AI Trading —— 决策便宜，行动很贵｜对谈超 3w Star Vibe-Trading 作者浩哲

大家好，今天我们很开心请到了浩哲。浩哲之前做了一个 AI trading 的开源项目，非常成功，有很多 star，而且他自己也是用户。所以今天想请他来跟大家一起交流一下，现在 AI trading 有哪些新的变化。浩哲，你先简单自我介绍一下。

感谢曲凯老师。大家好，我是吴浩哲，现在是港大的在读博士，就读于 HKU DS 数据智能研究室，同时也是开源项目 Web Trading 的作者和维护者。

我本科毕业于武汉大学数学系。这几年我一直在做 AI 和量化交叉的事情，从最早的传统挖因子，到后来的深度学习，再到前两三年比较火的用大模型处理文本，以及最近的 agent，差不多把 AI trading 的这几代都亲手做了一遍。

今年 4 月 1 日，我们把 Web Trading 开源了。到今天还不到半年，GitHub 上已经有超过 3 万个 star，也有来自超过 20 个国家和地区的贡献者。做完这些以后，我感觉自己对整个 AI trading 的看法，和一开始已经很不一样了，所以今天刚好可以和曲凯老师好好聊一聊。

我们要不先从你的开源项目讲起？能不能先给大家介绍一下这个项目？

1. Web Trading Democratizes Research

Web Trading 是什么，我想用一句话来概括：它相当于给每一个普通人一支跨代次的研究团队。你用自然语言提出一个投资想法，它就可以覆盖宏观、公司基本面、量化，以及一些风险回顾。

其实一开始，Web Trading 并不是这样的。一开始它是给量化研究员使用的专业工具。这个项目启动得比较早，去年年底的时候，内部名字还叫 Quant Agent。因为我们本质上做了很多量化相关的东西，包括 400 多个因子、9 个市场的回测引擎，以及各种各样的统计检验。

但今年我们发现，大家的需求和这个方向其实挺相悖的，所以我们慢慢把它改成了一个二级市场交易台，覆盖所有二级市场应该有的方面，量化只是其中的一部分。

我觉得这个变化背后，有一个我越来越重视的问题，就是研究结果能不能让人检查，能不能让人理解。大家都说金融需要可解释性，但从另一个角度来说，量化对普通人而言就是天书。你让一个普通投资者去看因子信号、IC 或者夏普比率，他其实什么都解释不了，根本没办法通过这些数字告诉自己：“我为什么要买这支股票？”

这和我最近一直以来的一个观念很像，就是行动很贵。一个人要为自己的行动负责，就必须向自己解释这个行动。一个自己看不懂的量化信号，他不会为此掏钱，也不会为此担责。

所以，如果作为一个开源项目，想让更多人用起来，我觉得就需要辅助用户进行主观投资，把 AI 的研究变成他能够讲清楚的理由：这家公司的现金流怎么样，催化剂是什么，风险在哪里。最后是否采取行动，还是由他自己决定。

过去一段时间，甚至过去几年，大家一直在用 AI 尝试做金融和财务领域的很多事情，尤其是炒股。我记得之前看过一个数据，说某个模型的第一大使用场景就是用户和它聊天，而用户其实是在问各种股票相关的问题。

是的。

所以我想问一下，你觉得 Web Trading 之所以成功，除了刚才讲的理念之外，还有哪些具体因素让它这么受欢迎？

我觉得更多是踩对了时间。今年 3、4 月那个时间点，市面上还没有一个 all-in-one 的 financial desk agent 出现。可能我们更多是踩中了那个风口，同时也确实想把这些复杂的能力下沉给普通用户，所以我觉得这是一个很关键的点。

你所谓的 all-in-one，具体是哪些方面的 all-in-one？

就是整个二级市场的工作台。哪怕你不是普通用户，而是一个从业者，也可以在里面完成一些原本的工作。

比如说，如果你是做基本面的，完全可以用这个工具测试一下自己对整个宏观市场的直觉，或者测试自己的量化思路；也可以直接把过去做基本面的从业经验，转换成一个能够自动化执行的量化策略。

