梁文锋的幻方量化之所以能在 statistically arbitrage 中建立壁垒，从信息几何（Information Geometry）视角看，其本质是对参数空间统计流形（statistical manifold）的 metric structure 的深刻利用。
具体而言，深度学习模型的参数空间配备Fisher信息矩阵作为Riemannian metric，由此诱导的自然梯度（natural gradient）方向，比Euclidean gradient 更准确地反映参数变化的信息量。在 high-frequency trading 场景中，这意味着收敛速度的几何级优势——当散户还在用SGD在平坦空间摸索时，机构已通过Amari的自然梯度法沿着测地线（geodesic）直达局部最优。
这种"收割"并非单纯算力碾压，而是对信息几何结构的垄断。值得商榷的是，监管层是否意识到，量化交易的本质 asymmetry 源于 differential geometric 的认知门槛？
