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

> 42章经 精读

- 发布日期：2026-09-27
- 主持：曲凯
- 原节目：https://www.xiaoyuzhoufm.com/episode/6ab71039195d838e2aea294a
- 网页版：https://42zhangjing.qiaomu.ai/ep/6ab71039195d838e2aea294a.html
- 精读字数：约 8228 字（阅读约 18 分钟）

> 本文为 42zhangjing.qiaomu.ai 基于节目转写的 AI 整理精读，不是逐字稿；引用请注明出处并链接网页版。

吴浩哲今年 4 月 1 日把 Vibe-Trading 开源。到录这期节目时，不到半年，GitHub 上有 3.4 万个 Star，贡献者来自二十多个国家和地区。他是武汉大学数学系本科，香港大学在读博士生，在 HKUDS 数据智能研究室，做 AI 和量化的交叉已经好几年。从最早挖因子，到深度学习，到大模型处理文本，再到这两年的 agent，他把 AI Trading 的几代做法都亲手做过一遍。

项目一开始不叫这个名字，内部叫 quant agent，是给量化研究员用的专业工具，四百多个因子、九个市场的回测引擎、各种统计检验，一应俱全。后来团队把重心挪到普通用户身上，改成了二级市场的交易台。促成这次转向的，是一个很朴素的问题：一个普通投资者看到一个因子信号、一个 IC、一个夏普比率，他不知道该拿它怎么办，也就不会为它掏钱，更不会为亏掉的钱负责。

42章经的曲凯和他聊了 41 分钟。话题从 AI Trading 由哪几块组成，到它和传统量化的分工差异，到所有人都有 agent 之后市场会变成什么样，再到最近很火的 Jev 为什么在交易里几乎帮不上忙。整期节目里，吴浩哲反复回到一个判断：金融里决策是廉价的，行动才是昂贵的。

## 一个数学系博士生，半年做出 3.4 万 Star 的项目 0:35

吴浩哲自己的说法是踩对了时间。今年三四月份，市面上还没有一个 all in one 的金融工作台 agent。Vibe-Trading 赶上了这个窗口，也主动把原来只给专业玩家的复杂能力，往下推到普通用户手里。

他给这个项目的一句话定义是：给每个普通人一支研究团队，你用自然语言提一个投资想法，它替你覆盖宏观面、公司基本面、量化信号和风险复盘。

这个定义和项目最早的样子差别不小。去年年底启动时，团队的定位是 quant agent，做的是一整套量化基础设施，四百多个因子、九个市场的回测引擎、各种统计检验。今年他们发现用户需求和这套定位相悖，才慢慢改成二级市场的交易台，量化只是其中一块。

所谓 all in one，指的是整个二级市场的工作台。做基本面的从业者可以拿它测试自己对宏观的判断，也可以把过去靠经验积累的研究，改写成能自动执行的量化策略。散户和从业者共用同一套底座，区别只在你提的问题有多专业。

吴浩哲说，这个转向背后有一个他越来越在意的点：研究结果能不能被人检查，能不能被人理解。金融行业天天讲可解释性，但量化对普通人就是天书。你给一个普通投资者看一个因子信号、一个 IC、一个夏普比率，他无法通过这些数字说服自己为什么要买这只股票。一个人看不懂的量化信号，他不会为它掏钱，也不会为它担责。

所以项目后来重点做的是辅助主观投资，把 AI 的研究翻译成用户自己能讲清楚的理由：这家公司的现金流怎么样，催化剂是什么，风险在哪。最后那一下操作，还是他自己做。这个思路在后面聊市场变化、聊 Jev 的时候反复出现，是整期节目的主线。

## 决策便宜，行动很贵 5:15

节目里吴浩哲先拿别的行业做对照。写软件的时候，AI 已经让“做”变得很便宜：写代码、跑测试、排查错误、运维上线，成本一路往下掉。真正难的变成了决定做什么，用户需要什么功能，哪个方案值得做，资源怎么取舍。

金融是反过来的。市场每一秒都在报价，每个价格背后都有人做过一个决定。社交媒体每天产出海量观点。一个研究 agent 一天之内，可以对几千只股票各给出上百个判断。决策这一侧几乎免费，模型越强只会越便宜。

> 在金融里，决策很便宜，行动很贵。

他把 AI Trading 定义为一条通道：在几乎免费的决策和代价昂贵的行动之间，建立可被验证、可被审计的路径。这个定义和市面上两种主流想象都不同。一种是 AI 预测明天涨还是跌，像发神谕；另一种是 AI 帮你自动下单，睡一觉起来收钱。这两种想象各自只截取了流程的一小段，把最难的部分藏起来了。

