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

摘要

• 吴浩哲的核心判断与其他行业正好相反：金融里“决策是几乎免费的，真正贵的反而是行动”。 市场每秒都在报价，一个 agent 一天可对几千只股票各给一百个判断；所以 AI trading 不是神谕式预测涨跌、也不是自动下单躺赚，而是“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”，由 harness 和人决定哪些决策有资格变成行动。
• 开源项目 Web Trading 于今年 4 月 1 日开源，不到半年破 3 万 GitHub star，成功来自从专业量化工具向普通人交易台的转向。 前身 Quant Agent 有 400 多个因子、9 个市场回测引擎，但“量化对普通人来说就是天书”——人要为行动负责就必须能向自己解释行动，产品因此改为输出现金流、催化剂、风险这类讲得清的理由，并踩中三四月市面没有 all-in-one financial desk agent 的窗口。
• 最具交易含义的预判：AI 普及将把信息消化压缩到几秒，“读”的优势可能归零，alpha 可能从单信号迁往跨 desk 组合。 他记得好像是 2022 或 2023 年的一篇论文《安息吧财报后漂移》：美国一些指数中的财报后漂移从 2006 年起好像已不存在；人人可一键跑因子后，单因子 alpha 可能迅速消亡。同时错误传播更快——有人好像曾用 AI 生成“五角大楼附近发生爆炸”的内容，导致美股短暂下跌；多个 agent 的研究结果显示，它们可能不约而同产生类似合谋、内幕的行为，确权与监管“现在都没有答案”。
• 竞争要素排序：模型智商与独家数据的边际价值在下降，数据对齐与 harness 在上升，最核心是数据对齐。 “数据多其实真的不等于有阿尔法”，买数据的真正作用只是让命题可被检验；对齐的坑包括复权与千美元/美元口径、“1M 是一个月还是一分钟”（前天刚修的真实 bug）、降级数据源金额差六七个数量级，以及回测严守 PIT 不偷看未来。
• 对近来火热的 JARVIS（A 中称呼有混写）做 trading，他直接泼冷水：帮助不能说没有，可能约等于零。 它优化的是金融里本来免费的决策侧；官方文档里好像写过的弱项——数学计算、日期比较——“偏偏是金融领域本来的样子”，且只给概率不给理由：返回 50% 可能只是抛硬币，本质上可能是一种幻觉；90%×90%=81% 悄悄假设独立，而金融判断常共享同一条可能错误的新闻。正确定位是“门口的分拣员，不是快递员”。
• 实战上他 80% 到 90% 遵循 AI 建议：7 月存储板块很热，随后经历整体下跌近半月；市场讨论中国厂商扩产是否会压低存储行业价格时，agent 分辨出内存、闪存、机械硬盘受冲击不同，财报前买入希捷。 但他拒绝全自动，理由是“确权”——每一次开仓、每一次亏损都要有人负责；并留下哲学式收尾：“会不会有一种可能是人需要 AI 来体现自身的价值”，human-in-the-loop 会长存。
• 给入门者的第一课：先隔离风险、开单独账户，“不能把它当做致富密码”。 舆情反指等任何方法一旦大众化必遭反制——“相当于你一直在打游戏，对手在变，版本环境也在变”；更好的用法是让 AI 帮你尝试从未试过、但契合自身天赋的市场，无论是大宗商品、基本面选股还是技术图形。

精读

1. 三万星 Web Trading 的转向：量化对普通人是天书

• 浩哲的履历就是 AI trading 编年史：武大数学系、港大 HKU DS 在读博士，从挖因子、深度学习、大模型读文本到 agent，“几代都亲手做了个遍”；项目 4 月 1 日开源，不到半年超 3 万 star，贡献者来自 20 多个国家和地区。
• 前身叫 Quant Agent，为量化研究员而做：400 多个因子、9 个市场回测引擎、各类统计检验；后来发现需求相悖，改成覆盖宏观、基本面、量化、风险回顾的二级市场交易台——“量化对普通人来说就是天书”，IC、夏普比率解释不了“我为什么要买这支股票”。
• 底层理念：“行动很贵，一个人要为自己的行动负责，他就必须要向自己去解释这个行动。一个他看不懂的量化信号，他不会为他去掏钱，也不会为他去担责。”
• 至于爆火，他归因于“踩对时间了”：今年三四月市面上没有一个 all-in-one 的 financial desk agent，从业者也能在里面把 fundamental 经验直接转成可自动执行的量化策略。

