當(dāng)全市場都在用Agent炒股，人類的唯一勝算在哪？

作者丨岑峰

編輯丨馬曉寧

一年前，金融大模型賽道還在為“通用底座微調(diào)”還是“純垂類自研”爭論不休；一年后，一場全球首個 AI 投資大賽Trading Arena的賽果讓行業(yè)重構(gòu)了認知：國產(chǎn)通用大模型通義千問、DeepSeek 擊敗一眾美國基礎(chǔ)模型，在實盤模擬中脫穎而出。

當(dāng)“通用邏輯”開始在極端專業(yè)的金融賽道展現(xiàn)統(tǒng)治力，我們不禁要問：AI 是否真的具備了超越人類分析師的“投資直覺”？在高收益、低風(fēng)險、高流動性的“不可能三角”面前，AI 是破局者，還是加速收割的“軍備競賽”？

近日，雷峰網(wǎng) & AI 科技評論特別邀請了香港科技大學(xué)（廣州）袁子軒老師、浙江大學(xué)方榯楷老師、資深分析師張菁老師，圍繞“AI 大模型金融應(yīng)用的機遇與挑戰(zhàn)”展開了一場深度對話。他們從投資大賽的底層邏輯出發(fā)，拆解了 Agent 智能體在金融場景的落地瓶頸，并對“黑天鵝”預(yù)判及人類分析師的終極核心競爭力進行了深刻反思。

提及Trading Arena，嘉賓認為，這場比賽是一次極佳的“大規(guī)?？破?/b>”，它證明了大模型已經(jīng)可以承擔(dān)70%~80%的數(shù)據(jù)收集與基礎(chǔ)分析工作。

然而，比賽的勝出并不等同于對現(xiàn)有金融體系的超越。DeepSeek 等模型的勝出，或許并不完全靠“更懂金融語料”，而是靠更強的通用推理能力與穩(wěn)健的投資風(fēng)格勝出。這標(biāo)志著行業(yè)路徑的收斂——相比于堆砌金融語料，打造一個具備頂級邏輯推理能力的“大腦”才是金融應(yīng)用的第一性原理。

此外，Agent Workflow（智能體工作流）已成為金融機構(gòu)的核心攻堅點。AI 的躍遷不在于寫了一篇多么漂亮的研報，而在于“研究覆蓋廣度”與“邏輯一致性。

然而，Agent 并非萬能。三位嘉賓達成共識：金融是一個容錯率極低的行業(yè)，未來的金融 Agent 不應(yīng)只是調(diào)取通用接口，更需要配備專業(yè)的“金融工具箱”。在人類實地調(diào)研、獲取“離線數(shù)據(jù)”的能力面前，AI 目前仍是一個需要人類駕駛員隨時準(zhǔn)備“踩剎車”的輔助系統(tǒng)。

“黑天鵝”預(yù)判一直是投資界的“圣杯”。AI 是否能發(fā)現(xiàn)那些難以量化的非理性風(fēng)險？對此，方榯楷老師提出了兩條路徑：一是基于自然語言的多模態(tài)感知，通過感知推特、新聞、公告等微小擾動來推演風(fēng)險；更有想象力的第二條路徑是構(gòu)建金融“世界模型（World Model）”，他分享了在微軟參與的 Mars 項目，通過建模二級市場最底層的“訂單流”來打造金融市場的數(shù)字孿生。在這種仿真環(huán)境下，AI 可以遍歷數(shù)萬種極端場景，捕捉可能引發(fā)崩盤的“觸發(fā)點”。

袁子軒老師則堅持“知識圖譜 + 大模型”的混合路徑。他認為，知識圖譜是人類經(jīng)驗的“行動綱領(lǐng)”，大模型是執(zhí)行的“肌肉”。只有通過結(jié)構(gòu)化的因果推演，才能在不確定性中找到邏輯的抓手，避免模型陷入“一本正經(jīng)胡說八道”的幻覺陷阱。

當(dāng)全市場都擁有了頂級的 AI 工具，金融市場會發(fā)生什么樣的變化？對此，張菁老師給出了一個令投資者警醒的觀點：AI的普及會迅速壓平“信息層”的Alpha。投資不是比誰預(yù)測得準(zhǔn)，而是比誰能承擔(dān)結(jié)構(gòu)性代價。在 AI 軍備競賽中，超額收益會變得更集中、更短命且更暴利。

那么，人類的終極競爭力在哪里？張菁認為，是“認知差”。在大規(guī)模范式轉(zhuǎn)移、新敘事產(chǎn)生、以及缺乏歷史樣本的定性決策面前，人類對于“不可規(guī)則化”風(fēng)險的直覺和認知是 AI 難以企及的。

“投資中最危險的不是犯錯，而是精確地犯錯。”AI 可能會因為邏輯趨同而制造流動性真空，而人類則需要保持清醒，在“完全理性”的算法叢林里尋找非共識的生存機會。

以下是此次圓桌討論的精彩分享，AI 科技評論進行了不改原意的編輯整理：

岑峰：大家好，我是雷峰網(wǎng)的岑峰，歡迎來到Gair live 第 21 期，本期主題是“AI 大模型金融應(yīng)用的機遇與挑戰(zhàn)”。

在正式討論前，我想分享一個震撼金融圈和 AI 圈的消息：上個月結(jié)束的全球首個 AI 投資大賽Trading Arena中，來自中國的通用大模型通義千問、 DeepSeek 獲得前兩名，而美國另外 4 個參賽的大模型，另外 4 個來自美國的基礎(chǔ)模型均告虧損。一年前行業(yè)還在爭論是通用模型加金融語料的微調(diào)更強，還是金融垂類的大模型更專業(yè)，但現(xiàn)在的局面似乎發(fā)生了變化。在未來，AI 大模型將會給金融投資帶來怎樣的躍遷，能否成為普通投資者獲得更好的收益的投資工具？今天我們請到了港科廣的袁子軒老師，浙大的方榯楷老師以及分析師張菁老師。首先請三位做簡單的自我介紹。