完整流程里有三个角色。模型负责产生决策，读材料、想假设、写代码、给判断，这一侧便宜，也会越来越便宜。harness 负责决定哪个决策有资格变成行动。人负责决定什么能做、什么不能做、做到多大、规则之外的事谁来拍板，以及 harness 的规则本身怎么定。后两侧才是贵的部分，也是目前最难标准化的部分。

和传统量化的区别也在这里。传统量化是人先把决策想好、固化成规则，再让机器便宜地大规模执行。责任在写规则的那一刻就已经定下来了，因为策略开发时，换手率、策略容量这些约束一开始就是已知的，你知道这个策略能吞下多少钱，也知道它一年会交易多少次。AI Trading 里，机器在不停地产生决策，读的又多是新闻、公告、电话会、社交媒体这类非结构化材料，决策是持续冒出来的。责任没法在某一刻一次定完，需要一道持续的闸门，对每一个想变成行动的决定单独把关。

这个视角解释了为什么“AI 能不能选对股票”这个问题本身不够好。选对只是产生了一个决策，而要让它值得付出手续费、承担回撤、接受无法撤回的后果，还需要另外一整套东西。

## 一条能被人检查的通道，具体长什么样 8:14

他给了一个具体流程。分析一只热门股票的基本面，核心问题是现金流改善到底来自经营真的变好，还是一次偶然。AI 先把财报和公告整理一遍，把相关数字、出处、时间找出来，再列出几种可能的假设。

这一步最关键的分野是：**哪些是材料里的事实，哪些是 agent 基于材料给出的假设**。事实可以核对，假设必须检验。很多 AI 金融产品把这两者混在一起输出，读起来流畅，但读者不知道哪一句能查证，哪一句是模型的推测。

检验的方式很具体。现金流改善来自应收账款回收，还是只是把付款往后拖？同行同期是怎么变的？有没有和当前判断完全相反的证据？如果要把这个想法变成可交易的策略，还要继续问：实时信息拿不拿得到？回测有没有偷看未来？扣掉所有成本之后结论还成不成立？

吴浩哲对研究结论的要求是有依据，也有适用条件。哪些证据支持它，哪些信息我们没有，什么情况发生变化时要修改结论。证据不够的时候，必须停在“无法判断”，不能给一个模棱两可的结果。听起来是研究规范，实际对产品设计影响很大：一个不肯说“不知道”的 agent，在交易场景里是有害的。

曲凯问到用 AI 爬 Twitter、Reddit 上的评论判断散户情绪这条路。吴浩哲做过，也承认有效，论坛舆情很多时候是反向指标。他的保留意见在博弈层面：如果所有人都开始扒小红书和推特上的散户发言，一定会有人部署机器人去制造假信息。这种钱本质是零和，赚的是别人亏的。方法一旦被大众掌握，反制就会出现。他用打游戏打比方，对手在变，版本环境也在变，自己的方法和风险偏好都得跟着变。没有任何一个一成不变的获利方式。

那行业 know-how 里哪些能交给 AI？他的回答很干脆：**几乎所有行业知识本身都可以由 AI 判断**，这些东西在模型迭代过程中已经被蒸馏进去了。比如看完 A 公司的利润要去看行业利润，还是更关注收入、更关注成本结构，这些属于知识范畴，模型已经会了。真正需要人来定的是风险层面。一个人能承受多大的回撤，AI 不知道，人与人之间差别太大，仓位敢开多大，本质是个人处境的函数。

那为什么不直接在聊天框里问 GPT 或 Claude？他给的答案是可验证、可复现。Codex 和 Claude 更接近黑箱，同一个问题没法保证重跑出同一个数字，模型的幻觉又让每次 rerun 的结果都不确定。自建工具的意义在于，能完全控制模型生成什么，哪些环节必须交给确定的计算。数字从哪里来，能不能重新跑一遍，出了问题能不能定位到哪一步，这些是聊天框天生给不了的。

他自己交易时，八成到九成遵循 AI 的建议，剩下两成用来检查推理链条是否成立。

今年七月存储行情很热，随后整体跌了将近半个月。当时市场在讨论一个问题：中国厂商扩产会不会压低存储价格。他的 agent 把这个问题拆开了：内存、闪存、机械硬盘都被叫作存储，受到的冲击真的一样吗？围绕这个问题做验证之后，结论是显然不一样。但市场是拿新闻对整个行业统一定价的，中间就有定价不充分的地方。他选到了一只做机械硬盘的股票，希捷。团队对比了历史样本和财报后的上涨表现，AI 的结论偏谨慎，人和 AI 一起看下来，最终决定在财报前买入。这个案例里，八成到九成的空间留给了 AI，人负责最后验收，看逻辑站不站得住。