2. 定义 AI trading：金融里决策免费，行动才贵

• 与其他行业相反：软件开发里 AI 让“做”变便宜、难的是决定做什么；金融里“决策从来不稀缺”——市场每秒都在报价，一个 agent 一天可对几千只股票各给一百个判断，“真正贵的反而是行动”。
• 先说不是什么：不是“AI 预测明天涨还是跌，像一个神一样去发他的神谕”，也不是自动下单躺着赚钱。他的定义：在几乎免费的决策和代价昂贵的行动之间，建一条可被验证、可被审计的通道。
• 三个角色分工：模型产生决策（便宜且只会更便宜），harness 决定哪个决策有资格变成行动，人制定规则并对规则外的事拍板——这一侧最贵。
• 与传统量化的分野：量化是人先把决策固定成规则、机器便宜地执行，“责任在写规则的那一刻就已经定下来了”；AI trading 读非结构化的新闻、公告、电话会、社交媒体，决策不停冒出，需要“一个闸门一样的东西持续把关”。

3. 研究方法论：区分事实与假设，敢于停在“不能判断”

• 现金流例子：AI 先整理财报公告、列出数字出处与时间，再分清哪些是材料里的事实、哪些是 agent 的假设，然后检验——改善来自应收账款回收还是延后付款？同行怎么变？有没有相反证据？
• 关键纪律：证据不够时“必须要停止在不能判断，而不是说给你一个模棱两可的结果”；最后要不要下单，交给人。
• 曲凯问交叉验证里的人为 know-how，浩哲“武断点来讲”：所有行业 know-how 都可由 AI 判断，因为知识已在模型迭代中被蒸馏进去；人真正要管的是风险层面——每个人能承受多少风险，AI 不知道。
• 那为何不直接问 GPT？Codex、Claude 偏黑箱、有幻觉，重新运行结果不确定；自建工具能“完全控制模型能生成什么、什么必须通过正确的计算来做”，可审计、可验证、可重新运行。

4. 舆情反指有效，但一切边都会被反制

• 扒 Twitter、Reddit、小红书的散户情绪“可以说是有效的”，因为论坛舆情很多时候是反向指标——但一旦人人都做，机构可以放机器人制造虚假信息反制，“本质上这个事情就是一个零和博弈，你赚的是别人亏的”。
• 结论性的世界观：“没有任何时候是有一个一成不变的获利方式的……相当于你一直在打游戏，你的对手也在变，版本环境也在变”，方法、风险偏好、想法都要一直变。

5. 实战：八九成听 AI，希捷案例与不肯全自动的“确权”

• 他用自己的工具炒股，“80% 到 90% 遵循 AI 的建议”，自己只验收推理链条是否合理。
• 案例：今年 7 月存储板块很热，随后整体下跌近半月；市场讨论“中国厂商扩产会不会压低整个存储行业的价格”时，agent 提问内存、闪存、机械硬盘受冲击是否一样——显然不一样，但市场按行业整体定价，存在不充分定价；选中主要做机械硬盘的希捷，对比财报后的整体涨跌表现与历史样本，AI 结论偏谨慎，人机合作决定财报前买入。
• 为何不让 AI 自主操作？“更多的还是一个确权的问题”——哪怕量化已高度自动化，“你也需要为你的每一次开仓、每一次亏损负责”；他不认为 AI trading 会发展成人完全不管的纯规模化。

6. 当所有人都有 agent：财报后漂移之死与错误的高速传播

• 影响一：信息被价格消化越来越快。2000 年前著名的“财报后漂移”——好财报后股价数天到数月慢慢上漂，因为读财报、改模型、开会、下单每步都要人做；他记得好像是 2022 或 2023 年的一篇论文《安息吧财报后漂移》指出，美国一些指数中的漂移从 2006 年起好像已不存在。他的判断是，AI 普及后无论什么信息，都可能缩短到几秒消化，“比别人先读到或者先读懂，就没有那么值钱了”。
• 影响二：超额从单信号搬到组合条件——人人一键跑因子时单因子 alpha 可能迅速消失，真正有价值的是把数据同时拿到、对齐、拼接的跨 desk 协作能力。
• 影响三：错误传播更快。有人好像曾用 AI 生成“五角大楼附近发生爆炸”的内容，导致美股短暂下跌；他和团队研究过多个 agent 同场交易，一些研究结果显示，它们可能不约而同产生类似合谋、内幕的操作——责任在模型厂、使用者还是交易所，“是一个现在都没有答案的问题”。