袁子軒：大家好，我是袁子軒，現(xiàn)任香港科技大學(xué)（廣州）金融科技學(xué)域助理教授。主要研究方向為金融文本挖掘、事件驅(qū)動、股票交易知識圖譜構(gòu)建與推理。我的實驗室與券商、基金、銀行及 IT 公司保持緊密的科研與項目合作。同時，我是一家初創(chuàng)企業(yè)的創(chuàng)始人，公司愿景是通過構(gòu)建AI Agent，為每一位個人投資者配備一個數(shù)字人團隊，其中包括數(shù)字人分析師、數(shù)字人投資顧問和數(shù)字人基金經(jīng)理，為普通投資者提供具有個性化的專業(yè)財富管理服務(wù)。

方榯楷：大家好，我叫方榯楷，現(xiàn)任浙江大學(xué)信電學(xué)院百人計劃研究員、博士生導(dǎo)師。研究方向包括機器學(xué)習(xí)、生成式 AI 及時間序列。加入浙大前，我曾任職于微軟亞洲研究院機器學(xué)習(xí)部金融組，參與過金融基座大模型及金融 Agent 的開發(fā)。在求學(xué)期間我對量化投資非常感興趣，曾在摩根斯坦利、世坤（Worldquant）及私募機構(gòu)有實習(xí)和比賽經(jīng)歷，對二級市場比較熟悉。

張菁：大家晚上好，我是張菁，理工科背景。目前在投資機構(gòu)從事科技行業(yè)研究和 A 股策略研究，協(xié)助投資經(jīng)理進行組合管理。我的工作重點是搭建從宏觀策略到細分行業(yè)的基本面研究框架，跟蹤科技產(chǎn)業(yè)趨勢并轉(zhuǎn)化為可執(zhí)行的投資判斷。此外，我也與袁老師團隊合作，提供 A 股市場基本面研究邏輯及部分細分行業(yè)的特異性跟蹤框架。

01
揭秘國產(chǎn)AI“橫掃投資大賽”的背后真相

岑峰：謝謝三位。我們從全球首個 AI 投資大賽談起。我注意到袁老師團隊在大賽結(jié)束后發(fā)表了一篇相關(guān)的論文，您如何看待大賽的結(jié)果？

袁子軒：大賽結(jié)果非常有意思。第一賽季以加密貨幣為標(biāo)的，通義千問表現(xiàn)最佳，DeepSeek 緊隨其后，再次凸顯了國產(chǎn)大模型的能力。后續(xù)加賽標(biāo)的變?yōu)槊拦?，Grok-4.20 和 ChatGPT 表現(xiàn)較好。

我的看法有以下幾點：

以 DeepSeek 為例，其表現(xiàn)反映出頭部量化公司及 IT 機構(gòu)已在大范圍部署大語言模型，輔助交易員或投資經(jīng)理做決策。模型展現(xiàn)出了超常的市場敏感度和機會挖掘能力。

我認為這場比賽更多的是一種大規(guī)模的科普，這種“打擂臺”的方式讓大家意識到大模型可以直接用于投資。雖然目前投資結(jié)果不穩(wěn)定性較高，但隨著技術(shù)迭代，模型終能承擔(dān) 70%~80% 的數(shù)據(jù)收集與分析工作，人類只需負責(zé)最終拍板。

另外，大模型在不同經(jīng)濟周期和市場環(huán)境下的表現(xiàn)并不穩(wěn)定。兩周的賽期太短，這種短期表現(xiàn)的局限性不足以證明其能力強于人類交易員。驗證策略有效性通常需要經(jīng)歷牛熊市場的長周期，以剔除噪聲、運氣及市場波動等因素。

最后，普通投資者不能盲目相信大模型的投資建議。大模型目前更多起到“傳話筒”的作用，通過聯(lián)網(wǎng)搜索將市場觀點糅合推給用戶，是一個強大的信息整合工具。但涉及最終買賣決策，仍需要嚴謹?shù)臎Q策系統(tǒng)或經(jīng)驗豐富的交易員，才能生成長期穩(wěn)健的策略。

岑峰：袁老師在論文中提到的方法也證明，模型正從直覺判斷轉(zhuǎn)向有理有據(jù)的思考。我想請問方老師，您如何看待比賽結(jié)果？此外，像清華推出的金融 K 線大模型（Chronos）等前沿工作，對這類比賽和行業(yè)應(yīng)用有何促進？

方榯楷：關(guān)于這個比賽，我認為它對現(xiàn)實的參考意義有限，原因在于模型的輸入信息極其匱乏。比賽第一季中，模型能看到的信息僅限于交易幣種及過去一段的價格序列，幾乎沒有基本面輸入。即便在第二季，也僅能看到排名或?qū)κ直P信息。這種純粹基于價格序列的決策，更多是捕捉了加密貨幣市場高流動性、高 Alpha 的特性。

