从三万 star 的开源项目说起

主播介绍嘉宾吴浩哲：港大在读博士、HKUDS 数据智能研究室成员、Vibe-Trading 作者，武大数学系出身，AI Trading 几代技术都亲手做过。项目今年四月开源，不到半年超三万 star、二十多个国家贡献者。

从量化工具改成普通人的交易台

项目原名 quant agent，有四百多个因子、九个市场回测引擎，后来发现需求相悖，改成覆盖二级市场全部环节的交易台。嘉宾提出金融需要可解释性，看不懂的量化信号没人会为它掏钱或担责。

决策便宜，行动很贵

嘉宾给出核心论点：别的行业是 AI 让做变便宜、难在决定做什么，金融反过来——决策几乎免费，行动才昂贵。AI Trading 要在二者间建立可验证可审计的通道，由模型产生决策、harness 把关、人划定边界，并以财报现金流分析为例说明从材料到假设到验证的流程。

舆情反向指标与零和博弈

讨论用论坛评论分析散户情绪的做法，嘉宾承认有效但指出一旦普及必有反制，交易是零和博弈，没有一成不变的获利方式。他判断行业性脑力工作都可交给 AI，需要人判断的只剩风险承受层面。

为什么不用现成大模型聊天框

第三方工具的价值在于可验证、可 rerun 的流程，聊天框偏黑箱且有幻觉，每次重跑答案不确定。嘉宾称自己实盘八成到九成遵循 AI 建议，人负责验证推理链条与最终验收，并解释不让 AI 全自动是权责问题。

AI 普及会怎样改变市场

嘉宾给出三点：信息被价格消化的速度会从财报后漂移的几天几周缩短到几秒；超额收益从单个因子转向跨数据的组合条件；错误传播更快，AI 造假消息可致市场短暂下跌，多 agent 交易的责任确权目前无解。

好系统与坏系统的定义

AI Trading 拆成数据对齐、harness、模型、人四块。好系统是决策多而便宜、行动少且有来由有边界有人负责，收益率只是结果；坏系统要么过度交易，要么过度谨慎。智商与独家数据边际价值下降，数据对齐与 harness 上升。

数据对齐：口径、PIT 与缺数据

嘉宾举真实 bug：EM 被弱模型随机分配到月线或分钟线、小交易所降级数据源导致金额差六七个数量级；回测用到后来才更正的数字等于偷看答案；缺数据时系统应主动暂停。他强调数据多不等于有 alpha，买数据的作用是让命题可被检验。

大方向判断更像情感陪伴

主播问『白酒一定不会消失』这类主观判断 AI 能否做，嘉宾认为这已不是逻辑问题，而是人自说自话、AI 用逻辑回应，本质接近情感陪伴。

给 Jev 泼一盆冷水

嘉宾认为 Jev 对 AI Trading 帮助约等于零：它优化的是金融里最便宜的决策侧，不擅长数字日期与噪音文本，且只给概率不给理由。它更适合当门口分拣员做新闻初筛，不适合当快递员。交易是对概率下注，五五开就不该行动。

概率相乘的独立性陷阱

两个各百分之九十的判断直接相乘得百分之八十一，悄悄假设了独立；金融里多个判断常依赖同一条新闻，新闻错了全部假设皆错。嘉宾称主观投资本质是 deep research，去年已有明确答案，AI 做得比人好。

AI for Finance 与 AI Trading 的分野

前者问 AI 能否持续跑赢市场，后者问 AI 能否让金融机构工作更好，如估值、材料、对账，侧重稳定与每天可用。未来差距在能否接上机构数据、理解团队工作方法、让成果被同事复核修改，模型进步已不那么重要。

三十分、六十分、九十分的人各得到什么

低水平者获得风险把控与基础研究，不必听信小作文；中等水平者能做基本面与宏观等更专业研究；高水平者让 idea 在多维度被验证，做宏观的不会写代码、做量化的不懂经济学原理，AI 补上这一块。

人的决定权不应随机器能力上升而消失

嘉宾提出反问：未来会不会是人需要 AI 来体现自身价值。工作除了收入还让人感到被需要，所以哪怕 AI 足够强，最后仍是 human in the loop——人需要通过创造、决定、承诺与责任感受生命的分量。

给入门者的两条建议

第一，先想清楚愿意花多少钱承担风险，做好隔离、用单独账户，不要当成致富密码；第二，借 AI 去尝试没试过的市场，因为很多散户亏钱只是市场不适合自己的天赋点。