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

概览

本期围绕开源项目 Vibe Trading 展开。作者吴浩哲介绍了项目从专业量化工具向一站式二级市场研究平台的转变：AI 不仅处理量化信号，也覆盖宏观、公司基本面、风险检查和策略验证，目标是把投资想法转化为普通用户能够理解、检查和追溯的研究结论。

讨论的核心判断是：在金融领域，AI 生成决策的成本已经很低，真正昂贵的是投入资金、承担亏损并为行动负责。因此，AI Trading 的关键不在于制造更多买卖建议，而在于建立一条从材料、假设和验证通向有限执行与复盘的可验证、可审计通道。

对话进一步讨论了数据对齐、时间穿越、概率校准、市场效率和监管风险。随着 AI 普及，公开信息会更快反映到价格中，单一信号的价值下降，机会将更多来自跨领域组合验证；与此同时，假消息、模型趋同和多智能体的意外行为也可能更快传导至市场。

最终，人仍然需要决定风险边界、仓位和规则外事项。即使未来 AI 的研究与交易能力继续提升，浩哲也认为人的决定权不应消失，因为投资责任以及由决定、承诺和创造带来的意义不能简单外包给机器。

分段落总结

[00:17] 嘉宾背景与 Vibe Trading 项目

[事实] 吴浩哲介绍自己来自武汉大学数学系，目前在香港大学从事研究，也是 Vibe Trading 的作者和维护者。

[事实] 他此前先后接触传统多因子、深度学习、大模型文本处理和智能体，称自己经历了 AI Trading 的多代技术路径。

[事实] Vibe Trading 于当年 4 月 1 日开源，不到半年获得超过 3 万个 GitHub Star，并有来自二十多个国家和地区的贡献者。

[01:33] 从专业量化工具转向一站式研究平台

[事实] Vibe Trading 最初面向量化研究员，包含四百多个因子、九个市场的回测引擎和多种统计检验。

[事实] 团队发现用户需求与纯量化工具存在偏差，随后将项目改造成覆盖宏观、公司基本面、量化和风险回顾的二级市场工作台。

[事实] 用户可以用自然语言提出投资想法，再由系统组织跨领域研究。

[推测] 这一转型反映出项目的产品重心已从展示专业能力转向帮助用户形成可理解、可执行的投资依据。

[02:26] 可解释性与“行动很贵”

[事实] 浩哲指出，因子信号、IC 和夏普比率对普通投资者而言未必具有真正的可解释性，用户很难据此说明自己为什么要买入一只股票。

[事实] 他认为投资者必须为行动负责，因此不会轻易为看不懂的信号投入资金或承担后果。

[事实] AI 更适合辅助主观投资，把研究结果转化为公司经营、催化因素和风险等可以讲清楚的理由，最终操作仍由人决定。

[03:51] 项目走红的时机与 All-in-One 定位

[事实] 浩哲将项目的受欢迎部分归因于时机：当时市场上缺少覆盖完整金融研究流程的一站式智能体。

[事实] 项目试图降低复杂金融能力的使用门槛，同时也允许从业者验证宏观直觉、测试量化思路，或把基本面经验转化为可自动执行的策略。

[推测] 项目的传播优势不只来自功能数量，也来自把原本分散在不同专业岗位中的能力放进同一工作流。

[05:17] AI Trading 的定义：连接决策与行动

[事实] 浩哲认为，其他行业中通常是 AI 让执行变便宜、而“决定做什么”仍然昂贵；金融领域则相反，因为市场和社交媒体中从来不缺决策与观点。

[事实] 他把 AI Trading 定义为：在几乎免费的决策和代价昂贵的行动之间，建立一条可验证、可审计的通道。

[事实] 模型负责阅读材料、提出假设、编写代码和生成判断；约束系统负责筛选哪些判断可以转化为行动；人负责决定风险边界、仓位、例外事项和规则制定。

[事实] 传统量化通常由人预先固定规则，再由机器大量执行；AI Trading 则会持续从新闻、公告、电话会和社交媒体等非结构化数据中产生新判断，因此需要持续把关。