雖然 DeepSeek 和通義千問成績不錯，但我對其展現(xiàn)的“強推理”持保留意見。在加密貨幣這種波動大、機會多的市場，簡單的趨勢跟蹤信號就能獲利。DeepSeek 的勝出可能更多源于其交易風(fēng)格的穩(wěn)健，比如它對交易節(jié)奏和成本的把控較好；而 GPT 或 Claude 輸在過于激進，傾向于梭哈或加高杠桿。這可能受模型訓(xùn)練過程中形成的“人格化特征”影響，而非純粹的邏輯推理。

您提到的清華 Chronos 屬于時間序列大模型，它將金融時間序列作為一種非語言模態(tài)進行預(yù)訓(xùn)練。雖然目前直接用于交易可能仍有爭議（有用戶反饋實測效果不佳），但我認為這條路徑更具前景。

在金融市場，技術(shù)面因子和價格始終是最核心的數(shù)據(jù)。與其繞道語言模態(tài)去推測時間序列，不如直接在時間序列模態(tài)上構(gòu)建通用底座模型（Foundation Model）。如果模型能精準(zhǔn)預(yù)測股價漲跌，哪怕沒有復(fù)雜的語言推理，簡單的交易策略也能獲得極佳表現(xiàn)。因此，在技術(shù)面交易上，我更看好非語言模態(tài)的通用模型。

岑峰：張老師，您又是如何看待這場比賽的呢？

張菁：剛才兩位老師從模型和比賽解讀上已經(jīng)分享了很多，我從真實的投資交易的視角和底層資產(chǎn)的角度補充兩方面看法：

從投資角度，我個人對結(jié)果持謹慎態(tài)度。在投資中，收益率高低不能直接映射為模型的智能水平，只能說明該模型生成的策略在特定時期更適配當(dāng)期的市場與約束。
金融交易存在三重隨機性：一是大語言模型在采樣輸出層面的隨機性；二是金融市場作為高噪聲系統(tǒng)，價格波動存在大量的不可預(yù)測性；三是真實交易中存在滑點、風(fēng)控、強平等現(xiàn)實約束。在這種疊加狀態(tài)下，單一賽季的成績更像是一個樣本，而非模型長期能力的反映。

從資產(chǎn)類別的底層邏輯來看，第一賽季標(biāo)的是高波動、高杠桿的加密貨幣永續(xù)合約。這更多是一個“在規(guī)則中如何幸存”的游戲，對風(fēng)險紀律和倉位控制的要求遠高于對方向的預(yù)測。

后續(xù)賽季標(biāo)的變更為美股，無杠桿且有更多基本面信息。Grok 的勝出很大程度被歸因于其背后的 X 平臺在實時信息與輿情獲取上的優(yōu)勢，這在短周期決策中非常有效。
真正的通用能力應(yīng)對任務(wù)分布的變化不敏感。兩場比賽結(jié)果的巨大差異，恰恰說明目前比賽測算的是模型在噪聲、杠桿及約束下的風(fēng)險控制與行為一致性，而非純粹的智力水平。

岑峰：感謝張老師。您提到了兩個關(guān)鍵點：一是隨機性，這讓我想起《隨機漫步的傻瓜》一書，說明了金融投資的不可控性；二是風(fēng)險因素與條件約束。不同策略在不同場景下的表現(xiàn)迥異，這正體現(xiàn)了金融投資的復(fù)雜性。

02
“既要又要還要”，AI能打破投資的“不可能三角”嗎？

岑峰：我們順著這個話題延展：面對復(fù)雜的金融投資環(huán)境，究竟是傳統(tǒng)金融垂類模型更有優(yōu)勢，還是說通用大模型在比賽中的勝出，預(yù)示著其已具備超越傳統(tǒng)模型的能力？

袁子軒：模型能力的提升并不等同于對現(xiàn)有模型的超越。無論是 AI 還是人類，挖掘策略時必須搞清楚“賺的是哪部分錢”。投資不是簡單地通過提示工程將信息整合并交給模型，利用其先驗知識（Prior Knowledge）尋找鏈路，而是要深入研究其背后的投資邏輯（如量價因子、反轉(zhuǎn)因子或價值因子）。

真實的交易離簡單的信號或趨勢判斷很遠。我們需要在風(fēng)控層面上做大量工作，確保模型做出的每一個決策都是可落地的。

大模型本質(zhì)是知識的壓縮。不同模型（如通義千問與 DeepSeek）的訓(xùn)練語料截然不同，推理時可能會堆疊無關(guān)信息。在不同時間與場景下，篩選并權(quán)衡關(guān)鍵因素的能力與邏輯推理同等重要。

優(yōu)秀的策略需經(jīng)受不同周期與極端行情的考驗。目前大模型在極端環(huán)境下常表現(xiàn)出不理性行為（如盲目梭哈），僅在與預(yù)訓(xùn)練環(huán)境相似的條件下表現(xiàn)較好。一旦市場環(huán)境發(fā)生切換，其分析與交易優(yōu)勢可能蕩然無存。
大模型目前缺乏自我校驗?zāi)芰?。即便使用多智能體框架（Multi-agent framework），仍會出現(xiàn)“一本正經(jīng)胡說八道”的情況。目前基于一致性的校驗方法（如 LLM-as-a-judge）只能說明輸出內(nèi)容在多次采樣中保持一致，并不代表判斷正確。這是大模型在金融決策領(lǐng)域面臨的最大風(fēng)險隱患。

岑峰：袁老師提到通用模型策略無法完全替代專業(yè)人士的實戰(zhàn)經(jīng)驗，這似乎說明金融垂類模型在未來競爭中仍具優(yōu)勢。我想請教張菁老師，從金融機構(gòu)的需求角度，是否能驗證這一看法？