曲凯追问：既然八成以上都听 AI 的，为什么不让它自己下单，甚至变成一个接近量化的东西？吴浩哲的回答落在确权。他不认为 AI Trading 最终会变成成规模的、人完全不用管的形态。哪怕是已经高度自动化的量化行业，每一次开仓、每一笔亏损，也得有人负责。他还开玩笑说，赔了钱不能申请未成年退款。

## 所有人都有 agent 之后，市场会变成什么样 15:42

这是吴浩哲认为当下最该被讨论的问题。他给了三条判断。

第一条，信息被价格消化的速度会越来越快。

2000 年之前，学术界有一个很有名的现象叫财报后漂移：好财报出来，股价不会一天涨到位，而是在之后几天、几周甚至几个月里慢慢往上飘。原因很简单，读财报、改模型、开会、下单，每一步都要人来做，人力就是摩擦。

这个时间在 21 世纪之后一直在缩短。2022 年前后有一篇论文，标题就叫《安息吧，财报后漂移》，指出美国指数里的这种漂移从 2006 年起就已经不存在了，财报里的意外信息在发布当天就被完全消化。吴浩哲的判断是，AI 普及之后这个窗口还会继续压缩，最后可能只剩几秒钟。任何信息出来，几秒钟之内就被读完、被定价。

随之改变的是投资者行为。先读到、先读懂在过去是很值钱的能力，不是每个人都能啃完一份年报，也不是每个团队都有能力连夜改模型。现在每个人都有一个一分钟读完年报的 agent，这个门槛基本消失了。抢速度这件事还有意义，但意义在缩小，因为大家都有同样的速度。

第二条，超额收益的位置会迁移。所有人都能一键生成一个因子，单个因子的 alpha 会很快消失。剩下的机会在跨 desk 的拼接上：把几类数据同时拿到、同时对齐、同时放进一个判断里。真正有价值的东西不在单个因子的边界上，而在不同 desk 之间的缝隙里。宏观的人不知道怎么回测，量化的人不读经济学原理，这个断层本身就是机会。

第三条，错误传播会更快。这一条他用了更严肃的语气。有一类风险是专门针对 AI 制造误导，比如用 AI 生成假消息。他提到前几年有过一个案例，AI 生成的五角大楼附近发生爆炸的图片流传，美股出现过短暂下跌。当每个人都有系统直接读消息、形成判断并下单，这类误导会非常快地传导到价格上，对监管是很大的挑战。

还有一类是意料之外的情况，关于确权。他们研究过多 agent 在同一个股票市场里交易会产生什么影响，一些结果显示，这些 agent 会不约而同地产生类似合谋、类似内幕交易的操作。责任方到底是谁，模型厂、使用者，还是交易所，目前没有答案。吴浩哲认为这些是当今最应该被解决的问题，比“模型还能不能更聪明”更紧迫。

## 四大组成，最核心的是数据对齐 19:57

他把 AI Trading 系统拆成四块：数据对齐、harness、model，还有人。

先要定义什么叫好的系统。他的标准是：决策尽可能多，而且便宜；行动尽量少，每一个行动都有来由、有边界、有人负责。至于大家最关心的收益率、胜率，这些属于结果，一个完备的系统自然会结出不错的结果。反过来，坏的系统有两种。一种是把每一个便宜的决策都变成行动，那就是过度交易，最近很多拿 Jev 做交易的产品本质上就停在这一层。另一种是太过谨慎，一个行动都不敢做，系统也说不清为什么不做。

有了这个标准，四块的分工就清楚了。**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，数据对齐去看它想到的东西是不是真的，harness 决定它想错了能不能被系统自己拦住**。前两样让决策变得更好，后两样守着从决策变成行动的这一刻。

他判断前两样的边际价值在下降，后两样在上升。理由还是那句：每一单都要付手续费，亏了要自己承担，而且撤不回。模型再聪明，也只是把已经免费的决策变得更免费；数据对齐和 harness 做的，是把关那一下。

