想像這樣一個場景：你把十年的市場數據輸入一個 AI 模型，按下 Enter，螢幕上立刻生成了一個看似完美的投資組合——年化收益率 32%，最大回撤低於 5%。你的心跳開始加快。你以為自己已經破解了市場。

但那只是一次回測。六個月後，你把同一個模型用於真實市場交易，帳戶卻虧損了 18%。

這樣的情形不僅發生在交易室，也正在世界各地的普通投資者家中上演。過去兩年，AI 驅動投資的想像空間幾乎無法被忽視——把財報數據輸入 GPT，獲得交易想法；用大型語言模型預測宏觀趨勢；看到某量化基金聲稱接入 AI 後實現 40% 的年化收益。這些故事很有吸引力，流向這些故事的資金同樣可觀。

然而，在熱情之下，三層約束正在悄然形成：技術本身的局限、市場競爭的邏輯，以及現實執行中的頑固摩擦。AI 是否能夠穩定地為投資者賺錢，遠比任何回測結果所暗示的都要複雜。

‍

一、AI 投資神話：從何而來？

自 ChatGPT 於 2023 年進入大眾視野以來，一股 AI 投資神話席捲了財經媒體、社交平台，有時甚至也影響到傳統機構。這個敘事大致如下：把財務報表輸入 GPT，就能得到可操作的交易建議；用大型語言模型分析宏觀指標，獲得遠超傳統策略的回報；某量化基金採用 AI 後實現 40% 的年化收益。

這些說法很誘人。但如果追溯其來源，往往會發現一個共同點：它們大多建立在回測、小規模實驗，或與真實世界相距甚遠的理想條件之上。

1.1 回測陷阱

回測，即用歷史數據評估某一策略在過去是否有效，是量化投資的基石。但它有一個根本缺陷：回測是在事後視角下完成的。當研究人員用五年的市場數據訓練一個 AI 模型，並宣布其回測年化收益率達到 30% 時，這個數字並不能說明該策略未來會有怎樣的表現。

回測無法複製真實市場中的摩擦：交易滑點、流動性不足、市場衝擊成本，以及最關鍵的——當策略被廣泛採用後，任何優勢都會被逐步侵蝕。

1.2 小規模幻覺

另一類常見的「成功故事」來自小規模實驗。以 Minotaur Capital 為例，這是一家總部位於雪梨、管理規模約 6,000 萬澳元的基金，且沒有一名人類分析師。其專有 AI 系統 Taurient 每天掃描約 5,000 篇新聞文章。截至 2025 年 1 月的六個月中，該基金回報率為 13.7%，跑贏 MSCI 全球所有國家指數 6.7% 的漲幅——這一結果獲得了彭博社報導，並引發了相當多的關注。

但真正的規模化考驗尚未到來。當資本規模從數千萬增長到數十億時，市場衝擊、流動性約束和執行成本會重塑策略的實際收益，而這些是小規模結果無法預測的。一個策略在小資金規模下有效，到了機構級規模時往往會變得面目全非。

1.3 理想條件謬誤

大多數 AI 投資策略都是在有利條件下展示的：乾淨的數據、充足的流動性、穩定的市場結構，以及沒有重大外部衝擊。真實投資並不提供這些保證。市場嘈雜，數據存在缺口，黑天鵝事件也不會提前通知。2020 年的新冠疫情、2022 年俄羅斯入侵烏克蘭、2025 年的關稅衝擊——這些都不是 AI 模型被充分訓練過的情境。但恰恰是在這些時刻，投資判斷才最重要。

‍

二、第一層約束：技術自身的局限

剝去炒作之後，問題變得很直接：以目前的發展水平，AI 能否持續做出可靠的投資決策？答案是否定的。原因主要有三點。

2.1 幻覺

大型語言模型容易產生「幻覺」——生成聽起來權威、但事實上錯誤的內容。在日常對話中，這只是一個不便；在投資決策中，一個虛構的盈利數字，或對監管規則的錯誤描述，都可能造成嚴重損害。

這些風險並非假設。2024 年，美國證券交易委員會（SEC）對兩家投資顧問公司 Delphia 和 Global Predictions 處以罰款，原因是它們對 AI 在投資流程中的使用方式作出了誤導性陳述。學術研究發現，通用大型語言模型在金融相關問題上的幻覺率最高可達 41%。在高壓、快速變化的投資管理領域，這樣的錯誤率會帶來真實後果。

更深層的問題是不可解釋性。AI 模型很少能以經得起審查的方式解釋自己的推理過程。對於需要向投資委員會、客戶和監管機構解釋決策的機構投資者而言，缺乏可解釋性並不是一個小的技術缺陷，而是一項實質性風險。

2.2 數據不可靠

AI 模型的可靠性取決於其所使用的數據。在投資領域，數據問題尤其突出。

首先是時滯。大多數大型語言模型都有訓練截止日期。市場即時變化，而模型知識並不會同步更新。即便 AI 系統接入了即時數據流，也仍然需要面對數據品質、標準化不一致和解讀偏差等問題。

