8.0
深览指数
科技人人都是产品经理·42章经··AI 生成
AI Trading —— 决策便宜，行动很贵
港大博士浩哲认为，AI Trading 的核心是解决金融领域「决策便宜、行动很贵」的独特矛盾，即市场每秒都在提供海量决策，但每笔交易都要付出真实成本。因此，好的AI交易系统应降低决策噪音，确保每个行动都经过可验证、可审计的推理。文章基于作者构建开源项目 Vibe-Trading 的第一手经验，清晰拆解了AI交易系统（模型、数据对齐、Harness、人）的组成部分，并与量化交易、通用大模型（如Jev）在应用上做出区隔。适合对AI投资分析技术细节感兴趣、或想理解AI在金融领域真实边界的人阅读。原文 ↗
核心观点
- ▍AI Trading 的根本任务不是在交易决策侧（已经很便宜）提升效率，而是在行动侧（交易昂贵且不可逆）建立一套可验证、可审计的通道，让用户只对信服的理由采取行动。
- ▍金融领域「决策便宜，行动很贵」，与其他行业（AI帮做事，但决定做什么还是人）恰好相反。因此，AI Trading 应服务于「辅助主观投资」而非「取代人」，重点在于提供可信的解释，而不是更多决策。
- 01浩哲定义AI Trading系统包括：模型（产生决策）、数据对齐（检查数据可靠性）、Harness（判断决策是否适合行动，出现问题能否触发熔断）和人（划定边界、制定规则）。
- 02数据对齐是系统最核心部分，价格单位、时间粒度、回测数据的时效性等一旦出错，结果会差几个数量级。
- 03作者认为，模型智商和独家数据的边际价值正在下降，反而是数据对齐和Harness（决策转化为行动的闸门）的价值在上升，因为数据多不代表有 alpha，规律已被价格消化。
- 04浩哲认为Jev等模型对交易的帮助约等于零，因为它优化的是已经很便宜的决策侧，且不擅长金融核心领域（数学计算、日期比较），且只给概率不给理由，无法让用户信服并为之行动。
- 05作者举出自身案例：2024年7月，其AI agent 发现市场错误地将内存、闪存、机械硬盘的「存储」价格冲击等同，通过验证得出结论并指导其在财报前买入机械硬盘公司。该决策中 80%-90% 的研究由AI完成。
- 06预测未来市场变化：信息被价格消化速度将大幅提升（如财报后漂移消失）；超额收益可能从单个信号转移至跨数据的组合条件；信息处理加快导致虚假消息和误导性信息传播更快，带来监管难题。
- 07作者对投资者的增强路径是分层的：二三十分的人可控制风险；五六十分的人可尝试专业研究；八九十分的人可多维度验证观点（如宏观投资人做回测）。
反方 / 局限
- — 作者承认，机制上AI Trading 无法像量化一样一次性定好策略然后全自动执行，需要人持续介入划定边界，这一过程的效率与自动化程度之间存在先天矛盾。
- — 引用作者观点：AI Trading普及后，市场会出现「专门用来误导AI的假消息」，引发不可预测的波动，且责任归属难以界定——这说明AI Trading的安全边界面临外部对抗和监管挑战。
- — 作者也提示，不要把AI Trading当致富密码，因为「用的人多了，就一定会有反制手段出现」，承认了其应用的局限性。
12 分钟 · 4 卡片 · 9 资料
读原文 →