[08:15] 从事实、假设到验证与执行

[事实] AI 可以整理财报和公告，标明数字、出处与时间，并提出对经营变化的可能解释。

[事实] 研究流程必须区分材料中的事实与智能体提出的假设，再检查同行变化、反面证据、信息可得时间、回测中的未来数据泄漏以及交易成本。

[事实] 当证据不足时，系统应停留在“不能判断”，而不是给出模棱两可的结论。

[事实] 浩哲将完整流程概括为“材料到假设、假设到验证，再到有边界的执行和复盘”。

[10:03] 情绪数据的价值与策略失效

[事实] 浩哲表示，利用社交媒体和论坛情绪进行交易可能有效，部分舆情也可能成为反向指标。

[事实] 一旦某种方法广为人知，市场参与者便可能利用机器人制造虚假信息，形成针对该方法的反制。

[事实] 他强调交易是零和博弈，不存在一成不变的获利方式；对手、市场环境、方法和风险偏好都会变化。

[推测] 对情绪信号而言，持续评估数据是否遭到策略性操纵，可能比一次性的模型准确率更重要。

[12:10] 行业知识、风险判断与专用工具

[事实] 浩哲认为，许多行业知识已经被吸收到模型能力中，原则上可以由 AI 处理；更需要人判断的是每个人不同的风险承受能力。

[事实] 与直接在通用聊天框中提问相比，专用工具的价值在于提供可审计、可验证、可重复运行的完整流程。

[事实] 专用系统可以约束模型允许生成的内容，并强制某些结果通过确定性的计算获得，从而降低黑箱与幻觉问题。

[13:29] 个人交易实践与人机分工

[事实] 浩哲表示，自己的交易中约有 80% 至 90% 会遵循 AI 建议，人的主要工作是验证推理链是否合理并完成最终验收。

[事实] 他以存储行业为例：智能体区分内存、闪存和机械硬盘所受扩产冲击的差异，并据此寻找市场整体定价下的局部机会。

[事实] 即使研究过程大部分由 AI 完成，他仍不赞成完全无人管控，因为每次开仓和亏损最终都需要有人负责。

[15:43] AI 普及对市场结构的影响

[事实] 浩哲预计，信息被价格消化的速度会继续加快，未来重要信息的定价过程甚至可能缩短到数秒。

[事实] 当每个人都能快速阅读年报、运行因子时，率先读懂公开信息或拥有单一信号的价值会下降。

[事实] 超额收益可能从单个信号转向组合条件，关键在于同时取得、对齐并连接不同领域的数据。

[推测] 投资者的竞争优势将更依赖研究流程设计和跨领域整合，而不是单纯的信息阅读速度。

[18:30] 错误传播、模型合谋与监管责任

[事实] AI 加快信息处理的同时，也会加快假消息和错误判断向市场价格的传播。

[事实] 浩哲提到，多智能体在共同市场中交易的研究曾出现类似合谋或内幕行为的结果。

[事实] 当意外行为发生时，责任应由模型厂商、使用者还是交易所承担，目前仍缺少明确答案。

[推测] 如果自动化系统能够直接把文本判断转化为订单，信息真实性验证和责任追踪将成为监管基础设施的重要部分。

[19:45] 好系统的标准与四个组成部分

[事实] 浩哲把 AI Trading 系统概括为数据对齐、约束系统、模型和人四个组成部分。

[事实] 好系统应允许生成大量且便宜的决策，但只采取少量行动，并确保每项行动都有理由、边界和责任人。

[事实] 坏系统的两种典型表现是把每个便宜决策都转化为行动、导致过度交易，或因过度谨慎而完全不行动且无法解释原因。

[事实] 模型能力决定系统能想到什么，独家数据决定别人是否想到同样的内容，数据对齐用于检验判断是否真实，约束系统则负责阻止错误判断进入行动。

[21:34] 数据对齐比模型智力更关键

[事实] 浩哲认为，模型智力和独家数据的边际价值正在下降，而数据对齐与约束系统的价值正在上升，其中数据对齐最为核心。

[事实] 口径对齐包括复权方式、金额单位、时间粒度和不同市场数据源等问题；细小歧义也可能造成数量级错误。

[事实] 回测必须遵循 Point-in-Time 原则，不能使用当时尚未发布、后来才修正的数据，否则相当于提前看到答案。

[事实] 当数据缺失时，智能体应主动暂停并指出缺口，而不是静默使用不完整数据继续回测。

[24:31] 数据的作用不是直接创造 Alpha

[事实] 浩哲认为，数据多不等于拥有 Alpha，公开日线和常见另类数据中的规律往往已被价格吸收。

[事实] 购买数据的主要价值是使一个命题可以被检验，而不是让数据直接给出交易答案。

[事实] 个人和小团队难以在数据投入与广度上和机构竞争，更现实的优势来自数据对齐质量以及组合不同数据的思路。

[推测] 对资源有限的参与者而言，可靠地验证少数独特假设，可能比无差别扩充数据规模更有效。

[26:11] AI 适合价格传导研究，但不能替代信念争论

[事实] 浩哲认为，“AI 发展会带动什么资产或行业”等问题，本质上属于价格传导链研究，适合用 AI 进行深度研究。

