你管理一项赚钱的策略，准备把资金加倍。先拿几个小账户做对照：一部分加钱，一部分不加，而且只比较同一天的表现。这个安排看起来很严谨，却可能恰好漏掉最重要的东西——所有账户共同制造的拥挤。
这正是 Alejandro Rodriguez Dominguez 与 Miquel Noguer i Alonso 在论文《Robustness or Crowding》中讨论的问题。策略容量不是一个写死的资金上限，而是“再投入多少资本，原有优势会被侵蚀到什么程度”。论文把它从冲击成本估算，改写成一个因果识别问题：收益下降究竟由新增资本造成多少，而不是资金多时恰好遇上了差行情。
先分清三个不同的问题
量化机构通常会参考市场冲击——自己的交易推动价格、抬高成本——来判断容量。但容量还受拥挤影响：多个相似账户或策略争夺同一机会，累计持仓本身会压低后续收益。执行记录可以看到交易付出了多少成本，却看不到“假如没有其他资金挤进来，本来能赚多少”。论文因此认为，冲击模型至多从一侧约束容量，无法单独给出完整答案。
作者设想了一种实验。把同一策略拆成多个并行实现，称为 sleeves，可以理解为运行同一信号的多个账户或交易通道。研究者把它们随机分到不同资金档位，在一段固定时间内维持分配，再比较结果。
但这里有三个不同的效果。第一，一个 sleeve 自己增加资金会怎样。第二，它加钱后，通过共同持仓反过来影响自己多少。第三，整项策略的所有 sleeves 一起扩容会怎样。真正的策略容量关心第三个问题；常见的同期对照主要识别第一个。
越能排除行情，越可能排除拥挤
为什么要在同一天比较？因为市场每天都在变。同日对照可以消除全市场冲击，让差异更可信。这类似同时测试两条船：它们经历相同的风浪，速度差异更容易归因于发动机。
问题在于，这些 sleeves 交易相同证券，也共同承受策略累计持仓造成的拥挤。它们不是相互独立的实验单位。若研究者用“日期效应”吸收当天所有共同变化，市场风浪会被消掉，共同拥挤也会一起被消掉。
论文把这个矛盾说得很明确：在持仓重叠相同的条件下，抵御任意日期冲击与识别总体拥挤无法同时实现。这不是换一种统计方法就能补救的精度问题，而是数据里没有所需变化。实验只改变某个 sleeve 的资金，却把总体平均部署维持不变，自然无法回答所有资金一起上升的后果。
要测总体拥挤，设计必须主动创造差异。一条路是让 sleeves 对累计持仓有不同暴露，例如使用互不重叠的地区证券池、借券池或流动性层级；另一条路是利用总体部署随时间的变化。前者削弱了“这些实现确实可比”的假设，后者重新暴露于日期冲击，而且随着 sleeves 增加，复制实验带来的精度改善会趋于饱和。换句话说，稳健性不是免费午餐，它决定了实验究竟能回答哪个问题。
容量侵蚀不会立刻到齐
第二个难点是时间。新增资本形成持仓后，侵蚀会逐步累积，又缓慢消退。因此，固定持有期实验测到的是途中效果，不是长期稳定后的效果。
论文校准中，逐期重新随机分配所识别的即时效果，不到稳态斜率的十分之一。即使维持两年，实验末端与稳态效果仍相差约 13%；维持四年，缺口才降到 2%以内。这些数字来自作者在专门构建的面板数据上的校准与模拟，不是实际部署实验的结果。
怎么汇总一段实验也会改变答案。只取最后一期最接近长期效果，却浪费了此前轨迹；对整段取平均利用了更多数据，却把尚未充分积累的早期阶段也算进去。作者的模拟显示，只用末期观察的效率比区块平均低约三倍。若已从外部获得可靠的“积累核”——也就是资金影响随时间形成和衰减的路径——可以给后期观察更高权重并校正到稳态；理论上的最优权重相比区块平均只改善约 7%。
更值得警惕的是，边做实验边从同一批数据估计这条路径，表现反而很差。在论文设定的设计规模下，这种可行估计量的偏差约为目标的四倍，标准差约为区块平均的十四倍。作者据此主张：若要校正，宁可使用外部带入的积累路径；直接报告实验末端差异，则能提供一个少依赖模型的单侧界限。两种结果最好同时给出。
有限档位只能画出几根路标
即使实验设计正确，也不能从几个资金档位恢复完整的容量曲线。若只测试有限档位，研究者只能知道曲线在这些点上的位置，并把收益跌破门槛的交叉点夹在一个区间内。要给出单一容量数字，仍须增加函数形式、插值规则或曲率假设。
而“识别区间”也不等于“置信区间”。前者描述现有档位在理论上允许哪些答案，后者才描述抽样误差。论文模拟中，直接拿两个估计的档位均值夹住真实容量，覆盖率不到一半；连续加点细查，覆盖率还会降到五分之一以下。实验如何放置资金档位，与最后如何报告不确定性，必须分开设计。
为什么值得关注
这篇论文最有价值的地方，不是给出一个通用容量数字，而是改变扩容决策的提问顺序。机构不应先问“冲击成本是多少”，而应先问：我们要测单个账户的私有响应，还是整项策略共同扩容后的拥挤？愿意承担多少市场日期风险？关于影响持续时间，又准备依赖多少外部假设？
它也解释了为什么容量验证如此昂贵。把实验档位缩得更接近当前规模，并不会让试验成本趋近于零：档位越窄，牺牲的收益看似越小，但可识别信号也同步变弱，需要更多观察来补偿。作者因此用放弃的策略优势，而不是单纯用日历时间，为研究成本定价。
局限与未知
- 论文没有运行真实资本部署实验。相关结论来自理论推导、专门构建的面板校准与模拟，不能当作某项策略已经验证出的容量。
- “完全吸收拥挤”和“可以校正”依赖日期效应、持仓积累过程及暴露设计等假设。持仓重叠若并不一致，结论和可用设计都会变化。
- 论文说明了如何识别“稳健还是拥挤”，却没有证明某项策略的衰减究竟源于拥挤，还是策略本身天生不稳定。它提供的是实验边界与选择规则，不是最终诊断。