張菁：關(guān)于模型底層的技術(shù)細節(jié)我了解不多，但從機構(gòu)需求角度來看，目前大家尚未完全決定走哪條路線。

以彭博（Bloomberg）為例，他們曾投入巨資從頭訓(xùn)練垂類模型 BloombergGPT，擁有終端數(shù)據(jù)和高效解讀優(yōu)勢，但目前行業(yè)內(nèi)對其后續(xù)聲量和實際效果討論較少，說明純垂類路徑成本極高且結(jié)果具有不確定性。

從機構(gòu)的核心訴求看，無論走哪條路徑，機構(gòu)最關(guān)注的是效率提升、覆蓋面拓展和成本節(jié)省。金融是一個容錯率極低的行業(yè)。大模型無法為決策負責(zé)，最終責(zé)任必須由具體的人承擔(dān)。因此，我們在評估模型時，核心不在于它有多聰明，而在于其風(fēng)險是否可控、結(jié)果是否可預(yù)測。

岑峰：除語料因素外，美國大模型在比賽中表現(xiàn)不一，是否也受技術(shù)路線影響？

方榯楷：我不認為這個比賽能證明技術(shù)路線的優(yōu)劣，目前大模型技術(shù)在預(yù)訓(xùn)練和架構(gòu)上已經(jīng)高度收斂。

現(xiàn)在的工業(yè)界 follow 論文和架構(gòu)優(yōu)化、強化學(xué)習(xí) trick等新技術(shù)的速度非常快，一旦某個架構(gòu)被證明有效，大家會迅速同步。正如 OpenAI 成員所言，Scaling 的時代可能已結(jié)束，現(xiàn)在更多進入了研究驅(qū)動的階段。

評價模型不能只看 BenchMark 上微小的分差。我常用招聘來打比方：金融機構(gòu)更喜歡理工科背景、視野開闊的復(fù)合型人才，而非只懂金融的“純專才”。模型也一樣，通用基礎(chǔ)打得越好、推理能力越強，其能力的上限就越高。

垂類工作（Domain Knowledge）負責(zé)托住模型的“下限”。一年前大家覺得做知識庫、掛 RAG（檢索增強生成）就是垂類模型，但現(xiàn)在這已成為主流且平凡的技術(shù)方案。

真正的垂類優(yōu)勢不應(yīng)僅體現(xiàn)在擁有更多數(shù)據(jù)或簡單的微調(diào)，這種方式難以說服市場。真正有價值的垂類路徑，是將金融領(lǐng)域的專業(yè)范式（如信號預(yù)測、風(fēng)控邏輯、不確定性分析）內(nèi)化為一套 Agent Workflow（智能體工作流）。讓模型像專業(yè)人士一樣，在決策前必須收集特定信息、調(diào)用時序工具或輿情工具，并完成結(jié)構(gòu)化的分析。這種將行業(yè) Know-how 結(jié)構(gòu)化地融入模型執(zhí)行鏈路的能力，才是金融應(yīng)用真正有意義的方向。

岑峰：投資領(lǐng)域存在一個“不可能三角”，即高收益、低風(fēng)險和高流動性難以兼得。AI 大模型是否讓這個不可能三角松動，甚至打破了“不可能三角”？在實際工作中，各位老師如何考慮并試圖破解這一難題？

袁子軒：直覺告訴我“不可能三角”基本不可能被打破。作為“游戲參與者”，想要改變游戲規(guī)則是非常困難的。

張老師和方老師都提到，金融市場存在嚴重的信息不對稱、高度不確定性以及大量噪聲，本質(zhì)是多方博弈。引入 AI 玩家并不能從底層改變這種博弈的邏輯，因此“不可能三角”將繼續(xù)存在。

從短期來看，市場參與者之間的收益是零和博弈，一個人賺錢了，另一個人必定虧錢。但如果從長期來看，收益源于 GDP 增長和價值創(chuàng)造，這意味著只要采取正確的投資策略，從長期來看一定是能夠賺到錢的。

我認為，AI 的核心價值在于作為輔助工具，快速處理非結(jié)構(gòu)化或半結(jié)構(gòu)化數(shù)據(jù)，挖掘投資機會；同時，利用 AI 模擬不同場景和假設(shè)，幫助投資者判斷長期增長趨勢及潛在收益，而不是從根本上改變投資規(guī)則。

方榯楷：我用一個比喻來回答：相比個人，AI Agent 是一個更理性、更專業(yè)的投資者，它知識儲備更廣，且不會由于“頭腦一熱”做出沖動決策。

對比起機構(gòu)化程度較高的美股。 A 股情緒驅(qū)動較多，經(jīng)常出現(xiàn)類似“川普獲勝，川大智勝漲停”這樣受輿論裹挾的非理性波動。未來隨著更多 AI Agent 加入，市場會變得更加理性，非理性的炒作和泡沫會相應(yīng)減少。

現(xiàn)在大家做投資，往往關(guān)注的是二級市場里的這些一些波動或一些大的趨勢，但它可能是來自于一級市場，甚至說整個經(jīng)濟，甚至說整個產(chǎn)業(yè)的那種變化。AI Agent 或許能幫人挖掘 Alpha（超額收益），但真正決定長期表現(xiàn)的是 Beta（市場表現(xiàn)）。而 Beta 往往由二級市場之外的產(chǎn)業(yè)、經(jīng)濟等宏觀因素決定，對此 AI 往往愛莫能助。
“不可能三角”是基于數(shù)學(xué)假設(shè)的客觀規(guī)律，不因投資者是否理性而改變。