如果只挑一个最核心的，他选数据对齐。这里他讲了几个开源项目里真实遇到的坑，有些相当荒诞。

- 口径对齐。最常见的是价格有没有复权，数字单位是千美元还是美元。
- 频率对齐。EM 到底指一个月还是一分钟，这不是段子，是他们在录节目前几天刚修的 bug，某些弱模型真的会把用户输入里的周期随机分配到月线或分钟线。
- 数据源降级。一些小交易所只有一个数据源，这个源挂掉之后会降级到加密货币交易所里以美元计价的行情，看起来一切正常，金额差了六七个数量级。

第二类是 point in time，简称 PIT。做回测时很容易犯的错，是 2020 年的一次选股用到了这家公司后来才更正的财务数字。今天看这个数字非常正确，站在当时没人能拿到它，因为它是未来的事。等于提前看了答案，回测当然漂亮。处理这类数据必须严格做到时点正确，否则整个验证链条都是空的。

第三类是缺数据时 agent 的行为。正确做法是主动暂停，告诉用户这里缺数据，不能静默地拿现有数据凑一个因子去做回测。他指出很多看起来“想法不行”的结论，实际原因是数据不够或者口径没对齐。

## 数据多不等于有 Alpha，Jev 帮不上交易 23:53

曲凯提到有些交易者很看重谁在买、谁在卖，机构还能提前跟董秘沟通，参加合法合规的电话会。这类信息拿到手，是不是影响很大？

吴浩哲给了一个很肯定的答案：**数据多不等于有 Alpha**。在大家都能拿到的日线和另类数据上，能被找到的规律已经被价格吃掉了，靠采买数据找到 alpha 的点不太存在。买数据真正的作用是让你的命题可以被检验。数据本身不会告诉你答案，它只让你验证想法是对还是错。很多时候你以为一个想法不行，实际只是数据不够，或者口径没对齐。

他也提醒散户和小团队要有自知之明。机构在数据上的投入，个人根本没法比，比广度一定比不过。能比的是数据的对齐质量，以及把几类数据拼在一起的想法。这样才有可能抓到一些还没被市场充分反映的价格。

曲凯举了个更主观的例子：纯看财报，AI 也许觉得白酒不是好生意，但有人就是相信白酒不会消失，这种判断 AI 能不能做？吴浩哲的回答有点出人意料，他认为这类判断反而最适合 AI 做，本质上和“油价起来会传导到什么、美债和黄金会怎么走”是同一类问题，属于价格传导链，AI 很擅长做这种 deep research。但如果人已经不在乎逻辑，只是想找人辩论，那就变成情感陪伴了。他说这话时带着笑，意思是这类对话对交易没有增量。

然后是 Jev。他的态度是先泼一盆冷水：Jev 对交易的帮助，不能说没有，约等于零。

他理解 Jev 火起来的原因。agent 浪潮里，大家反复调用大模型只是为了得到一个答案，又慢又贵，Jev 把这件事做得又便宜又快，生态也马上跟上了。但放到金融流程里，有几个问题没解决。

第一，它优化的恰好是金融里最便宜的那一侧。决策的价格几乎为零，缺的从来不是更多更便宜的决策，缺的是从决策到行动那段能让人信服的转换。把原本不值钱的东西变得更不值钱，对整个领域的推动有限。

第二，金融最核心的材料恰恰是它不擅长的。Jev 刚出的时候他看过官方文档，里面写了一些弱点，比如数学计算、日期比较。可是数字、日期、带噪音的材料、有人故意误导你的文本，这些就是金融世界本来的样子。它不擅长的东西，正好是这个行业的日常。

第三，它只给概率，不给理由。他反问了一句：你真的会把钱长期交给一个只告诉你买或不买、不给你任何分析链条的东西吗？等你反应过来的时候，可能已经亏了很多。

> Jev 更适合当门口的分拣员，不适合做把整条链送到的快递员。

分拣员这个位置其实很合适：每天收到的信息量巨大，先判断这条新闻说的是不是这家公司，是原始公告还是转载，材料和问题有没有相关性。这类活便宜、量大一天几万次几十万次、不涉及算术和日期，做错了顶多漏看几条公告，人后面还会补上。它不适合做那条决定要不要付钱的最后一段。

说到 forecasting，吴浩哲把交易的本质讲得很清楚：**交易是对概率下注，不是对答案下注**。一只股票的价格可以理解成对未来各种可能性的加权平均。你赚钱的逻辑，是你的概率和市场隐含概率之间的差值，再扣掉成本。概率决定这个决策配多大的行动，六成把握配小仓位，把握更大配更大仓位，接近确定才可以重仓。