明白。其实你刚才也提到，我们之前聊过，有些人认为 AI 会给量化带来新一代的变化和机会。但后来大家发现，更多能看到、接触到的，似乎是 AI 在辅助主观投资。

当然，我们提到 AI trading 这个词时，我觉得各种投资行为都可以理解成 AI trading。主观投资算 trading，量化也算 trading，包括很多人用 AI 做 forecasting，再据此交易，也都属于类似的范畴。

能不能请你解释一下 AI trading 这个词，以及它最适用的场景？

2. Action Costs More Than Decisions

在讲 AI trading 的定义之前，我想先讲一下我这一年以来最确定的一个观点。

这一年以来，在其他行业里，大家经常会提到一个问题：AI 让“做”变得很便宜，难的是决定做什么。比如软件开发，AI 可以帮你写代码、测试、排查错误、运行和运维，成本也下降了。但在开发流程中，仍然需要很多重要判断，比如用户需要什么功能、值不值得做、方案如何取舍。

但我觉得，在金融里面这件事其实是反过来的。金融里的决策从来不稀缺，因为市场每一秒都在报价，每个价格背后都有人做了一个决定。社交媒体上每天也有很多观点，一个研究 agent 一天可以对几千只股票各给出 100 个判断。决策很多，几乎是免费的，真正贵的反而是行动。

所以在讲定义之前，我所有的观点都围绕一句话：AI trading 更多的不是让模型做出更多决策，而是决定哪些决策更有资格变成行动。

现在大家一听到 AI trading，脑子里通常有两种画面。第一种是 AI 预测明天涨还是跌，像一个神一样发布神谕；第二种是 AI 帮我自动下单，我每天早上一起来就可以躺着赚钱。这两种其实都只看到了很小的一部分。

我的定义是，AI trading 是在几乎免费的决策和代价昂贵的行动之间，建立一条可被验证、可被审计的通道。

展开来说，如果我们要把一个投资判断从想法走到下单，再走到复盘，其中有 3 个角色。模型负责产生决策：读材料、想假设、写代码、给判断。这一侧很便宜，而且随着未来模型的发展，只会越来越便宜。

Harness 负责决定哪些决策有资格变成行动。人则负责决定什么能做、什么不能做、做到多大，规则之外的事情由谁拍板，以及如何制定 harness 的规则。这一侧反而是最贵的。

讲到这里，就会自然出现一个很值得讨论的区别：AI trading 和传统量化有什么不同。

传统量化是人先把决策想好，固定成规则，然后让机器以很低的成本大量执行。责任在写规则的那一刻就已经确定了，因为开发量化策略时，可能一开始就知道换手率和策略容量是多少。

而 AI trading 是机器不停地产生决策，它读取的更多是非结构化数据，比如新闻、公告、电话会和社交媒体。决策在不断冒出来，所以责任不像量化那样，只需要在写规则时确定一次。我觉得它需要一个像闸门一样的东西，持续对这些决策进行把关。

举一个例子。比如我们分析现在一些很热门的股票的基本面，就会去看它的现金流到底是真的经营改善了，还是一次很偶然的变化。

AI 可以先帮你整理财报和公告，把相关数字、出处和时间全部找出来，再列举一些可能的假设和解释。这里最重要的是分清哪些是材料中的事实，哪些是 agent 根据材料提出的假设。

接下来，我们需要根据这些假设做检验。比如现金流改善是来自应收账款回收，还是只是延后付款？同行是怎么变化的？有没有和之前判断完全相反的证据？

如果进一步需要把这个想法变成交易策略，那我们还要确认，到底能不能拿到实时信息；回测有没有偷看未来；扣掉所有成本之后，结论是否仍然成立。

所以，在整个金融研究里，最后应该留下的是一个有依据、也有适用条件的判断：哪些证据支持它，哪些信息我们没有。发生变化时，我们要修改结论。比如突然获得了新的信息，但如果证据不够，也必须停在“不能判断”，而不是给出一个模棱两可的结果。