我不認為該規(guī)律應(yīng)該被打破：如果真的出現(xiàn)能完美預(yù)測一切的“神級AI”，會導(dǎo)致嚴重的馬太效應(yīng)，財富將極度集中，就像劉慈欣在《贍養(yǎng)人類》中描述的“終產(chǎn)者”一樣。因此，這一規(guī)律某種程度上也保護了普通人，維持了系統(tǒng)的平衡。

張菁：我非常認同，“不可能三角”無法打破，這本質(zhì)上不是技術(shù)問題，而是市場結(jié)構(gòu)本身的約束。不可能三角的三個頂點本質(zhì)是沖突的，高流動性意味著信息被迅速消化，壓縮了基于信息差的超額收益；低風(fēng)險意味著拒絕承擔(dān)尾部風(fēng)險，而尾部風(fēng)險恰恰是高收益的來源；高收益來自信息不對稱或承擔(dān)他人不愿承擔(dān)的風(fēng)險。無論是真人還是模型，本質(zhì)都是在三者之間做取舍。
AI 的優(yōu)勢在于單位時間內(nèi)處理信息的能力，看似符合“完全理性人”假設(shè)，但無法改變市場結(jié)構(gòu)。在收益端，AI 擅長“時間套利”，更快發(fā)現(xiàn)并執(zhí)行，但這會導(dǎo)致超額收益的持續(xù)性變短；在風(fēng)險端，AI 只能降低“可建模的風(fēng)險”，無法消除尾部風(fēng)險。甚至可能由于“模型趨同”，在極端行情下同時做出相似決策，制造流動性真空，從而放大系統(tǒng)性風(fēng)險。

投資中最危險的不是犯錯，而是“精確地犯錯”。模型可能會給人一種“因為技術(shù)高，所以判斷精確、風(fēng)險低”的錯覺。大語言模型的核心價值不是替代投資者做判斷，而是降低人類在不確定環(huán)境中的結(jié)構(gòu)性認知偏差。保持對工具優(yōu)勢與局限性的清醒認識，才是最有意義的。

03
從“復(fù)讀機”到“印鈔機”：頂級機構(gòu)是如何調(diào)教“數(shù)字分析師”的？

岑峰：的確，不可能三角之間相互制約，同時金融數(shù)據(jù)具有稀疏性、高波動性和非結(jié)構(gòu)化等特點，這是否是 AI 理解市場的關(guān)鍵限制？在應(yīng)用中如何克服？

袁子軒：針對這三個難點，我分別談?wù)勎覀兊膶Σ撸?/p>

金融市場中有價值的信息其實非常稀缺。我們主張做“減法”，通過方法論獲取最精準(zhǔn)的數(shù)據(jù)喂給模型。我們會與張菁老師等優(yōu)秀分析師或基金經(jīng)理深度溝通，將他們的行業(yè)觀點和看待市場的框架轉(zhuǎn)化為知識圖譜或高質(zhì)量標(biāo)注，讓模型在推理階段參考這些專家經(jīng)驗做決策。

針對高波動性的特點，市場變化極快且數(shù)據(jù)分布不斷“漂移”，單純基于歷史數(shù)據(jù)訓(xùn)練的模型延展性較弱。因此，我們將大模型與傳統(tǒng)的主觀或量化模型結(jié)合，接入實時市場信息，并通過場景模擬、壓力測試等手段，確保模型在波動市場下的決策魯棒性。

最后是非結(jié)構(gòu)化處理，我們利用微調(diào)后的模型將研報、公告、新聞等轉(zhuǎn)化成結(jié)構(gòu)化信息表。配合投研分析框架，模型可以高效識別核心觀點和核心數(shù)據(jù)，并實現(xiàn)自主探索、分析與驗證。雖然仍有“人機協(xié)作（Human-in-the-loop）”環(huán)節(jié)，但在多數(shù)情況下模型能自主迭代，大幅提升了處理復(fù)雜數(shù)據(jù)的效率。

AI 是高效工具而非替代品。它能幫助分析師快速收集整理重要信息，顯著提升工作效率與決策效率。

岑峰：袁老師提到充分利用大模型能力去自主調(diào)研、自主分析，請教張老師，這種多智能體協(xié)作方式在金融機構(gòu)的落地效果如何？它能否真正進入分析師的核心工作流？

張菁：目前大模型工具在金融機構(gòu)的應(yīng)用，主要在紀要整理、初稿生成、數(shù)據(jù)匯總及合規(guī)檢查等環(huán)節(jié)，智能體協(xié)作已在多家機構(gòu)落地，且在這些初級場景中的提效穩(wěn)定性優(yōu)于初級人工。

但在涉及“核心判斷”的環(huán)節(jié)，大模型尚未真正涉足。原因不在于技術(shù)能力，而在于金融決策中存在大量無法規(guī)則化的“灰度判斷”、非公開的政策預(yù)期以及最終的責(zé)任歸屬問題。

與袁老師團隊的合作讓我看到了未來工作的兩個躍遷維度：首先是廣度，過去人腦由于精力有限，撰寫一篇深度報告可能需要兩個月；現(xiàn)在通過將投資框架拆解為判斷規(guī)則、約束條件和因果路徑，交給 Agent 掃描全市場，能極大擴展研究覆蓋面；其次是邏輯的一致性，這種基于邏輯的掃描不僅能輔助研究，還能幫分析師發(fā)現(xiàn)被忽視的機會或糾正之前的錯誤觀點。

目前合作產(chǎn)出的行業(yè)觀點及點評已接近初級行研員水平。不同于通用大模型僅能做“相關(guān)性分析”或“事實陳述”，袁老師團隊的產(chǎn)品基于產(chǎn)業(yè)鏈傳導(dǎo)的因果推演，能真正理解市場邏輯并指導(dǎo)投資。我認為這種基于專家邏輯的深度結(jié)合，是大模型在金融領(lǐng)域真正實現(xiàn)價值的方向。

