浩哲是港大在读博士、HKUDS 成员，本科毕业于武汉大学数学系。这几年他一直在探索 AI for Finance 相关的事情，前段时间做了一个很火的项目 Vibe-Trading，开源不到半年就已有超 3w star。
本期播客原文约 13500 字，编辑整理后约 4600 字。
编辑整理：陈皮
曲凯：能不能先给大家简单介绍一下 Vibe-Trading 这个项目？
浩哲：它是一个覆盖二级市场的交易台，体验有点像是让你拥有一支跨工作台的研究团队。你用自然语言提出一个投资想法，它就能调动宏观、公司基本面、量化和风险复核等方面的研究能力，帮你看清公司的现金流怎么样、催化剂是什么、风险在哪，最后由你自己决定要不要投资。
但其实我们去年年底启动这个项目时，原本做的是一个给量化研究员用的专业工具。之所以会有调整，一方面是因为发现原来的方向和用户需求有点相悖，另一方面是我也越来越重视一个问题，就是研究结果能不能让人检查和理解。
金融需要可解释性，而且我有一个观念：
金融里的决策很便宜，行动很贵。
在其他行业，大家常说 AI 让「做」变得很便宜，难的是决定做什么。拿软件开发举例，AI 可以写代码、补测试、排查错误，但用户依然需要判断自己要什么、某个功能值不值得做。
金融则是反过来的。
决策便宜，是因为市场每秒都在报价，每个价格背后都有人做了决定；社交媒体上每天都有大量观点；一个研究 agent 也能给几千只股票各提一堆判断。行动很贵，是因为每笔交易都要付手续费，亏损需要自己承担，成交后也没办法撤回。那么一个人要真正做出投资决策，就必须能向自己解释这个行动。
而在我们一开始做的量化方向里，因子信号等概念对普通人来说都像是天书，大家看完也说不清「我为什么要买这只股票」，就不会掏钱和担责。
所以我们转向了辅助主观投资，把 AI 的研究变成大家能看懂的投资理由。
曲凯：主观投资、量化，包括 forecasting 都算 AI Trading 吗？能不能请你帮忙定义下 AI Trading，以及它最适用的一些场景？
浩哲：大家听到 AI Trading，往往会想到两幅画面，一个是 AI 对涨跌的预测很准，如同神谕（笑），另一个是 AI 可以自动下单，人能躺着赚钱。
但这些理解都很片面。
我对 AI Trading 的定义是：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。
展开来讲，AI Trading 系统有四大部分，包括模型、数据对齐、Harness，以及人。
模型负责产生决策，帮你读材料、提假设、写代码、给判断。
数据对齐负责检查判断所依据的数据是否可靠、口径是否一致，比如价格单位到底是美元还是千美元，时间粒度到底是月还是分钟，回测用的到底是不是当时就能拿到的数据等。这是整个系统中最核心的部分，一旦出错，结果会相差好几个数量级。
Harness 负责判断哪些决策有资格变成行动，以及出错时能不能被及时阻止。
人则负责划定边界，决定什么能做、什么不能做，制定 Harness 的规则，确定规则之外的事情由谁拍板。
这里面，模型的智商决定系统能想到什么，独家数据决定它想到的东西别人有没有想到。这两者提升的是决策质量，但我觉得它们的边际价值正在下降，反倒是数据对齐和 Harness 的价值在上升。
举个具体的 AI Trading 的例子吧。
你想知道一家公司的现金流变好了，究竟是经营改善带来的结果，还是一次偶然变化。借助 AI Trading，大概会是这样一个流程：
模型可以帮你先整理各种材料，再列出可能的解释。这里最重要的就是分清哪些是材料里的事实，哪些是 agent 根据材料提出的假设。
接下来要检验这些假设，比如去看现金流改善的来源是什么，有没有和原判断相反的证据。
如果要进一步把这个想法变成交易策略，还要看能不能拿到实时信息、回测有没有偷看未来数据、扣掉成本后结论是否成立等等。
最后你拿到的应该是一个有依据、有适用条件的判断。如果证据不足，agent 必须说明「无法判断」，不能给出一个模棱两可的结果。至于最后要不要买卖、下单，还是你来决定。
讲到这里，AI Trading 和传统量化之间的区别也就出来了。在传统量化里，人在开发策略时就会把换手率、策略容量和责任边界等定下来，之后让机器以很低的成本大量执行。