至于最后要不要买卖、要不要下单，那就交给人类决定。总而言之，我觉得 AI trading 更多是一个从材料到假设、从假设到验证，再到有边界的执行和复盘的过程。

所以我的观点和现在市场上的主流观点还挺不一样。现在大家讨论的，更多只是其中的一步。

我知道现在有些人在用 AI 抓取 Twitter、Reddit 里面的很多评论，分析散户对某支股票或者某类资产的情绪。这和我们刚才讲的实际看逻辑、看数据还不太一样，它更多是在看市场情绪。

不知道你有没有做过这样的事情？你觉得这种做法实际带来的价值怎么样？

我确实做过这样的事情，也可以说这种做法是有效的，因为大家都知道，论坛上的舆情很多时候其实是一个反向指标。

当然，它会带来一个问题：如果每个人都这么做，一定会有人反向而行。比如当大家都知道其他人开始抓取小红书、推特上所谓散户的发言时，机构能不能弄一些机器人，专门制造虚假信息？

这很有可能，而且没有人能说得很确定。因为本质上，交易是一个零和博弈，你赚的是别人亏的钱。一旦一个方法被大众充分知晓，就一定会出现相应的反制行为。

再扯远一点说，不存在一成不变的获利方式。更多时候需要一直变化。打个比方，就像你一直在打游戏，你的对手在变，版本环境也在变。你需要一直改变，方法要变，风险偏好要变，想法也要变。

我在想，你刚才提到交叉验证。比如看完 A 这支股票，还要看整个行业，再去看 B、C，这里面其实有很多人的 know-how，对吧？

有的人会觉得，看完 A 的利润之后，要看一下行业利润；有的人可能更关注 A 的收入，或者 A 最近的投入和成本。哪些是 AI 可以自主决策、判断的，哪些需要人加进去？

我可以武断一点说，所有行业 know-how 本身都可以由 AI 来判断。因为本质上，这些知识在模型迭代的过程中都已经被蒸馏进去了。

需要人来判断的，更多是风险层面。一个人到底能承受多少风险，AI 其实不知道，因为每个人都不一样。所以我觉得更多是这个层面。

如果模型已经把这些都整合进去了，那所有人自主使用 GPT 或者其他 AI lab 的产品，直接在聊天框里提问、分析，和单独做一个第三方工具，区别是什么？

区别更多在于我们刚才提到的可审计、可验证，以及能够重新运行的一整套流程。

本质上，无论是 Codex 还是 Claude，我们都可以把它们理解成偏黑箱的东西。很多时候，你没有办法重新跑一遍同样的数字。再加上大模型会有一定的幻觉，所以每次重新运行，未必能得到确定的答案。

我们需要自己的工具，更多是因为可以完全控制模型生成什么，以及哪些东西必须通过正确的计算来完成。

我感觉确实是这样。那你现在自己炒股的时候，会使用自己的工具吗？

对，是的。

你觉得最后实际操作、买卖的时候，有多大程度会遵循 AI 的建议？

我相信有 80% 到 90% 都会遵循 AI 的建议。我的作用更多是像刚才提到的那样，验证一下推理链条是否合理。

这里也可以举一个自己的例子。今年 7 月，存储板块不是很热吗？后来也经历了一段整体下跌，大概接近半个月。那段时间大家讨论的一个问题是，中国厂商扩产会不会压低整个存储行业的价格。

我的 agent 提出了一个问题：内存、闪存和机械硬盘其实都叫存储，它们受到的冲击会一样吗？然后它就围绕这个问题做验证和实验，最终得到的答案显然是不一样的。但整个市场会因为这些新闻，对整个行业进行定价。

