# AI Trading —— 决策便宜，行动很贵｜对谈超 3w Star Vibe-Trading 作者浩哲 42章经 · 2026-09-27 42章经主播曲凯对话开源项目 Vibe-Trading 作者、香港大学在读博士生吴浩哲，探讨 AI Trading 的本质：在金融里决策很便宜，行动很贵，AI Trading 的价值是在几乎免费的决策和代价昂贵的行动之间建立可验证、可审计的通道。吴浩哲介绍这个开源不到半年就获得超 3 万 Star 的项目如何从量化研究员工具演变为覆盖二级市场的 all-in-one 交易台，并解释它与传统量化的区别：量化把决策固定成规则后由机器执行，而 AI Trading 中决策持续冒出，需要闸门持续把关。他认为行业 know-how 已被蒸馏进模型，人主要负责风险判断；他本人炒股 80% 到 90% 遵循 AI 建议，并举了存储行情中 agent 发现机械硬盘与内存受扩产冲击不同、财报前买入希捷的实例。谈及 AI Trading 普及的影响，他指出财报后漂移已消失、信息消化将缩短到几秒，超额收益将从单因子转向数据对齐与组合条件，而数据多不等于有 Alpha；Jev 对 Trading 的帮助约等于零，因为它只给概率不给理由，且不擅长金融世界本来的样子——数字、日期和噪音文本。他还区分了 AI for Finance 与 AI Trading，并提出一个哲学问题：未来或许不是 AI 需要人做判断，而是人需要通过参与交易来获得意义感和价值感。 ## Questions this episode answers ### AI Trading 到底是什么？它和传统量化有什么区别？ 吴浩哲认为，金融里决策几乎免费、行动才昂贵，AI Trading 是在两者之间建立可验证、可审计的通道。传统量化是人先定好规则再让机器执行，责任在写规则那一刻就定了；而 AI Trading 由机器持续产生决策，需要一个闸门持续把关，最终是否下单由人决定。 [6:40](https://42.podhood.com/56fc218e-93c1-43f3-a359-3d4d29d18a85?t=400000) ### AI Trading 系统由哪几部分组成，哪个环节最重要？ 吴浩哲把 AI Trading 归为四部分：模型、独家数据、数据对齐和 harness。模型智商决定系统能想到什么，数据对齐验证想法是否真实，harness 决定想错时能否被阻止。由于决策便宜、行动贵，智商和独家数据的边际价值在下降，最核心的是数据对齐，包括口径对齐、PIT 防止回测偷看未来等。 [19:57](https://42.podhood.com/56fc218e-93c1-43f3-a359-3d4d29d18a85?t=1197000) ### 买独家数据、提前拿到内部信息，就能获得 Alpha 吗？ 吴浩哲给出肯定回答：数据多不等于有 Alpha，日线和另类数据上能找到的规律已被价格吃掉。数据的作用是让命题可被检验，而非直接给答案。散户拼不过机构的数据广度，能拼的是数据对齐质量和把不同数据结合起来的想法。 [24:33](https://42.podhood.com/56fc218e-93c1-43f3-a359-3d4d29d18a85?t=1473000) ### Jev 对 AI Trading 到底有没有帮助？ 吴浩哲认为帮助约等于零。Jev 优化的正是金融里最便宜的决策侧，把不值钱的东西变得更不值钱；它不擅长数学计算和日期比较，而这恰是金融材料的常态；且它只给概率不给理由，没有分析链条，人无法长期信任它。它更适合做门口的分拣员，做信息初筛。 [27:41](https://42.podhood.com/56fc218e-93c1-43f3-a359-3d4d29d18a85?t=1661000) ## Key moments - **[0:00] 开场** - [0:35] 吴浩哲自我介绍：港大在读博士，开源项目 Vibe-Trading 半年拿下超 3 万 GitHub Star - **[1:26] 项目介绍** - [2:20] 吴浩哲：金融里决策很便宜、行动很贵，人看不懂的量化信号不会为它掏钱 - **[5:15] 决策与行动** - [6:40] AI Trading 的定义：在几乎免费的决策和代价昂贵的行动之间，建立可验证、可审计的通道 - [7:24] AI Trading 与传统量化的区别：量化在写规则那一刻定责，AI Trading 需要闸门持续把关 - **[7:25] 对比量化** - **[9:59] 实战应用** - [10:28] 