[事实] 如果投资者坚持某种无法证伪的长期信念，无论 AI 给出什么逻辑仍拒绝调整观点，对话就会变成情感陪伴式辩论。

[推测] AI 更适合分析可拆解、可检验的因果链，而不适合为缺乏验证条件的投资信念提供确定性背书。

[27:23] 快速概率模型的能力边界

[事实] 浩哲对某类便宜、快速、直接输出概率的方案在交易中的作用持谨慎态度，认为它优化的是金融中原本就很便宜的决策端。

[事实] 数学计算、日期比较、噪声材料和蓄意误导文本恰好是金融研究的常见内容，也是这类方案可能不擅长的部分。

[事实] 只给概率而不给分析链条，很难支撑长期信任，也无法让用户理解亏损来自哪里。

[事实] 这类模型更适合进行海量、低风险的信息初筛，例如判断新闻是否来自原始公告、材料是否与问题相关，而不适合直接承担完整交易链条。

[30:28] 交易概率、仓位与概率校准

[事实] 浩哲认为，交易是在对概率下注，而不是对唯一答案下注；资产价格可以理解为市场对未来多种可能性的加权结果。

[事实] 获利机会来自个人概率判断与市场隐含概率之间的差距，并且还需扣除交易成本。

[事实] 判断把握应与仓位相匹配，但模型声称的概率是否可靠，是未来需要解决的重要问题。

[事实] 多个判断可能依赖同一条新闻，因此不能简单假设它们相互独立并将概率直接相乘；共同信息源一旦错误，整条推理链都可能失效。

[32:07] 现有模型水平与 AI Finance 的差异

[事实] 浩哲日常使用 Codex 和 Claude，并认为现有模型在主观投资所需的深度研究方面已经表现良好。

[事实] 他区分了 AI Trading 与 AI Finance：前者关注 AI 能否持续跑赢市场，后者关注 AI 能否改善金融机构的日常工作。

[事实] AI Finance 产品更重视估值复核、材料对账、稳定交付和持续使用，而不是持续产生惊艳的交易表现。

[事实] 未来产品差异将更多来自机构数据接入、团队工作方法理解、成果复核和协作修改能力，单纯更换更强模型无法解决这些问题。

[34:27] AI 对不同水平投资者的增强

[事实] 对基础较弱的投资者，AI 可以帮助控制风险、改善研究过程，并减少对未经验证的荐股内容的依赖。

[事实] 对具备基本判断能力的投资者，AI 可以帮助其进入基本面、宏观等更专业的研究领域。

[事实] 对资深投资者，AI 的价值在于从不同维度验证想法，例如让宏观研究者进行历史回测，或帮助量化研究者理解价格背后的经济逻辑。

[推测] AI 的价值并不是把所有人提升到同一水平，而是针对用户原有能力补足不同的研究短板。

[35:34] Human in the Loop 与人的意义

[事实] 浩哲提出，未来的问题可能不再只是 AI 如何体现价值，也可能变成人如何借助 AI 体现自身价值。

[事实] 他认为，即使 AI 最终能够独立完成交易，人仍可能需要留在流程中，以维持方向感、意义感和责任感。

[事实] 人的决定权不应随着机器能力提升而消失，因为人需要通过创造、决定、承诺和承担责任感受自身存在的分量。

[推测] 这里的 Human in the Loop 不仅是技术安全设计，也被赋予了维护人类主体性与责任归属的意义。

[37:49] 从零开始使用 AI Trading 的建议

[事实] 浩哲建议，第一步不是追求收益，而是明确自己愿意投入多少钱、能够承担多大风险，并使用单独账户隔离风险。

[事实] AI Trading 不应被视为持续赚钱的致富密码，因为任何有效方法都可能遇到市场反制。

[事实] 用户可以借助 AI 尝试过去未接触的市场或研究方式，从而寻找更适合自己性格与能力的领域。

[推测] 更稳妥的入门方式是把 AI Trading 当作受控实验：先限定损失范围，再观察它是否改善了研究和决策质量。

播客点评/总结

本期的突出价值在于，它没有把 AI Trading 简化为“预测涨跌”或“自动下单”，而是把注意力放在决策如何经过验证、约束和责任确认后转化为行动。由此，数据口径、时间一致性、反面证据和停止判断的能力，都成为比生成更多观点更重要的问题。

讨论也提供了较完整的系统视角：模型、数据、约束机制和人分别承担不同职责。尤其是“决策便宜，行动很贵”这一框架，能够帮助产品开发者和投资者重新判断系统优化的重点，避免把模型能力直接等同于可交易收益。

[推测] 本期的局限是部分观点主要来自嘉宾的项目经验与个人判断，关于市场信息消化速度、多智能体行为及现有模型优于人类研究等结论，没有在对话中展开具体研究设计或证据边界，因此更适合作为方法论与产品思路，而非已经得到充分验证的投资结论。

[推测] 本期适合关注 AI Agent、量化研究、金融产品设计和个人投资工作流的听众；对于希望寻找具体股票建议或确定性盈利策略的人，它更有价值的部分反而是风险提醒：AI 可以扩大研究能力，但不会取消验证、仓位管理和责任承担。