这意味着其中会有一些定价不充分的地方。当时它选到了一只股票，叫希捷，因为希捷主要做机械硬盘。我们进一步对比了希捷在财报后的整体涨跌表现，以及一些历史样本。

AI 给出的结论虽然比较谨慎，但通过人和 AI 的合作，最后还是决定在财报前买入。用这个例子来看，大概有 80% 到 90% 的工作交给 AI 去做，我负责最后验收，以及检查逻辑是否合理。

如果 80% 到 90% 都已经在听 AI 的，那最终为什么不能让 AI 自主操作，甚至让它变成一个近乎量化的事情？

可能更多还是一个确权的问题。我并不觉得 AI trading 最终会发展成一个纯规模化的东西，让人完全不需要管，只需要让它自主决策。

即便是量化行业，尽管已经非常自动化，但你仍然要为每一次开仓、每一次亏损负责。

现在我感觉用 AI 做辅助交易的人越来越多了，包括各种机构和个人。这会对现在的市场交易产生什么影响？

比如你刚才举的存储例子，如果大家都用 AI，而且都使用类似的功能，那这个东西又会变成共识。市场会变化得更快吗？你觉得现在有没有已经出现一些苗头，未来又会怎么样？

3. AI Speeds Up Market Repricing

这个问题非常好，也是我觉得当今大家都应该关注的问题。我觉得大概有 3 点。

首先，也是最重要的一点，信息被价格消化的速度会越来越快。刚才曲凯老师提到，不知道大家有没有一个相关的知识：在 2000 年之前，学术上有一个很有名的经济学现象，叫“财报后漂移”。

好财报发布之后，股价并不是一天就涨到位，而是在之后几天、几周，甚至几个月里慢慢上涨。因为在那个年代，读财报、修改模型、开会、下单，每一步都需要人来完成。

但进入 21 世纪之后，这个时间一直在缩短。我记得好像是 2022 年或 2023 年，有一篇论文的名字很有意思，叫《安息吧，财报后漂移》。它指出，在美国的一些指数中，这种漂移从 2006 年起好像就已经不存在了，财报里的意外信息在发布当天就被完全消化。

我觉得随着 AI agent 的普及，接下来它甚至会缩短到只有几秒钟。无论是什么信息，市场都可能在几秒钟内完成消化。

这会带来一个很重要的投资者行为变化。过去，读财报是一件很有价值的事情，因为不是每个人都能读懂一份年报或财务报表。现在，这件事已经没有什么门槛了，每个人都有一个可能在 1 分钟内读完一份年报的 agent。比别人先读到或者先读懂，可能就没那么值钱了。

第二点在于，当所有人都有一个 agent 可以读取一份很强的研报时，超额收益可能会从单个信号，慢慢转移到组合条件上。

比如所有人都可以一键运行一个因子时，单个因子的 alpha 很快就会消失。剩下的机会不在单个 alpha 里面，而在于能否同时拿到这些数据，同时完成对齐，再同时把它们拼接到一起。真正有价值的东西，可能存在于跨 desk 的协作中，而不在单个因子的边界上。

第三点更偏监管一些。刚才我们提到，信息处理速度会变快，但这也会让错误传播得更快。这是现在很多监管部门都在关注的问题。

其中一类风险，是有人专门利用 AI 制造误导，比如制造假消息。我记得前几年好像有人用 AI 生成“五角大楼附近发生爆炸”，导致美股出现过短暂下跌。

当每个人都有很多系统直接读取消息、形成判断并下单时，这些误导就会非常快地传导到价格上。这对监管来说是一个很有挑战性的问题。

此外，还可能发生一些意料之外的情况，比如如何确权。我们也研究过多个 agent 在共同的股票市场中进行交易会产生什么影响。一些研究结果显示，它们可能不约而同地产生类似合谋、内幕交易的操作。