而在 AI Trading 里，你没法这样一次性地定好一个决策策略，需要一道闸门持续把关，最终的决策也还是要交给人。AI Trading 实际上要不断完成从材料到假设、从假设到验证，再到有边界的执行和复盘。
曲凯：听起来涉及很多交叉验证？比如看完 A 这只股票，还要看整个行业、看 B、看 C，这些涉及很多人的 know-how 吧？这里面哪些能由 AI 自主判断，哪些需要人加进去？
浩哲：武断一点说，所有的行业 know-how 都可以由 AI 来判断，因为这些知识在模型迭代中已经被蒸馏进去了。更需要人判断的是风险，因为每个人的风险承受能力不一样，AI 并不知道你能承受多少。
曲凯：但如果这些行业知识已经被蒸馏进模型了，那直接用模型产品分析，和用一个第三方工具的区别是什么？
浩哲：区别在于能不能得到一套可审计、可验证、可以 re-run 的流程。
像 Codex、Claude Code 这种产品，在做投资分析时都偏黑箱，很多时候你没办法重新跑一遍去验证某个数字，大模型也有幻觉，每次 re-run 也未必得到确定的答案。
曲凯：明白。你前面说独家数据的价值可能没有大家想象中那么高，但很多机构都会努力搞一些内部消息之类的，这些不会对结果造成很大影响吗？
浩哲：数据多，真的不等于有 alpha。
在大家都能拿到的数据上，能找到的规律已经被价格消化了，不太会因为谁采买到更多数据就更容易找到 alpha。
买数据真正的作用，是验证你的想法。很多时候你以为一个想法不行，可能只是数据不够、口径没对齐。
曲凯：那怎么评判 AI Trading 系统的好坏？
浩哲：我认为好的 AI Trading 系统，要能产出尽可能多且便宜的决策，但尽量少行动，确保每个行动都有来由、有边界、有人负责。收益率、胜率是结果。先把系统搭建得完备，才可能结出好的结果。
而坏的系统有两种。一种是把每个便宜的决策都变成行动，就是过度交易。最近有很多人用 Jev 做 trading，就有点像这种情况。另一种是过于谨慎，一个行动都不敢做，但系统也说不清到底为什么。
曲凯：正好聊到 Jev，你怎么看它对 AI Trading 的影响？
浩哲：我可能会泼一盆冷水。我觉得 Jev 对交易的帮助约等于零。
首先，就像前面讲的，金融缺的不是便宜的决策，而是一套能让人信服的、将决策转化为行动的流程。可是 Jev 优化的是本来就很便宜的那一侧，相当于把不太值钱的东西变得更不值钱了。
而且，金融里最核心的材料，恰好是 Jev 不擅长处理的。它刚出来时我看过官方文档，里面有提到它在数学计算、日期比较等方面的弱点。可数字、日期、噪音、误导消息，不正是金融世界本来的样子吗？
还有一点就是 Jev 给概率，不给理由。你真的会长期相信这样的模型，并且愿意把钱交给它吗？
当然，Jev 在金融里还是有用处的，比如可以做信息初筛，告诉你这条新闻是不是关于这家公司、这份公告是原始发布还是转载、这个材料和研究问题有没有关系。这些任务量很大，每天可能要做几十万次，做错一次，或者只是少看了几份有价值的公告，对最终判断的影响相对有限。
所以，形象一点说，Jev 更适合当门口的分拣员，不适合做那个把整条链路送到你手里的快递员。
曲凯：那在 forecasting 领域呢？本来大家就是在处理概率，那 Jev 是不是会有帮助？
浩哲：Jev 在预测领域可能会遇到更严重的问题。
因为交易本质上是对概率下注，不是对答案下注。股价可以理解为未来各种可能性的加权平均。你赚钱的逻辑，是自己的概率判断和市场隐含概率之间的差，再扣掉成本。概率决定的是你的一个决策能够对应多大的行动，比如如果你有 60% 的把握，那就配小仓位，更大的把握配更大仓位，可能到了百分之百，你就 all in 了。
但一个比较重要的问题是，怎么判断 AI 给出的把握到底靠不靠谱？
举个例子。模型说「下季度营收超预期」和「超预期会带来股价上涨」这两件事都有 90% 的把握，很多人会算 0.9 × 0.9，认为自己整体有 81% 的把握。
但这其实悄悄假设了两件事相互独立。事实上，你没法判断真实的联合概率。金融里，很多判断用的是同一条新闻，一旦新闻是错的，所有假设都可能是错的。
曲凯：明白。你自己也用 Vibe-Trading 吗？最后有多大程度遵循 AI 的建议？
浩哲：我自己也用，而且差不多 80%—90% 都会遵循 AI 的建议。
举个例子吧。今年 7 月，存储行情很热，也经历了差不多半个月的整体下跌。当时大家都在讨论中国厂商扩产会不会压低存储价格。
