量化最大的风险不是「不会」，而是「自信地错着」。本篇是一份负面清单：每一条都对应一种真实存在、且让大量资金灰飞烟灭的思维方式。老手读者请把它当作自查表——重大亏损案例里，几乎都能找到其中不止一条。
八类高危误区
1. 圣杯思维。 相信存在一个「一直有效」的指标或战法。市场的超额收益本质是对承担某种风险的补偿或对他人行为偏差的收割，两者都会随参与者结构变化而衰减（见因子失效与 Regime ）。量化研究的目标是组合许多弱信号并管理其生命周期，不是寻找永动机。事故形态：「找到年化 40% 回测」的庆祝群聊，六个月后集体沉默。
2. 把回测当承诺。 回测回答的是「这个假设在过去是否被证伪」，而不是「未来会赚多少」。年化数字的价值在于比较与归因，不在于预测。经验上，实盘超额普遍低于回测 30%–50%，这个折损才是常态（见回测与实盘差异 ）。事故形态：按回测年化加杠杆，实盘第一个回撤就击穿平仓线。
3. 过拟合包装。 参数精修到回测曲线完美——7 个参数、12 年样本、每周调仓的自由度下，随机噪声也能「回测出」夏普 3（见回测偏差大全 与样本外验证 ）。识别特征：参数邻域不敏感测试缺失、样本外区间从未公开、换任何起始日期结果剧变。
4. 指标堆砌，无经济学逻辑。 「MACD 金叉 + KDJ 低位 + 布林收口 = 买入」——多个高度相关的技术指标叠加，只是把同一噪声重复计数。每个信号都应回答：你赚的是谁的钱？为什么对方愿意持续给你这个钱？（盈利来源分类见策略类型全谱 。）事故形态：五个指标本质都是「超卖」，一次单边下跌同时失效。
5. 忽略成本与容量。 日频高换手策略回测不扣滑点印花税，扣完归零；或者只对小资金成立、放大到千万级就被自己的单子打穿（见换手与容量估算 ）。小资金回测的暴利几乎都是成本幻觉。算术：日频策略年换手 100 倍 × 单边 0.25% = 25% 成本——先问这个数字再谈信号。
6. 「量化 = 全自动躺赚」。 自动化的是执行，不能自动化的是对策略健康度的持续判断。策略会失效、市场会 Regime 切换、系统会故障。无人值守的应该是运维告警，而不是责任本身（见运维与监控 ）。
7. 数据挖掘型研究。 跑 1000 个因子挑最好的 10 个，然后为它们编故事。多重比较之下，5% 显著性意味着纯靠运气也会「发现」50 个假因子（见多重检验与 FDR ）。识别问题：「在报告这个结果之前，你试过多少个变体？」——答不出或不愿答的，按最坏情况估计。
8. 幸存者叙事。 只看见跑出来的量化私募（他们管理费在赚钱），看不见清盘的上百家；只引用西蒙斯，不提同期消亡的数百家电荷基金。评估任何「成功案例」先问分母是谁——「量化私募平均年化 X%」的统计若不含已清盘者，直接作废。
五分钟鉴别法：面对一个「策略/产品/课程」
按顺序问五个问题，任何一题答不上来就降级处理：
- 盈利来源：它声称赚谁的钱？风险补偿、行为偏差、结构性套利，还是「市场上没人注意到」（高危话术）？
- 检验完整性：有没有扣全成本？样本是否含退市标的？参数邻域稳定性如何？样本外/Walk-Forward 结果在哪？
- 多重检验：在报告的这个结果之前，尝试了多少个变体？（没有人会主动披露，所以要追问研发流程。）
- 容量与拥挤度：策略资金规模多大时开始自我侵蚀？同类策略的申报规模变化如何？
- 失效协议：什么信号出现时承认策略失效并停用？——答不出失效条件的策略，等于没有下限。
三个「高级」误区（老手专属）
- 用复杂的模型掩盖单薄的假设：LSTM 掉点 0.001 带来的欣慰，常常只是对同一份噪声更努力的拟合。模型复杂度必须由数据量与信噪比支撑（见ML 在量化中的定位 ）；
- 把相关性当因果：因子与收益的相关存活了十年，也可能是同一宏观 regime 的共同投影。检验跨周期稳定性，而不是拉长同一周期样本；
- 研究纪律的形式化：有了 checklist 和自动回测平台，反而批量生产「通过全部检验的平庸因子」。流程管住下限，alpha 上限永远来自对市场结构的洞察。
关联阅读：回测偏差大全 是本篇在工程层的展开；经典策略复盘 是误区如何变成真实亏损的历史证据；研究 checklist 把鉴别法落成表格。