问题在于 AI 说自己有多大把握，这个把握靠不靠谱。他给了一个简单的数学例子。两件事，第一件是这家公司下季度营收超预期，第二件是这个超预期会带来股价上涨，模型对两件事都给了九成把握。很多人会顺手算 0.9 乘 0.9，得出 81%。这个算法悄悄假设了两件事独立，真实的联合概率没人知道。金融里这个问题很严重，因为很多个判断用的是同一条新闻，那条新闻错了，所有假设一起错，每个都是九成把握也没用。

## 人的位置，和一条上手路径 32:05

他自己日常用的模型和大家差不多，Codex 和 Claude。能力上，凡是和主观投资相关的部分，他觉得已经做得很好了，因为主观投资本质就是 deep research，而 deep research 在去年就已经有明确答案，AI 做得确实比人好。

那 AI for Finance 和 AI Trading 是一回事吗？他认为是两件事。AI Trading 的最终目标，是问 AI 能不能持续跑赢市场。AI for Finance 问的是 AI 能不能让金融机构的工作变得更好。今年五月开源的一些金融模板，做的是估值、复合、材料整理、对账这类活，Kimi 九月份发的产品也差不多是这个形态，重点是交付具体的工作成果。这类产品的竞争点在于能不能天天用、够不够稳定，而不是某一次表现有多惊艳。

接下来的差距会落在细节上：谁能接上更多机构数据，谁更理解一个团队的工作方法，谁能让自己产出的成果被同事接手、复核、继续修改。模型换代解决不了这些问题，因为换个更强的模型，接口还是那些接口，流程还是那些流程。

曲凯问了一个分层的问题：一个本来 30 分的人用了 AI，会变成 40 分，还是可能更差？80 分的人会不会变成 90 分？

吴浩哲认为一定有增强，但层次不同。二三十分的人，AI 帮他做的是风险把控和基础研究，至少不必再去听信小作文和短视频荐股。五六十分的人已经会基础判断，缺的是更深的研究能力，AI 让他能碰基本面、碰宏观这些原来够不着的东西。八九十分的人，AI 的价值在于让他的想法在各个维度上被验证。他举了一个行业里的老现象：做宏观的人往往不会写代码，很难亲手回测自己的判断；做量化的人理工科出身，未必理解价格背后的经济学原理。AI 能把这两边接起来，让高水平的人更自信。

节目最后，他讲了一段和交易关系不大、但可能是整期最重的话。大家总在问 AI 能不能替代人，会不会直接帮人做交易。他反过来问：会不会是人需要 AI 来体现自身的价值？

今天给 AI 定价，看的是它能替人做多少复杂工作、省多少工时、顶几个员工。这套算法里，AI 必须替代人才能证明自己有价值。如果未来模型足够强，很多事情做得比人好得多，问题就翻过来了：人还能做什么，这个世界还有什么事情需要我。他觉得这比失去一份工作更难受，因为工作除了带来收入，还让人觉得被人需要，觉得自己的存在对别人的生活产生了影响。

所以他认为，哪怕将来 AI 真的足够强，能自己完成推理和验证，最后还是会保留 human in the loop。**今天把人留在流程里，是因为文档需要人审核、需要人把关；以后可能不再需要这些，人 still 需要参与，因为需要有方向感和意义感**。他还把这层意思推到更远：一个人值得被尊重，是因为他能带来更多价值，还是因为他本身就是一个人。这个问题现在没有答案。但人的决定权不该随着机器能力上升而消失，人需要通过创造、通过决定、通过承诺、通过责任，感受到自己的生命有分量。

回到具体建议，他给了几条。第一件事是想清楚自己愿意拿多少钱承担这个风险，先把风险隔离出来，用一个单独的账户，别把它当致富密码。这类方法一定会遇到反制，不可能一直赚钱，它只是一个新的交易模式。

第二件事是拿它去试自己没试过的市场和领域。很多散户亏钱，原因可能只是这个市场不适合他。有人对大宗商品的逻辑天然有感觉，有人擅长在几千只股票里翻基本面，有人看技术图形就是比别人准。天赋点不一样，AI 可以低成本地帮你把没试过的方向试一遍，这在以前要付很贵的学费。

对还没上手的人，可以照这个顺序走：先用它读一家你熟悉的公司，看它能不能把事实和假设分开；再让它给一个和你直觉相反的结论，看它拿什么证据支撑；最后拿一小笔钱，走完从判断到下单再到复盘的全流程，重点看复盘那一步，你能不能向自己解释清楚当初为什么买。解释不清的那一笔，就是下一次该少做的那一笔。