04
預(yù)測下一次“金融海嘯”：AI能識別那些看不見的黑天鵝風(fēng)險嗎？

岑峰：張老師提到真實投資場景中存在許多難以量化的“灰色規(guī)則”。請問方老師，AI 大模型能否通過分析推理，發(fā)現(xiàn)金融市場中難以量化的風(fēng)險，甚至預(yù)判“黑天鵝”事件以避免重大損失？目前的障礙在哪里？

方榯楷：這是一個非常有深度的問題。關(guān)于 AI 如何預(yù)測“黑天鵝”，我理解目前主流有兩條技術(shù)路徑：

第一條路徑是基于自然語言的多模態(tài)感知推理，盡可能擴展 AI 的輸入模態(tài)，不僅是專業(yè)分析師的觀點，還包括輿情、產(chǎn)業(yè)鏈因果鏈條、圖片、表格等豐富信息。期待 AI 憑借強大的感知與推理能力，從復(fù)雜信息中推斷出風(fēng)險。

不過，我對此路徑持保留意見。黑天鵝事件之所以被稱為黑天鵝，是因為其邏輯關(guān)鍵點往往是反主流、背離常識且屬于極小概率的。大模型接收的多是主流觀點，而黑天鵝往往是“未定義”或“未知”的。目前的 AI 推理對于處理這種非主流邏輯、預(yù)測未知領(lǐng)域（Unknown）仍非常困難。

路徑二是構(gòu)建金融“世界模型（World Model）”或數(shù)字孿生，借鑒機器人領(lǐng)域的“世界模型”思路，通過建模真實事件來實現(xiàn)仿真。

我在微軟期間參與了金融基座大模型 Mars 的工作。我們收集二級市場最底層的訂單信息進行建模，因為價格形成的核心是訂單撮合與多空博弈。將訂單邏輯學(xué)會后，模型更像是金融市場的“數(shù)字孿生”或模擬器。我們可以進行無風(fēng)險仿真，比如研究大額拆單的“市場沖擊（Market Impact）”，或觀察市場在自由演化下是否會突然崩潰。通過在平行世界中遍歷各種極端操作或隨機事件，尋找引發(fā)黑天鵝的“觸發(fā)點（Trigger）”。
總結(jié)一下，預(yù)測黑天鵝的兩條路一是通過超強的多模態(tài)推理發(fā)現(xiàn)端倪；二是通過構(gòu)建金融世界模型進行壓力測試與仿真。這兩者都是目前非常前沿且酷的研究方向。

岑峰：過去我們利用知識圖譜（KG）關(guān)聯(lián)金融知識，現(xiàn)在大模型通過隱式推理直接給出結(jié)果。袁老師提到大模型已具備一定的因果理解能力，在您的研究中，這種能力達到了什么程度？

袁子軒：大模型在推理任務(wù)中表現(xiàn)優(yōu)異，但在處理行業(yè)專家的邏輯時仍存在不穩(wěn)定性，且通過精準(zhǔn)微調(diào)來更新知識的成本極高。因此，我們將傳統(tǒng)知識圖譜與大模型結(jié)合，主要邏輯如下：

一是將知識圖譜作為“行動綱領(lǐng)”。知識圖譜能夠記錄分析師的決策路徑和思考鏈路，雖然它在表達隱性知識上有局限，但能作為結(jié)構(gòu)化的分析工具輔助模型判斷。

在知識圖譜設(shè)定的路徑上，我們部署由多個 Agent 組成的“行動小組”，分別負責(zé)搜索、分析、驗證、回測和交易。通過多角度交叉驗證，確保模型給出的答案可靠且可落地。

知識圖譜不僅能提升模型效能，還是連接分析師與專家的媒介。未來，分析師的投研方法論可以轉(zhuǎn)化為高價值的數(shù)字化金融資產(chǎn)，通過人機共創(chuàng)模式實現(xiàn)知識共享，幫助普通投資者做決策。

岑峰：在將專業(yè)知識落地的過程中，有哪些關(guān)鍵點和難點？

張菁：在與袁老師團隊的合作中，我們主要通過持續(xù)的交互和反饋來解決落地問題：

首先是框架拆解與輸入，我會將通用的股票研究框架、細分產(chǎn)業(yè)鏈邏輯以及不同市場環(huán)境下的交易關(guān)注點提供給技術(shù)團隊進行初步訓(xùn)練。

然后是閉環(huán)測試與糾偏，我們會針對生成結(jié)果進行嚴謹判斷，檢查模型是否找到了精確數(shù)據(jù)，是否存在“幻覺”或自說自話的邏輯補足。

我們利用突發(fā)事件（如財報發(fā)布、供應(yīng)鏈新聞、個股黑天鵝等）進行壓力測試，觀察模型對股價波動影響的評價是否符合真實市場反應(yīng)，從而不斷優(yōu)化整個體系，確保模型真正理解行業(yè)和二級市場邏輯。

岑峰：從學(xué)術(shù)研究角度看，如何讓大模型能力與金融專家經(jīng)驗達成完美協(xié)同，而不是簡單的替代？

方榯楷：我認為未來大模型在實際場景的應(yīng)用一定是 Agent化的，協(xié)同的核心體現(xiàn)在兩個維度：

一是工作流（Workflow）的節(jié)點連接，智能體的核心競爭力在于其工作流設(shè)計。在復(fù)雜的決策鏈條中，某些關(guān)鍵節(jié)點必須引入人為的經(jīng)驗和價值判斷，以此消除模型的不確定性，保證輸出質(zhì)量；