我的 agent 就提了一个问题：内存、闪存、机械硬盘都叫存储，那它们受到的冲击一样吗？
然后它就围绕这个问题做验证和实验。最终得到的答案很明确：不一样。但市场会根据同一条新闻给整个行业定价，这就可能出现定价不充分的地方。随后我们选了一家主要做机械硬盘的公司，并比较了它历史上财报后的上涨表现。当时 AI 给的最终结论偏谨慎，但我最终决定在财报前买入。
在这个例子里，80%—90% 的研究都是 AI 在做，我更多是去验证推理链条是否合理，以及决定是否行动。
曲凯：现在用 AI 辅助交易的个人和机构越来越多，会给市场带来什么变化吗？比如共识会不会形成得越来越快，市场变动也更快？
浩哲：这个问题非常好，也是我觉得当今大家都应该关注的一个问题。我觉得市场会有三个变化。
首先，信息被价格消化的速度会越来越快。
2000 年之前，学术上有个很有名的现象，叫「财报后漂移」，意思是好财报发出来之后，股价不会一天涨到位，而是在后续几天、几周甚至几个月慢慢上涨，因为需要人去读财报、开会、下单。
但我记得几年前，有篇论文叫《安息吧，财报后漂移》，里面就说在美国，这种漂移好像从 06 年起就不存在了，因为财报里的信息在发布当天就能被消化完。
那随着 AI Trading 普及，各种信息被价格消化的时间甚至会缩短到只有几秒钟。这件事也会给投资者的行为带来变化，就是「读」会越来越不值钱，因为这件事已经没有门槛了。
第二，超额收益可能从单个信号转移到组合条件上。
当人人都有一个很会读研报、能一键跑因子的 agent 时，单个因子的 alpha 会很快消失，那机会就在于能不能跨 desk 同时拿到不同数据，做好对齐，再拼接到一起。
第三，信息处理快了，错误也会传播得更快，可能会出现一些专门用来误导 AI 的假消息，引发一些意料之外的市场波动，出现问题后也很难确定责任归属。这是现在很多监管部门关注的问题。
曲凯：那对于感兴趣、但还没开始用 AI Trading 的人，有什么从 0 到 1 的建议？
浩哲：当然最好来用用 Vibe-Trading 哈哈。
但第一件事还是想清楚自己的风险偏好，然后隔离风险，比如给 agent 一个单独的账户。坦白说，不要把 AI Trading 当致富密码，因为用的人多了，就一定会有反制手段出现。
此外，也可以让 AI 帮你尝试从来没接触过的市场或领域。很多散户可能只是没找到适合自己的市场，但每个人的性格、天赋都不同，有的人擅长大宗商品的逻辑推理，有的人适合在四五千只股票里研究基本面，也有人就是适合看技术图形，那其实都可以借助 AI 去试试，找到最适合自己的市场或领域。
曲凯：明白。最后，我好奇 AI Trading 对投资者的影响到底是怎样的？
浩哲：一定会有增强，但对不同人的增强方式不一样。
原本投资能力在二三十分的人，可以用 AI 更好地控制风险、做研究，不必再听信那些荐股信息。
五六十分的人已经有判断基础，但之前可能受限于研究能力，那就可以借助 AI，尝试更专业的研究。
八九十分的人，更重要的是让自己的想法在不同维度上得到验证。比如，以前一个做宏观的人可能不会写代码，没办法亲自通过回测验证判断，而一个做量化的人可能不了解价格背后的经济学原理，那么 AI 就能帮助他们从多个方向验证观点，也让他们更自信。
还有个题外话，就是大家现在总在讨论 AI 能不能替代人，但我最近在想：会不会不是 AI 需要人帮它做判断，而是人需要 AI 来体现自身的价值？
今天 AI 还需要通过替人做事来证明自己的价值，比如能省多少工时、替代多少员工、值多少工资。但如果未来模型足够强，问题可能就变成了人还能做什么？这个世界还有什么事情需要人？因为工作除了带来工资，还能让人觉得被需要、能对别人的生活产生影响。
所以我觉得哪怕 RSI 来了，最后仍然会是 human in the loop，因为人需要通过参与进各种流程，来保持生活的方向感和意义感。
再往深处想，这其实是一个带有哲学甚至神学意味的问题：一个人值得被尊重、拥有较高的社会地位，是因为 Ta 能创造更多价值，还是因为 Ta 本身就是一个人？
这个问题可能还没有答案。
但人的决定权不应该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，感受到自己的生命是有分量的。我觉得 AI for Trading 也会朝这个方向发展。