拿掉
日本股票研究常見的摩擦不是沒有想法，而是資料準備。
證券主檔、行情、財務、融資融券、放空、股利、期貨、選擇權，一旦來源分散，簡單假設也會先變成資料考古。
J-Quants透過API提供標準化資料，顯著縮短這段距離。[1]
截至2026年10月1日，Standard每月3,300日圓，Premium每月16,500日圓。Premium可存取可用的完整歷史與更廣的資料。
16,500日圓不是買alpha。
是買「不用每次去洞穴找CSV」。
資料介面穩定後，代理可以從假設直接走到取數、Python實作、回測與結果儲存。
大量試驗因此變得現實。
3. 當實作不再稀缺，想法與評價就會變稀缺
以前就算想到十個點子，真正做出的可能只有一兩個。
寫程式、抓bug、看API文件、整理資料、畫圖，本身就是天然煞車。
強大的coding agent會把煞車拆掉。
「試這個。」
「已實作。」
「換條件。」
「完成。」
「walk-forward？」
「完成。」
人類終於拿到把念頭直接變成程式碼的妖精。
十分鐘後，新問題來了。
有價值的念頭不夠。
當AI連想法也能量產，瓶頸又移到選擇：哪些值得相信？
最後核心從實作力轉到搜尋空間設計、反證與評價函數。
4. 最危險的超能力，是光速製造1000個垃圾策略
自主研究會加速發現，也會加速過度擬合。
製造幾百個只有小差異的策略，只留下歷史上碰巧最好看的，回測可以像天才基金。
實盤可能像滅絕紀錄片。
所以系統首先需要淘汰機制，而不是更多想法。
樣本外、walk-forward、交易成本、滑價、年度穩定性、regime敏感度、與既有策略相關性、換手率、流動性、容量、重複想法偵測，都應成為基本門檻。
如果你雇100個AI研究員，先擴建垃圾桶，再擴建人資。
沒有淘汰標準的研究所只是回測動物園。
5. 2026年認真做一套系統要多少錢
J-Quants Standard每月3,300日圓，Premium每月16,500日圓。[1]
Claude Max 5x每月100美元，Max 20x每月200美元，並包含互動式Claude Code。[2][3]
但200美元不是24小時無限券。Max仍有5小時session限制與每週上限。[2]
自2026年6月15日起，Claude Agent SDK與claude -p對符合資格的用戶有獨立月度credit：Max 5x為100美元，Max 20x為200美元。[4]
API方面，Sonnet 5.5是輸入2美元/百萬token、輸出10美元；Opus 5.5為4/20美元。[5] GPT-6.1 Sol標準處理也是2/10美元，Astra為10/50美元。[6]
AI研究員與AI研究總監，不是同一個薪資帶。
6. 每月90萬日圓誇張嗎？其實很容易做到
使用2/10美元模型且不計cache：
50M輸入+5M輸出約150美元。
200M+20M約600美元。
500M+50M約1,500美元。
換成10/50美元級模型：
50M+5M約750美元。
200M+20M約3,000美元。
400M+40M約6,000美元。
用1美元=150日圓粗估，6,000美元就是約90萬日圓。
這不是科幻。
高價模型並行跑夠久，帳單自然會長出來。
cache、Batch、低價模型routing、early stop可以大幅降費；長context、工具呼叫、重試與失敗代理無人管理則會再次把成本拉高。
真正的預算問題不是「API多少錢」，而是「每月允許多少次研究循環」。
7. 單位成本可能下降，但總支出仍可能上升
Epoch AI在2026年9月估計，自2023年以來，取得同等AI性能的成本每季約下降47%，年化約13倍。[7]
這個速度不保證永遠持續。
但同等能力快速變便宜的方向很清楚。
那總預算會下降嗎？
單一任務可能會。
總額未必。
一個任務從1美元降到0.1美元，不代表只做十次。使用者可能做一百次。
一個代理十個點子，可能變成一百個代理各自一百個點子，再加批評代理、meta-agent與下一輪探索。
這很像Jevons paradox。
AI變便宜。
我們因此用更多AI。
8. 最終優勢可能屬於「會調度智力的人」，而不是「買最聰明模型的人」
不需要把所有任務都送給最昂貴模型。
那會把研究系統變成帳單生成器。
合理架構應該分層。
低價模型廣泛產生假設。
Python、SQL與確定性規則處理不需要語言推理的篩選。
強力中階模型負責實作、debug與解讀。
統計門檻再次過濾。
最後只把少數倖存者交給最強模型做敵對審查。
數值迴圈交給CPU與batch compute。讓LLM寫程式，讓電腦重複。
不要把最貴模型當產線工人。
把它當研究總監。
真正的管理能力，是為不同工作配置不同的智力單價。
結論
自主代理加上J-Quants，大幅降低個人進行日本股票系統研究的門檻。
當資料、實作、驗證、報告被自動化，人類工作從親手執行轉向設計搜尋空間與判斷什麼值得相信。
下一個瓶頸是AI費用。
但未來未必只是AI越來越貴。
同等性能單價下降。
可做工作增加。
想用的量增加更快。
總支出仍可能上升。
未來真正的問題不是「AI多少錢？」
而是：
「這間研究所每月該買多少智力，邊際價值才仍為正？」
AI拆掉實作之牆後，牆後面是自由。
自由旁邊站著使用明細。