这些操作应该如何确定责任方？到底是模型厂商、使用者，还是交易所？这其实是一个现在还没有答案的问题。我觉得这些问题是当今最应该被解决的。

那你觉得 AI trading 里面最核心、最重要的到底是什么？如果所有人和机构都在使用类似的一套东西，这里面比拼的是什么？

4. Data Alignment Guards Action

AI trading 可以简单归成 4 类：数据对齐、harness、模型，以及人。模型有不同的智商，也有不同的偏好。

首先，我们要定义什么是好的 AI trading，什么是坏的 AI trading。我认为，一个做得好的 AI trading 系统，应该让决策尽可能多，而且便宜，但让行动尽量少。每一个行动都要有依据、有边界，并且有人负责。

至于大家很关心的收益率、胜率，我觉得它们并不是原因，更像是结果。一个完备的系统，可能自然而然就会得到一个很好的结果。

做得不好的系统有两个例子。第一个，是把每一个便宜的决策都变成行动，这就叫过度交易。最近我们看到很多用 agent 做 trading 的，本质上就是这一层。

另一种是过于谨慎，一个行动都不敢做，但系统也说不清楚到底为什么。这两种都是我觉得做得不好的系统。

有了这个定义之后，很多事情就清楚了。模型的智商决定了这个系统能够想到什么；独家的数据决定了它想到的东西别人有没有想到；数据对齐决定了它想到的东西到底是不是真的；harness 决定了它想错时能不能被系统阻止。

前两项更多是让决策变得更好，后两项相当于守护从决策变成行动的那一刻。这就回到我们最初提到的观点：金融具有反身性，决策很便宜，行动才是最贵的。

所以，我们并不需要在让决策变得更好这件事上下太多功夫。智商和独家数据的边际价值其实在下降。行动很贵，因为每一单都要付手续费，亏损了要自己承担，而且没法撤回。总不能亏钱之后说能不能未成年退款，大家也都知道不可能。

所以，后两项的价值正在上升，也就是数据对齐和 harness。如果要挑一个最核心的，我觉得数据对齐是最重要的。

数据对齐可能不只是一件事。我也可以举一些我们在开源项目中遇到的问题，其中有些还挺有意思。

第一个是口径对齐。最常见的问题是价格有没有复权，以及数字的单位到底是千美元还是美元。还有一个很有意思的点：1M 到底是 1 个月，还是 1 分钟。这不是段子，而是我们前天刚修的一个 bug。有些弱模型真的会把用户 prompt 里的“1M”随机分配到月线或者分钟线。

还有一种情况是，一些小交易所只有一个数据源。如果这个数据源挂掉了，系统会降级使用一些加密货币交易所、以美元计价的数据源。一切看起来都没问题，但金额可能会差 6、7 个数量级。所以，口径对齐非常重要。

第二个是量化里很重要的一个概念，叫 point-in-time，也就是 PIT。做回测时，很容易出现这样的问题：你在回测 2020 年的一次选股，可能用到了公司后来才更正的一个数字。

今天来看，我们可能觉得这个数字非常正确，但站在当时，没有人能够拿到它，毕竟那是未来的信息。你相当于提前看了答案，回测结果当然会很好。所以处理这些数据时，一定要严格做好 PIT 相关的工作。

第三个问题是，当数据缺失时，agent 能不能主动暂停，并告诉你这里缺数据，而不是默默使用这些数据，再去做因子回测。

你刚才提到，独家数据的价值可能没有大家想象中那么高。但我知道有些人做交易时比较看重谁在买、谁在卖，或者能不能提前拿到一些内部信息。当然，这里说的不是违法获取内幕信息。

