金融交易AI与垂直应用
讨论大模型与Agent在量化、投行等交易与金融场景中的商业化
2个信源 · ↑6×参与该主题的先锋
全部段落
10月22日
- Anekha Sokhal Moshi 的定位刻意不是“新 Bloomberg”——创始人 Anekha Sokhal 的说法是：“如果 Bloomberg、Claude 和 Netflix 生了个孩子，那就是 Moshi。” Netflix 的部分是字面意思：Moshi 自建推荐系统，实时找出交易员关注事项的“二阶、三阶影响”——比如能源股走势如何间接影响油价；这类信息“不是看新闻流就能得到的”。
- Latent Space “我说完这句话要 4 秒，而同样这段时间里，Moshi 已经学会了300件新东西。” 数据覆盖期货时间序列与技术指标、供需基本面、非结构化新闻/X/播客音频，以及用户私有数据（内部分析师观点、霍尔木兹海峡 LNG 船舶数量），并将它们融合进“N 维图谱”，承诺把“通常要花几天才能得到的答案”压缩到30秒内。
- swyx swyx 从买方角度给出了本期最有力的压力测试：他说自己在 Balyasny 时是最早使用 X Firehose 的一批人之一，称获取全部推文每月约需30万美元，并质疑自己是否会据此交易——“有时人们只是随口胡说，有时则有人试图操纵市场。” Sokhal 的回应是，大宗商品供应商和 LNG 设施会在 X 上发布状态更新，属于可信信息源；Moshi 会附上置信度评分，而 Reuters、Bloomberg 与《华尔街日报》之间的分歧“本身就是一个数据点”——是否存在交易机会则不得而知。
10月2日
9月27日
- 吴浩哲 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 …
- 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 …
- 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 …
- 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。
9月22日
- Gabe Stengel Stengel 的 2 年框架：重做公司，而不只是等待模型变强。 他引用 Dario Amodei 所说的“数据中心里的一整个天才国家”，并追问：如果这些天才明天就出现在 Goldman、Millennium 或 Citadel，它们究竟会怎么做？他的答案是：“未来 5 年，对每一家优秀投资机构而言，最大的挑战就是想清楚如何把 AI 应用到投资 …
- Rogo 的产品时代与模型时代直接对应：o1 Pro 让它成为可靠的搜索工具；2025 年底和今年年初的 Opus 4.5，则让模型“基本能够胜任初级投资专业人士或初级银行家所做的一切”。 Stengel 坦承存在“先发者劣势”——早期应用型 AI 产品很糟，因为模型还没到位；但如果你判断对了终局，“等它们真正做到时，一切会变得不可思议”。
- 反直觉的是，Rogo 的核心市场不是二级市场股票，而是交易人士，因为私募市场的协同和交易基础设施仍高度依赖人工。 二级市场数据更充足，自动化程度也更高；而 Rogo 覆盖的大量场景其实是“冰山水面下的部分”——数据室、DDQ、CRM 和 LP 报告。垂直 AI 的通用经验是：要在最后一公里基础设施缺失严重、且“与[模型公司]想做的事情垂直错开”的地方建立业务——Anthropic 不会去做数 …
- 投资中的超额回报足以支撑极高的 token 消耗：“投资者愿意为一个真正好的投资想法支付5万美元。” Stengel 想象的前沿形态，是每位 PM 配备 10,000 个 agent，让它们连续 24 小时“社交、讨论想法、发表高论”，最终筛出一个投资机会；他坚持认为，模型已经“比我认识的任何人都聪明”，现在缺的是基础设施，以及让 agent 在公司内部实现一对多协作时仍能完成压 …
- Rogo 目前按席位收费，类似 Bloomberg 或 FactSet，但 Stengel 希望完全跳过按用量计费，直接转向按结果收费：“如果我只对我给你的每一个好投资想法收费，会怎样？” 他现在可以容忍客户成本与使用量不匹配，因为“我们的产品路线图才走了1%”；终局是一个类似 Bloomberg 的交易所，由 agent 而不是人来协商和完成交易，因此“KKR 弄清楚能不能把这家被投公司卖给另一家 sponsor，只需要5分钟，而不是5个月”。
- 对传统机构而言，这是一场严重的品类级创新者窘境；他的诊断问题非常残酷：如果今天90%的企业价值来自人，但10年后90%的价值将来自软件、数据和系统，“你会从哪里开始做起？” 他的答案是：把“存在于最优秀员工潜意识里的东西”提取出来，放进自己拥有的系统；如今看起来有先见之明的案例，包括他称为“Molus”的某家公司的联合创始人 John Momtazi——他们 2 年前提出要给顶尖银行家制作数字克隆时，听起来“简直疯得离谱”。