其次是另類數據。近年來，投資機構越來越多地使用所謂另類數據——例如透過衛星影像追蹤停車場車流以推斷零售銷售情況，透過信用卡交易數據判斷消費趨勢，透過社交媒體情緒預測價格變動。由於這些數據集位於傳統金融數據體系之外，理論上可以提供資訊優勢。但在實踐中，數據品質參差不齊，而且任何特定信號與市場回報之間的關係都會隨時間變化。當越來越多投資者追逐同一類數據源時，稀缺優勢就會變成公共資訊，而公共資訊無法創造 alpha。

第三是非平穩性。金融數據不同於影像識別或通用自然語言處理中的輸入數據。市場統計特徵並不穩定；它們會隨著政策、流動性和投資者結構的變化而變化。某個在一個市場環境中有效的模式，可能在另一個環境中完全失效。這使得泛化能力——即在新環境中保持可靠表現的能力——在金融 AI 中遠比多數其他應用更難實現。

2.3 預測的邊界

也許最深層的限制在於：無論 AI 變得多麼強大，它本質上仍是一種模式識別工具。它可以識別歷史數據中的關係，但無法擺脫過去經驗的邊界。

市場不是靜態系統。市場由數以百萬計的人類決策共同塑造，而這些決策又受到預期影響，預期本身則會對價格變動作出反應。這種反饋循環意味著市場模式會不斷修正並瓦解自身。一旦某個由 AI 識別出的模式被廣泛跟隨，該模式就會消失——被它自身引發的行為所侵蝕。策略越成功，它播下自身失效種子的速度就越快。

‍

三、第二層約束：市場競爭的邏輯

假設 AI 能夠在某一策略中產生超額收益。接下來會發生什麼？

3.1 Alpha 是競爭優勢，而優勢會衰減

在金融市場中，alpha 指的是超過基準的收益——通俗地說，是因為比市場更聰明或更快而獲得的獎勵。AI 策略本質上是使用機器學習模型或大型語言模型來分析數據、生成信號，並輔助或替代人類投資判斷。當某人能夠比其他人更快或更準確地識別並利用資訊優勢時，alpha 就會存在，無論這種優勢來自人類分析還是機器智慧。

但市場競爭極其激烈。一旦某個策略被證明有效，資本和人才就會湧入，直到超額收益消失。這一動態同樣適用於 AI 策略，而且在某些方面更為嚴酷。AI 策略傳播速度快，也相對容易被複製。從發現一個有效信號到它被廣泛複製，這個窗口可能只有幾個月，甚至幾週。

長期證據並不樂觀。Eurekahedge AI Hedge Fund Index 在 2009 年 12 月至 2024 年 7 月期間的年化收益率為 9.8%。同期，標普 500 指數的年化收益率為 13.7%。在長達 15 年的周期中，AI 主題對沖基金作為一個類別並未跑贏市場，反而落後於市場。早期參與者或許曾獲得優勢，但隨著策略擴散，這種優勢逐漸消退。

3.2 規模悖論

即使某個 AI 策略在小規模下確實有效，擴大規模通常也會引入一種結構性約束，削弱原本的優勢。

反直覺的現實是：策略管理的資金規模越大，執行就越困難。當一個策略控制足夠多資金時，它會開始影響自己試圖交易的資產價格——買入會推高價格，賣出會壓低價格。策略最終會變成自己的對手。

這解釋了為什麼許多在有限實驗中表現亮眼的 AI 策略，難以在機構級規模下複製同樣結果。2025 年對沖基金業績數據提供了一個有用參照：D.E. Shaw 的 Composite Fund 上漲約 18.5%；Balyasny 回報約 16.7%；Citadel 旗艦基金 Wellington 上漲約 10.2%；Millennium 上漲約 10.5%。規模與收益並不總是同向變化。在 AI 時代，alpha 更依賴靈活性、精確性和時機，而不僅僅是模型複雜度。最好的 AI 並不總能帶來最好的回報。

‍

四、第三層約束：現實執行的摩擦

為了論證方便，假設某個 AI 系統確實具備預測能力，而且市場尚未完全吸收其信號。此時還有一個更重要、卻往往被低估的問題：這些能力能否在真實投資機構中被可靠執行？

投資並不是一個模型給出答案、資金就自動跟隨的過程。真實投資決策要經過研究、風險管理、交易、合規和客戶溝通等環節，每一步都可能引入摩擦。AI 的優勢在於速度、數據處理和自動化。而機構投資管理的核心要求則是審慎、可解釋和可問責。這兩組要求並不天然一致。