尤其是一些专业机构和券商，可能会提前和董秘沟通，公司也可能有一些合法合规的电话会。如果这些信息能够提前拿到，是不是会对结果产生很大的影响？

我先给出一个非常肯定的答案：数据多并不等于有 alpha。

在大家都能拿到的日线数据和另类数据上，能够找到的规律其实已经被价格消化了。不太会存在通过购买一些数据，就直接找到 alpha 的情况。

我觉得，购买数据真正的作用，是让你的命题可以被检验。数据本身不会告诉你答案，只会让你验证自己的想法到底是对还是错。

很多时候，你以为一个想法不行，原因可能只是数据不够，或者口径没有对齐，而不是想法本身错了。

这又回到刚才的问题：很多人喜欢购买独家数据，但作为散户或者小团队，肯定要有自知之明。机构在数据上的投入，个人和小团队根本没办法相比。拼数据的广度肯定拼不过，能拼的更多是数据对齐的质量，以及把不同数据结合在一起的想法。这样反而可能抓到一些还没有被市场充分反映的价格信息。

我们今天聊的时候，你提了很多次 AI 帮忙读财报、看数据。这些我理解都是比较显性的内容，已经到了逻辑推演的后期。

但有些人可能更主观、更 fundamental 地做判断。比如有人觉得，如果 AI 产业发展起来，某些东西就会随之发展起来。这种事情是不是 AI 不太适合做？

5. AI Handles Deep Research

我觉得这反而是 AI 最适合做的事情。我可以把刚才的问题归结为价格传导链。

刚才您说“AI 起来了，什么就会起来”，本质上和油价上涨之后，美债价格、黄金会受到什么影响是一样的。AI 很擅长做 deep research 相关的事情。

但你说的还是比较严谨的逻辑链条。我讲的更多是另一种情况。比如举一个不一定恰当的例子，如果让 AI 只看财报，它也许觉得白酒不是一个很好的投资，但有些人会有一个更大的方向判断，认为白酒一定不会消失，然后据此做判断。这种事情是不是 AI 不太能做？

这会陷入一种扯皮的境地。我觉得可以把这个领域归为情感陪伴。

本质上，是 AI 和人在进行辩论。这个人已经不太在乎逻辑观点了，更多是在自说自话，AI 用逻辑回应他，但他还是会说：“我觉得它不会消失，它一定会好。”

所以最后就会变成这样一种状态。

我理解了。你刚才提到 Jav。你觉得 Jav 对 AI trading 的影响是什么？尤其是在 forecasting 领域，forecasting 本身很多时候是在做概率下注，JARVIS 是不是确实能在这些方面提供帮助？

6. JARVIS Cannot Explain Trades

可能要先泼一盆冷水。我觉得 Jeff 对 trading 的帮助不能说没有，但可能约等于零。

我能理解它受到关注、变得热门的原因。在 agent 浪潮中，大家反复调用大模型，只是为了得到一个答案，速度又慢，成本又高。但 Jeff 把这件事做得又便宜又快，相关生态也马上跟进了。

不过，把这种能力放进金融流程，我觉得还有很多问题没有解决。

第一个问题是，它优化的本来就是金融里非常便宜的那一侧。我们一直在说，金融里的决策很便宜，价格几乎为零。它缺的根本不是便宜的决策，而是一个从决策到行动、能够被大家信服的转换。

他本质上只是把原本不太值钱的东西变得更便宜了，所以对于整个 AI trading 领域，我觉得它没有起到太大的推动作用。

第二个问题是，金融最核心的一些材料，恰恰是它不擅长处理的。J F刚出的时候我也看过，记得官方文档里好像写过它的一些弱点，比如数学计算和日期比较。

但我们想一想，数字、日期、噪音很多的材料，以及有人故意误导你的文本，不正是金融世界本来的样子吗？它不擅长的东西，偏偏就是金融领域的真实样子。

另外一个问题是，它只给你概率，不给你理由。这就回到刚才提到的一点：如果你真的把钱交给 Jeff，你会在很长时间里相信它吗？

本质上，它没有给你任何分析链条，只是告诉你这个买、那个不买。等你反应过来的时候，它可能已经亏了很多钱。所以我觉得，这也是 Jeff 目前不太适合 trading 的原因。

