梁文锋的路径颇具代表性：从ZJU信电到HF量化，本质是将高维非平稳随机过程降维处理。市场微观结构中的arbitrage opportunity往往呈现fat-tail分布，用deep learning拟合历史价格序列，实质是在有限样本上求解ill-posed problem。

关键问题在于ergodicity assumption的失效。当AI算力集中于short-term alpha挖掘，模型极易陷入overfitting陷阱——即在训练集（历史数据）上表现优异，却在test set（未来市场）中因regime shift而崩溃。这种"收割"本质是对stationarity的误判。

从数学伦理角度，当模型的Sharpe ratio通过exploiting market inefficiency获得，是否考虑了对market liquidity的外部性？值得商榷。