4.1 人機衝突

在多數投資機構中，AI 是工具，而不是決策者。最終投資決策仍由人來作出。

這會產生結構性張力。當 AI 信號與基金經理判斷衝突時，誰說了算？如果模型建議買入，而基金經理認為風險太高，信號就會被忽略。如果模型建議減倉，而基金經理擔心錯過上漲，模型就會被推翻。長期來看，AI 策略在真實環境中的執行結果，並不完全反映模型輸出，而是機器信號與人類直覺反覆妥協後的結果。

這也是許多 AI 策略在回測中表現出色、但在實盤中令人失望的原因。問題往往不在於模型錯誤，而在於模型從未被持續一致地執行。

4.2 機構流程稀釋 AI 的速度優勢

速度是 AI 最常被提及的優勢之一。它可以處理海量資訊、識別市場變化，並以遠快於任何人類團隊的速度生成交易信號。

但大型投資機構並不是為極致速度而設計的。從模型信號到實際下單，通常需要經過風險管理審批、倉位限制檢查、投資委員會討論、合規審查，有時還需要客戶授權。這些流程有其合理性——它們保護投資者，並防止模型失控運行。但它們也會削弱 AI 最被依賴的優勢。

當一個信號必須經過多層審批才能執行時，價格可能已經變動，機會可能已經消失。AI 提供的是即時判斷，而機構基礎設施往往帶有延遲。兩者之間的差距足以抹去本就微薄的 alpha。

4.3 當模型失效時，你可能不知道原因

還有一種執行風險常常未被充分重視：當 AI 策略開始失效時，這種失效可能難以發現，更難診斷。

當傳統策略表現惡化時，基金經理通常可以追溯其邏輯。是宏觀判斷錯誤？還是行業判斷失誤？但在 AI 策略中，決策過程往往不透明。當收益開始下降時，人們可能無法判斷究竟是市場環境發生了變化，還是模型對歷史模式過度擬合，抑或底層數據品質出現惡化。這種不透明性使風險管理和退出決策比傳統策略困難得多。

結果是：執行 AI 策略不僅要問你能否遵循信號，還要問你什麼時候應該停止信任模型。後一個問題很少有清晰答案。

‍

五、三重約束對投資者意味著什麼？

技術、市場和執行三個維度結合起來，能更完整地回答 AI 是否能夠可靠地為投資者賺錢這一問題。

從技術層面看，AI 仍然不穩定。幻覺、不可靠數據，以及對真正新事件的有限預判能力，意味著 AI 還無法持續作出穩健、獨立的投資決策。它可以作為人類判斷的有用補充，但遠未成為可靠的自主決策者。

從結構層面看，AI 驅動的優勢難以維持。即使 AI 在某一時點創造了 alpha，市場競爭也往往會迅速侵蝕這種優勢。策略複製速度比以往更快，而規模悖論限制了即便有效的策略能夠擴展到多大程度。

從操作層面看，執行遠比看起來更困難。即便模型按預期運行，機器信號與機構流程之間的摩擦，再加上 AI 決策過程的不透明，通常會使實盤收益顯著低於回測所暗示的水平。

由此可以得出三個實踐結論。

第一，不要高估 AI 創造收益的能力。大多數被廣泛引用的 AI 投資成功案例，都依賴回測、有利市場條件或小規模實驗，既不可持續，也難以複製。在評估 AI 驅動產品時，應要求查看實盤業績記錄，並要求對 AI 實際如何參與投資流程作出清晰說明。

第二，AI 是工具，不是策略。它最有防禦性的角色，是提高投資流程效率——降低研究成本、加快資訊處理、支持風險識別、減少營運開支。最有效的應用往往是協作型應用：AI 負責數據密集型分析，人類保留最終決策權。

第三，執行能力與模型品質同樣重要。一個強大的 AI 信號，如果不能被持續一致地執行，也不會產生強勁回報。在評估任何 AI 驅動投資方法時，正確的問題不只是「模型有多好？」，還應包括「這個機構是否具備可靠執行該模型的紀律和基礎設施？」

‍

六、結論

回到文章開頭的辦公室場景。螢幕上的回測數字依舊亮眼——年化收益率 32%，最大回撤低於 5%。但這些數字背後，隱藏著三層回測無法展示的現實。

從技術上看，模型會產生幻覺，數據會誤導人，黑天鵝事件也不在任何訓練集之內。從結構上看，有效信號會被迅速複製，alpha 窗口關閉的速度比表面看起來更快。從操作上看，人類判斷與機器輸出之間的摩擦、機構流程中的延遲，以及模型開始失效時的沉默，都會共同拉大理論表現與實際收益之間的差距。

AI 不是市場的秘密代碼。它是一種工具——真實存在、不斷演進，並且在合適情境下確實有用。但工具終究只是工具。它不能替代判斷，不能消除不確定性，也不能保證收益。

最持久的投資優勢，從來不是來自擁有最複雜的工具，而是來自清楚、誠實地理解這個工具能做什麼、不能做什麼。在 AI 時代，這種清醒認知，正是穩健投資決策的起點。

‍