当然，它在金融领域仍然可以用于很多其他方面。比如我们每天会收到大量信息，它可以做初筛：这条新闻是不是关于这家公司的？是原始公告还是转载？材料和问题是否相关？

这些问题比较便宜，而且量很大。一天可能要处理几万次、几十万次，不涉及复杂算术和日期。最关键的是，即使它做错了，也只是影响你少看了几个核心公告，但其他公告仍然会进来，对最终的个人判断不会产生太大影响。

形象一点说，Jav 更适合当门口的分拣员，不适合做把整条链路都交付给你的快递员。

刚才曲凯老师还提到 forecasting。这个问题其实也比较严重。我觉得交易的本质是对概率下注，而不是对答案下注。

一只股票的价格，可以形象地理解为对未来各种可能性的加权平均。你的赚钱逻辑，就是你的概率和市场隐含概率之间的差值，再扣掉成本。

概率决定你的决策应该配多大的行动。比如有 60% 的把握，就配一个小仓位；把握更大，就配更大仓位；如果是 100% 的概率，可能就会 all in。

但这里有一个问题：如果 jave 返回 50%，那可能就只是一次抛硬币，本质上不也是一种幻觉吗？这种情况下你就不应该行动。

所以未来一个重要的问题是，AI 说自己有多大把握，但这个把握到底靠不靠谱。

用一个简单的数学例子就能发现，如果它说两件事都有 90% 的把握，比如第一件事是这家公司下个季度营收会超预期，第二件事是营收超预期会带来股价上涨。模型对这两件事都给出 90% 的把握，很多人就会说，0.9 乘以 0.9，那这件事不就是 81% 的把握吗？

但这悄悄假设了两件事是相互独立的。它们真实的联合概率，你根本不知道。

金融里的这个问题尤其严重，因为很多判断经常依赖同一条新闻。如果那条新闻是错的，那么所有假设就全都错了。你即使对每个判断都给出 98% 的概率，它们也未必会成功。

你现在自己使用的是什么模型？你觉得目前的模型对于 AI trading 来说，大概处在什么水平？已经完全够用了吗？

7. AI Augments Every Investor

我日常使用的可能和大家差不多，比如 Codex 和 Claude。

能力方面，凡是和主观投资相关的事情，我觉得它们已经做得很好了。因为本质上，主观投资就是 deep research，而 deep research 这个问题在去年就已经有了一个很明确的答案：AI 做得确实会比人好。

现在很多 AI lab 都在做 AI finance，比如最近 Kimi 推出的一些东西。你怎么看？它和 AI trading 有哪些异同？

本质上，AI for trading 的最终目标，是想知道 AI 能不能持续跑赢市场；而 AI for finance 更多是让金融机构的工作变得更好。

比如 SLP 今年 5 月开源的那些金融模板，做的是金融机构里的估值复核、材料处理、对账等工作。Kimi 9 月发布的产品也差不多是这个形式。

这些产品更关注交付具体的工作成果，侧重点是能不能每天持续使用，能不能更稳定，而不是能不能持续获得经济性收益。

我个人认为，AI for trading 更多是一个需要不断对外表现出惊艳效果的领域。

接下来，整个 AI 金融产品之间的差距，我觉得更多会体现在细节上。比如谁能接入更多机构数据，谁能更好地理解一个团队的工作方法，谁能让成果被同事接手、复用和继续修改，谁才更有机会被长期使用。

讲到这里，大家也应该明白了：在这个领域，模型进步已经没有那么重要。单纯更换一个更强的模型，解决不了这些问题。

总结一下，你觉得 AI trading 的工具、模型和智能本身，对于投资者来说，更多是一种能力增强吗？

比如一个人的投资能力原本是 30 分，用了 AI trading 之后会从 30 分变成 40 分，还是可能变得更差，或者维持不变？一个 80 分的人使用之后，会变成 90 分吗？还是不一定？