用 AI 抓散户情绪有效但是反向指标，方法一旦大众化必有反制，Trading 本质是零和博弈 - [12:08] 吴浩哲：所有行业 know-how 都已被蒸馏进模型，人真正要判断的是自己能承受多少风险 - [13:43] 吴浩哲实战案例：存储行情下跌中 agent 区分内存、闪存与机械硬盘，选出希捷在财报前买入 - **[15:42] 市场冲击** - [16:14] 吴浩哲预测：财报后漂移已死，随着 AI Trading 普及，信息被价格消化的时间将缩短到几秒 - [18:04] 人人都能一键跑因子后，超额收益将从单个信号转移到跨数据对齐与拼接的组合条件上 - **[19:57] 系统四要素** - [19:57] AI Trading 四大组成：模型智商和独家数据的边际价值在下降，数据对齐和 harness 才最关键 - [22:13] Vibe-Trading 的搞笑 bug：弱模型把用户输入的 1m 随机分配到月线或分钟线，口径对齐差点差出六个数量级 - **[23:53] 数据与判断** - [23:53] 吴浩哲：数据多不等于有 Alpha，买数据的真正作用是让你的命题可以被检验 - **[27:23] Jev之用** - [27:23] 吴浩哲泼冷水：Jev 对 Trading 的帮助约等于零，它优化的恰是金融里最便宜的决策侧 - [30:26] 交易的本质是对概率下注：两个 90% 把握相乘得 81% 是错觉，判断常共用同一条错误新闻 - **[32:35] 金融应用** - **[34:00] AI与人** - [34:01] AI Trading 对不同水平投资者的增益：30 分的人防风险，60 分的人做深研，90 分的人多维度验证观点 - [35:33] 吴浩哲的哲学思考：不是 AI 需要人做判断，而是人需要通过参与交易来确认自己的意义感 - **[37:42] 上手建议** - [38:03] 上手 AI Trading 的第一条建议：先明确风险偏好、隔离资金单独开户，别把它当致富密码 ## Speakers - **曲凯** (host) - **吴浩哲** (guest) ## Topics 二级市场, 智能代理 ## Mentioned Anthropic (company), Claude (product), Codex (product), Jev (product), Kimi (product), Vibe-Trading (product) ## Transcript ### 开场 There's something there. **曲凯** [0:18] Hello 大家好 ， 呃 ， 我们今天很开心请到了浩哲 。 浩哲之前做了一个 AI Trading 的开源项目 ，是非常的成功 ，有非常多 Star，而且他自己也是用户吧 ， 所以我们今天想找他来 ， 跟大家一起交流一下 AI Trading 现在的一些新的变化 。 浩哲你先可以先简单自我介绍一下 。 **吴浩哲** [0:35] 好的 ， 感谢曲凯老师 。 大家好 ， 我是吴浩哲 ， 然后我现在是港大的在读博士 ，在这个 HKUDS 数据智能研究室 ， 同时也是这个开源项目 Vibe-Trading 的作者和维护者 。 我是武汉大学数学系出身 ， 然后这几年其实一直在做 AI 和量化交叉的这些事情 ， 从最早的传统的那些挖因子 ， 然后到后边的深度学习 ， 到前两三年比较火的用大模型去处理文本 ， 然后再到最近的做 agent，其实差不多把 AI Trading 的这几代都已经亲手做了个遍了 。 今年的这个 4 月 1 号呢 ， 我们把这个 Vibe-Trading 开源了 ， 到今天不到半年呢 ，GitHub 上已经有超过 3 万个 Star， 然后有来自超过 20 个国家和地区的贡献者 。 做完这些呢 ， 就感觉我对整个 AI Trading 的看法和一开始也挺不一样的 ， 就今天刚好和曲凯老师可以好好聊一聊 。 ### 项目介绍 **曲凯** [1:26] 好呀好呀 。 哎 ， 我们要不先从你的那个开源项目讲起吧 ， 能不能先给大家介绍一下那个项目 ？ **吴浩哲** [1:33] 好的好的 。Vibe-Trading 是什么的话 ， 我想用一句话来概括 ： 它相当于就是给了每一个普通人一支拟用自然语言提一个投资想法 ，他就可以变成一支跨代思的研究团队 ， 来覆盖掉宏观面 、 公司基本面 、 量化 ， 然后包括一些风险回顾 。 但其实一开始呢 ，Vibe-Trading 并不是这样的 。 一开始它其实是一个给量化研究员用的专业的工具 。 