二是專業(yè)工具箱（Skill/Tools）的打造：決定 Agent 能力上限的是它的“工具箱”。我們不應(yīng)依賴模型從頭學(xué)習(xí)解決每一個具體且困難的問題，而應(yīng)由專業(yè)分析師針對細分領(lǐng)域打造專業(yè)的工具（如輿情分析工具、產(chǎn)業(yè)鏈調(diào)研工具），并匹配好模型接口。
專業(yè)人士的未來價值不在于重復(fù)性勞動，而在于兩點：一是設(shè)計專業(yè)的工作流；二是打造更強的專業(yè)工具，讓大模型在特定領(lǐng)域內(nèi)發(fā)揮出超越通用的專業(yè)水平。

岑峰：方老師提到了 Agent Workflow 的重要性。在技術(shù)層面，我們應(yīng)如何為 Agent 裝上“安全閥”，防止其在自主決策中“跑偏”？在決策路徑中，最容易出問題的環(huán)節(jié)在哪里？

袁子軒：“安全閥”應(yīng)貫穿事前、事中與事后：

事前主要通過上下文工程（Contextual Engineering）進行指令約束，給模型足夠的示例（Demonstration）。目前大模型的指令跟隨能力很強，通過規(guī)則約束能解決大部分問題。

事中則是工具箱驗證與歸因，引入可解釋性工具、多模型驗證及回測工具。關(guān)鍵要判斷模型從研報或信息中提取的觀點，對最終決策產(chǎn)生了多大貢獻。目前落地難點有兩點，一是時效性，每一步都調(diào)用大模型會導(dǎo)致決策過慢，錯過交易時機；二是幻覺問題，同一問題可能給出多種解法，判斷其有效性是長期挑戰(zhàn)。只要 Transformer 架構(gòu)不變，幻覺可能長期存在。

事后進行壓力測試與回測，站在策略角度，通過長周期時間窗口或極端場景模擬，判斷 AI 給出的買賣信號是否穩(wěn)健、能否真正盈利。

高質(zhì)量數(shù)據(jù)往往是“離線的”，需要實地調(diào)研、交流，這是目前機器人無法替代的。投資是一門藝術(shù)，AI 目前像個“Baby”。人機協(xié)作能提升“藝術(shù)創(chuàng)作”的效率，讓模型處理初級資料搜集工作，分析師則通過決策邏輯給模型施加約束，讓模型更關(guān)注投資本質(zhì)。

岑峰：金融行業(yè)極其講究準(zhǔn)確性。對于大模型的幻覺問題，學(xué)術(shù)界目前有哪些思路，讓 AI 在提供客觀、周全參考的同時避免“胡說八道”？

方榯楷：徹底解決幻覺是諾貝爾獎級的難題，但我們可以從以下幾個方向改善：

·RAG（檢索增強生成）：通過外部加載信息（如知識圖譜）進行事實核查（Fact-checked），讓模型在輸出前查證事實。

·外部驗證環(huán)境：當(dāng)模型提出觀點或引用數(shù)據(jù)時，應(yīng)由外部環(huán)境（人或系統(tǒng)）進行驗證。

·沙盒測試（Sandbox）：針對高價值、高影響力的決策，應(yīng)建立獨立于大模型之外的驗證器。例如，下單決策前需經(jīng)過自動化的回測環(huán)境，測試其潛在的風(fēng)險和夏普比率，或由專家進行評估。這種“外掛”的風(fēng)險評估環(huán)節(jié)和不確定性驗證器是必不可少的。

05
AI金融之辯：當(dāng)全市場都是“算法”，普通人怎么辦？

岑峰：投資最終是為了尋找 Alpha（超額收益）。正如張老師所言，AI 工具的應(yīng)用雖然能幫助發(fā)現(xiàn)機會，但也讓 Alpha 消失得更快。在這種“AI 軍備競賽”中，專業(yè)分析師的工作方式受到了怎樣的影響？人類分析師的終極核心競爭力又該如何體現(xiàn)？

張菁：確實，當(dāng)所有人都使用 AI 時，Alpha 會變得更短命、更集中且更暴利，收益分布也會變得極端，尾部風(fēng)險增大例如 2024 年初的微盤股閃崩。

投資的本質(zhì)不是預(yù)測，而是承擔(dān)結(jié)構(gòu)性代價。Alpha 不是市場的獎勵，而是你替市場承擔(dān)了他人無法或不愿承擔(dān)的風(fēng)險。AI 的優(yōu)勢在于它會迅速壓平“信息層”的 Alpha，它比人類更擅長捕捉由流動性錯配、行為偏差帶來的交易機會；而人類不可替代的優(yōu)勢在于認知差，在范式識別、定性決策、和邏輯深度上是AI難以替代的。

·范式識別：在新敘事產(chǎn)生或范式轉(zhuǎn)變時進行識別與應(yīng)對的能力。

·定性決策：在缺乏歷史樣本的情況下，進行定性決策的能力。

·邏輯深度：當(dāng)工具和數(shù)據(jù)拉平了技術(shù)門檻，變量就只剩下邏輯與認知。頂尖投資者賺的是“認知差”的錢。

AI 不是在取代分析師，而是在重塑核心能力。理想狀態(tài)下，應(yīng)將“可規(guī)則化”的認知勞動交給 AI，人類專注于“不可規(guī)則化”的判斷，從而獲取難以消磨的超額收益。