7. 四要素排序：对齐与 harness 升值，智商与独家数据贬值

• 好系统的定义：“决策尽可能多而且便宜，行动尽量的少”，每个行动有来由、有边界、有人负责；收益率胜率“不是原因，更像是结果”。坏系统两种：把每个便宜决策都变成行动的过度交易，或谨慎到一单不敢下又说不出为什么。
• 分工：模型智商决定系统能想到什么，独家数据决定别人有没有想到，数据对齐看想到的是不是真的，harness 决定想错了能不能被拦住。前两样的边际价值在下降，后两样在上升，最核心是数据对齐。
• 对齐的真实坑：价格有没有复权、单位是千美元还是美元；“1M 到底是一个月还是一分钟——这不是一个段子，是我们前天刚刚修的一个 bug”；小交易所数据源挂掉降级到加密货币美元计价源，金额差六七个数量级。
• 还有 PIT（point-in-time）：2020 年的一次选股若用了公司后来才更正的数字，“相当于提前看了答案，回测肯定是好的”；缺数据时 agent 要主动暂停报告，而不是静默继续跑回测。

8. 独家数据祛魅，与 JARVIS 的“分拣员”定位

• 曲凯 pushback：机构能合规提前接触董秘、电话会，独家信息影响是否巨大？浩哲很肯定：“数据多其实真的不等于有阿尔法”——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；买数据的真正作用是“让你的命题可以被检验”，很多想法失败只是数据不够或口径没对齐。散户拼不过机构的数据广度，能拼的是对齐质量和组合想法。
• 对火热的 JARVIS（原文称呼有混写）做 trading：“不能说没有吧，可能就是约等于零”。它把反复调用大模型变得又便宜又快，但优化的是金融里本来便宜的一侧——“把原本不太值钱的东西变得更便宜了”；官方文档里好像写过的弱项是数学计算、日期比较，而“它不擅长的东西偏偏是金融领域本来的样子”。
• 只给概率不给理由是致命伤：没有分析链条，“等你反应过来的时候它可能已经亏了很多钱了”。合适位置是初筛——新闻是否关于这家公司、原始公告还是转载、材料相关性，一天几万几十万次、错了影响有限：“更适合当一个门口的分拣员，不适合做把整条链路都交付给你的快递员”。
• Forecasting 的深层问题：交易是“对概率下注，而不是对答案下注”，赚你的概率与市场隐含概率的差再扣成本。返回 50% 可能只是抛硬币，“本质上不也是一种幻觉吗？那你就不该行动”；两个 90% 相乘得 81% 悄悄假设了独立，而多个判断常用同一条新闻，新闻错则全错。

9. AI for finance ≠ AI for trading，分层增益与哲学收尾

• 他日常用 Codex 和 Claude，凡与主观投资相关的能力“已经做得很好”——主观投资本质是 Deep Research，去年就有明确答案，AI 做得确实会比人好。AI for trading 问能否持续跑赢市场；AI for finance（SLP 五月开源的金融模板做估值复核、对账，Kimi 九月发布的产品也差不多）比拼接入机构数据、理解团队工作方法、成果可被同事接手——“模型进步已经没有那么重要了”。
• 分层增益：二三十分的人得到风险把控，不再听信小作文和抖音荐股；五六十分的人能做 fundamental、宏观等更深研究；八九十分的人让 idea 多维验证——做宏观的不会写代码回测，做量化的理工科不懂价格背后的经济学。至于“白酒一定不会消失”式的信念之争，他归为“情感陪伴”：人自说自话，AI 用逻辑回他。
• 哲学收尾：“会不会有一种可能，是人需要 AI 来体现自身的价值？”哪怕未来 AI 不再需要人审核把关，人也需要参与以保有方向感、意义感——“人的决定权不能随着机器能力的上升而消失”。
• 0 到 1 建议：先明确风险偏好、单独账户隔离资金，“不能把它当做致富密码”，因为反制手段肯定会出现；再让 AI 帮你尝试从未试过的市场——有人天赋在大宗商品逻辑，有人在几千只股票的基本面，有人在技术图形。