一定会对某些人形成增强。我们可以分几个层次来讲。

如果是一个原本只有 20 分、30 分的人，AI trading 可以帮助他更好地进行风险控制和研究，不必再听信一些小作文或者抖音上的荐股。

对于 50 分、60 分的人，他们可能已经会做基础判断，但没有办法进行更深入的研究。有了 AI 之后，就可以尝试做一些更专业的事情，比如 fundamental 和宏观研究。

再往后，对于 80 分、90 分的人，我觉得 AI 更多是让他们的 idea 在各个维度上都得到验证。

比如以前从业时有一个现象：在各种二级市场机构里，一个做宏观的人很难亲自验证自己观点的历史回测，因为很多做宏观的人可能不会写代码；而很多做量化的人本身是理工科出身，又未必知道价格背后代表的经济学原理。

所以对于 80 分、90 分的人，AI trading 一定能够帮助他们从多个方面验证自己的观点，也能让他们变得更自信。

8. Humans Still Need Purpose

还有一个题外话。现在大家总想讨论 AI 能不能替代人，或者 AI 能不能直接帮助人做 trading。

但会不会有一种可能，不是 AI 需要人来帮它做判断，而是人需要 AI 来体现自身的价值？

这也是我最近一直在思考的问题。

举一个具体的例子。今天我们给 AI 定价，很多时候是看它能够解决多少复杂工作，节省多少工时，替代多少员工，以及对应多少工资。也就是说，AI 需要通过“替代人做什么”来证明自己的价值。

但如果未来模型足够强，很多事情都做得比人类好得多，这个问题可能会反过来。人是不是应该问自己：我还能做什么？这个世界还有什么事情需要我？

我觉得这可能比刚才谈论的所有事情都更有价值，因为这件事可能比失去一份工作更难受。工作除了带来收入，也会让人觉得自己被需要，对别人的生活产生了影响。

我觉得 AI trading 也是这样。如果你参与其中，就会得到一些正反馈。所以即使未来 AI 真的足够强，能够进行自主推理，我觉得最终可能仍然会是一个 human in the loop 的状态。

今天把人留在这个流程里，是因为 AI 产生的很多工作成果和文档都需要人审核和把关。即使以后它们真的不需要这么多帮助，不再需要审核和把关，我觉得人仍然需要参与，因为人需要保证自己的生活有方向感和意义感。

往深一点想，这里面其实有一点哲学和神学的意味。一个人值得被尊重，或者一个人的社会地位比较高，到底是因为他能够带来更多价值，还是因为他本身就是一个人？

这个问题现在可能还没有答案。但我觉得未来，人的决定权不能随着机器能力的提升而消失。我们需要通过创造、决定、承诺和承担责任，来感受自己的生命是有分量的。

当然，这有点扯远了，但我觉得 AI trading 大概也是这样一个发展方向。

对于现在对 AI trading 感兴趣，但还没有开始使用的人，你有没有一个从 0 到 1 的建议？大家现在应该先做哪些事情，怎样把它用起来？

当然，最好是大家可以先来用一用 Web Trading。

但我觉得，对于 AI trading 这个领域，如果大家真的想做，第一件事还是想清楚自己到底愿意拿多少钱来承担风险。要先隔离风险，不能把它当成致富密码。

坦白说，肯定会有相应的反制手段出现。它不可能一直赚钱，更多是一种新的交易模式。

所以第一件事，肯定是明确自己的风险偏好，确定投入多少钱，开一个单独的账户，然后想办法尝试一些自己过去没有尝试过的东西。

这一点也很有意思。很多散户可能只是因为自己所在的市场不适合他。当然，这不是说 A 股怎么样，而是说每个人的性格可能不同。

有的人适合做大宗商品相关的交易，对大宗商品的逻辑推理有自己的天赋；有的人适合在 4000、5000 只股票里研究各种基本面；有的人可能适合看技术图形，而且能做得很好。

每个人的天赋点可能都不一样。所以我觉得，也可以让 AI trading 帮你尝试一个过去从来没有接触过的市场或领域。

好，谢谢浩哲。

好嘞。