我们这个项目其实启动得比较早 ， 去年年底的时候 ， 我们内部名字还把它叫做 Quanta Agent，因为我们本质上做了一大堆量化的东西 ， 包括有 400 多个因子 ， 然后 9 个市场的回测引擎 ， 然后还有各种各样的统计检验 。 但今年我们发现 ， 就是大家的需求和这个还挺相悖的 ， 所以我们慢慢把它改成了一个二级市场的交易台 ， 就是覆盖了所有二级市场该有的方面 ， 量化只是其中的一个 。 我觉得这个变化的背后呢 ，其实是有一个我越来越重视的一个问题 ， 就是研究结果能不能让人检查 ， 能不能让人理解 。 大家都说嘛 ， 就是金融需要可解释性 ，但其实我们从另一个角度来说呢 ， 量化对普通人来说就是天书 。 你给一个普通投资者去看一个因子信号 ， 去看一个 IC， 去看一个夏普比率 ，其实他什么都解释不了 ， 根本没办法通过这些数字来去对自己说 " 哦 ， 我为什么要买这支股票 "。其实这就跟我最近一直以来的一个观念很像 ， 就是行动很贵 。 就是一个人要为自己的行动负责 ，他就必须要向自己去解释这个行动 。 一个他看不懂的量化信号 ，其实他不会为它去掏钱 ，也不会为它去担责 。 所以如果说作为一个开源项目 ， 想要让人更多地去用起来 ， 我觉得就是需要去辅助他的主观投资 ， 去把 AI 的研究变成他能讲清楚的理由 ， 比如这家公司的现金流怎么样 ， 这个催化剂是什么 ， 风险在哪 ， 然后最后的这个操作行动其实还是他自己做 。 **曲凯** [3:20] 嗯 ， 过去一段时间 ， 我觉得甚至于过去几年啊 ，其实大家不断地在用 AI 尝试在金融跟财务领域去做很多事情的 ， 就尤其是炒股这一块 。 我记得之前有看过一个数据 ， 说某个模型的第一大场景 ， 就是用户跟它聊天 ，其实就是在问各种股票的事情 。 所以我想问一下， 就是你们这个开源项目 ， 你觉得之所以成功 ， 除了你刚才讲那个点啊 ， 我觉得它是一个大的理念吧 ，有什么具体的一些点是让它这么受欢迎的 ？ **吴浩哲** [3:49] 其实更多的我觉得是踩对时间了 。 就是在今年 3 四月份的那个时间点 ，其实市面上没有一个 all-in-one 的这么一个 financial desk agent 的出现 ， 可能我们更多的是踩中了那个风口 ， 然后我们也确实是想把这些复杂的能力去把它下降到普通用户上 。 所以说我觉得这个是一个很关键的点 。 **曲凯** [4:08] 呃 ， 你你所谓的 all-in-one 是哪些方面的 all-in-one？ **吴浩哲** [4:11] 就是整个二级市场的所有的工作台 。 就是哪怕你不是普通人， 你是一个从业者 ， 你也可以说在里边去做一些本来的工作 。 比如说如果你是一个做 fundamental 的 ， 你完全可以用这个工具去测试一下你对于整个宏观市场的直觉 ， 或者说你整个的一个量化的思路 ， 或者说直接把你的 fundamental 的这个之前的从业经验 ， 直接转换成一个可以自动化执行的一个量化策略 。 **曲凯** [4:36] 嗯 ， 明白 。 然后其实你刚才也提到啊 ， 就是我们之前也聊过一些人在讲说 AI 会给量化带来新的一代的变化跟机会 ，但后来呢 ， 我们发现可能更多的大家能看到的 、 接触到的 ， 都是 AI 在辅助主观投资这件事情 。 当然我们在提到 AI Trading 这个词的时候啊 ， 我觉得各种投资行为都可以理解成 AI Trading， 对吧 ， 主观的投资也算是一种 Trading， 然后量化也算一种 Trading， 然后包括很多人在用 AI 去做一些 forecasting 的这些 Trading 也是类似的 。 我能不能请你帮忙定义一下 AI Trading 这个词 ， 给它最适用的一些场景 ？ ### 决策与行动 **吴浩哲** [5:15] 哦 ， 我觉得在讲这个 AI Trading 的这个定义之前呢 ， 我想先讲一下我这一年以来最确定的一个观点吧 ， 就是这一年以来在别的行业里边 ，其实大家都会提到一个问题 ， 就是 AI 让做变得很便宜 ， 难的是决定做什么 。 就比如说我们拿个软件开发来说 ， 就是 AI 可以帮你去写代码 ， 去补测试 ， 去排查错误 ， 可以帮你去运行 ， 可以帮你去运维 ， 然后成本也下降了 ，但是开发流程中还是需要有很多重要的判断 ， 比如说用户需要什么 ， 功能值不值得做 ， 方案怎么取舍 ， 这是在别的行业里边 。 但我觉得在整个金融里边 ， 这件事其实是反过来的 ，因为金融里边决策是从来不稀缺的 ，因为市场每一秒都在报价 ， 每一个价格背后都是有人做了一个决定 。 