岑峰：AI 工具在拉平水平的同時，我們也觀察到散戶在面對量化機構(gòu)時似乎更加弱勢。您如何看待量化工具對市場生態(tài)及普通投資者的影響？

張菁：這是一個復(fù)雜的問題。量化在交易層面（如拆單、多賬戶配合引導(dǎo)走向）具有人類無法抗衡的優(yōu)勢，尤其在微盤股等低流動性資產(chǎn)中已形成類似的“資金盤”。
我的建議是：不要參與到量化的游戲中去。散戶應(yīng)利用自己的優(yōu)勢進行真正的“投資”，去研究商業(yè)模式、思考公司的長遠發(fā)展。如果只是將其作為賭博，那就只能“愿賭服輸”。

岑峰：有觀眾提問：金融本質(zhì)是資源的分配。更多使用 AI 進行決策，是否意味著人類最終會將資源的分配權(quán)交給 AI？

袁子軒：我認為應(yīng)從兩個層面來看：金融不僅僅是分蛋糕，長期投資于有價值的公司是在創(chuàng)造價值、做大蛋糕；其次，AI 始終是高級工具。如果人類保留最終的“拍板權(quán)”，AI 就不會主導(dǎo)人類的命運。人類的優(yōu)勢在于創(chuàng)造力、價值發(fā)現(xiàn)及非共識的觀點，這些比 AI 挖掘出的信息總結(jié)更重要。

方榯楷：我也認為 AI 是讓分配過程變得更理性、更高效的手段。一個健康的金融體系應(yīng)將資源分配給有價值的行業(yè)。AI 的加入能提供更多的有效性與流動性，減少市場中的噪音與不理性，這是好事。

至于是否讓 AI 做出重大戰(zhàn)略決策，如果只是腦洞一下是可以的，但從更深層次看這是關(guān)乎公平、效率與多樣性的哲學(xué)話題，目前的問題不是市場由于 AI 而變得“過度理性”，而是存在太多的噪音與非理性。引入更多高效、理性的工具，對當(dāng)前市場是有益的。

岑峰：回到開頭提到的 Trading Arena 比賽，如果明年繼續(xù)舉辦，從機構(gòu)投資的角度出發(fā)，您認為應(yīng)在哪些維度增加更有挑戰(zhàn)性的考核指標(biāo)？

張菁：如果比賽的目標(biāo)是貼近真實的機構(gòu)投資場景，就不應(yīng)只關(guān)注收益率，否則訓(xùn)練出的是“賭徒”而非“投資者”。我建議從以下三個維度增加挑戰(zhàn)：

首先，強化風(fēng)險維度的考核，考察最大回撤、杠桿暴露、倉位分布以及交易行為的一致性，避免模型通過“梭哈”博取排名。同時，需考慮真實交易中的資金容量和沖擊成本問題；

其次，模擬完整經(jīng)濟周期，在比賽中引入人為的宏觀干預(yù)或風(fēng)格切換，考核模型識別環(huán)境變化并調(diào)整策略的能力。這種“跨周期生存能力”對投資至關(guān)重要；

最后也是最重要的，強制模型在交易前給出邏輯說明，避免“黑盒式”撞大運。基于幻覺數(shù)據(jù)或邏輯錯誤而賺到的錢應(yīng)判定為無效。對于機構(gòu)投資者，一個“可解釋的虧損”比“莫名其妙的盈利”更有價值，因為前者能幫助優(yōu)化框架，而后者可能在下一次黑天鵝事件中帶來毀滅性打擊。

實際投資并非面對清洗好的數(shù)據(jù)。應(yīng)在輸入中混入市場謠言或假新聞，考核 AI 是“聽風(fēng)就是雨”，還是能自主調(diào)用工具進行交叉驗證。真實世界充滿噪音，AI 需要具備批判性思維。

岑峰：節(jié)目的最后，請三位嘉賓用一句話總結(jié) AI 大模型在金融領(lǐng)域應(yīng)用的機遇與挑戰(zhàn)。

袁子軒：AI 大模型顯著提升了金融決策效率和信息處理能力，但真正的挑戰(zhàn)在于：如何在市場不確定性、可解釋性與風(fēng)險約束之間，找到“人機協(xié)同”的最優(yōu)邊界。

方榯楷：最大的機遇是人類擁有了功能強大的“外置大腦”和跨模態(tài)信息處理器；最大的挑戰(zhàn)是“黑箱”變得更大，且當(dāng)市場充滿智能體時，會產(chǎn)生趨同效應(yīng)等不可描述、尚未被定義的“未知風(fēng)險”。

張菁：大模型工具的本質(zhì)不是“造神”，而是幫助人類拓展理性的邊界，解決“有限理性”的痛點；但在極端不可預(yù)測事件主導(dǎo)的投資世界中，人類必須始終擔(dān)任那個“最后踩剎車”的駕駛員。

岑峰：感謝三位老師的精彩分享。大模型與金融的結(jié)合既有令人興奮的效率躍遷，也伴隨著對風(fēng)險和邏輯深處的審慎考量。本期圓桌實錄后續(xù)將在“AI 科技評論”公眾號發(fā)布，謝謝大家，再見。

完整視頻觀看地址：https://youtu.be/SSpF16S2uus

未經(jīng)「AI科技評論」授權(quán)，嚴禁以任何方式在網(wǎng)頁、論壇、社區(qū)進行轉(zhuǎn)載！

公眾號轉(zhuǎn)載請先在「AI科技評論」后臺留言取得授權(quán)，轉(zhuǎn)載時需標(biāo)注來源并插入本公眾號名片。