社交媒体上每天也会有很多很多的观点 ， 一个研究 agent 一天可以说对几千支股票都各给出个 100 个判断 ， 这个样子 。 就决策是很多的 ， 几乎是免费的 ， 真正贵的反而是行动 。 所以说呢 ，在讲定义之前呢 ， 我所有的观点就围绕了一句话 ， 就是 AI Trading 更多的不是让模型去做出更多的决策 ，而是决定哪些决策更有资格去变成行动 。 然后我觉得可以先说 AI Trading 不是什么 ，因为现在大家一听到 AI Trading， 脑子里都是两种画面 ， 一种是 AI 预测明天涨还是跌 ， 像一个神一样去发它的神谕 ； 另一种就是 AI 帮我自动下单 ， 我只要每天晚上一起床 ， 我就可以躺着赚很多钱 。 这两种其实就都只看了一小部分吧 。 我的定义就是 ，AI Trading 是在几乎免费的决策和代价昂贵的行动之间 ， 去建立一条可被验证 、 可被审计的通道 。 因为其实展开来说的话 ， 相当于就是如果说我们要把一个投资判断从想法走到下单 ， 再走到复盘 ， 那其中就是有三个决策 ， 就是模型去负责产生决策 ， 读材料 ， 想假设 ， 写代码 ， 给判断 。 这一侧很便宜 ，而且随着未来的这个模型的发展 ， 它只会越来越便宜 。 然后 harness 来决定哪个决策有资格变成行动 。 人的话呢 ， 就是去决定什么能做 ， 什么不能做 ， 做到多大 ， 规则之外的事情谁来拍板 ，以及如何去制定 harness 的规则 。 这一侧反而是最贵的 。 讲到这里的话 ，其实会有一个很天然的分别出来吧 ， 就是 AI Trading 和传统量化之间一个很值得讨论的区别 ， 就是传统量化其实是人先把决策想好 ， 固定成了规则 ， 然后让机器便宜的大量的去执行 ， 责任其实在写规则的那一刻就已经定下来了 。 ### 对比量化 **吴浩哲** [7:45] 因为我们在开发量化策略的时候 ， 可能你在一开始就知道了你这个的换手率是多少 ， 策略容量是多少 。 而 AI Trading 呢 ，是机器在不停的去产生决策 ， 它读的更多的也是非结构化的一些数据 ， 比如说新闻 、 公告 、 电话会 ， 比如说社交媒体 ， 决策其实是在不停的冒出来的 。 所以说责任并不像量化一样 ， 只需要在写规则的那一刻定一次 ，而我觉得是需要有一个闸门一样的东西去持续的去对它进行把关 。 也可以举一个例子吧 ， 就比如说我们对现在一些很火的股票 ， 去分析它的这个基本面 ， 那我们就是看它的这个现金流 ， 到底是经营真的变好了呢 ， 还是说是一次很偶然的变化 。 那 AI 的话 ， 就可以帮你先整理一些财报和公告 ， 把相关的一些数字啊 、 出处啊 、 时间啊全部找出来 ， 再列举一些可能的假设和解释 。 这其实最重要的就是去分清 ， 哪些是这些材料里面的事实 ， 哪些是 agent 去根据这些材料给出的一些假设 。 那接下来呢 ， 我们就需要根据这些假设去做一些检验 ， 比如说现金流改善是不是来自应收账款的回收 ， 还是说只是延后了付款 ， 那同行是怎么变的 ， 那有没有和之前判断完全相反的证据 。 如果说进一步需要把这个想法变成一个交易策略的话 ， 那我们到底能不能拿到这个实时的信息 ， 回测有没有去偷看未来 ，以及扣掉所有的这些成本之后， 结论是否还是成立的 。 所以说就是在整个这个金融研究里面 ， 最后应该留下的应该是一个有依据以及也有适用条件的一个判断 ， 就是哪些证据去支持它 ， 哪些信息我们没有 。 然后发生了一些改变的时候呢 ， 我们就需要去修改它的结论 ， 就比如说我们突然获取了哪些信息 。 但如果证据不够的时候呢 ，也必须要停止在不能判断 ，而不是说给你一个模棱两可的一个结果 。 至于这个东西最后要不要去买卖下单 ， 那这个就是交给人来去决定的 。 总而言之 ， 我觉得 AI Trading 更多的就是一个从材料到假设 ， 然后再从假设到验证 ， 然后再到一个有边界的执行和复盘 。 所以说我觉得就是我的观点和大家还挺不一样的 ， 现在市面上的观点应该更多的只是其中的一步 。 ### 实战应用 **曲凯** [9:59] 对 ，因为我知道现在有些人在用 AI 去扒那些 ， 比如推特 、Reddit 里面的很多评论 ， 然后呢去分析散户对这支股票某个资产的情绪啊什么的 。 它其实跟我们讲的那些实际的去看逻辑 、 看数据都还不太一样 ， 它更多的是看市场情绪 。 我不知道你现在有没有接触过 AI 做这样的事情 ， 然后你觉得这种做法实际带来的价值是怎么样 ？ **吴浩哲** [10:28] 我确实是有过这样的做法 ， 我也可以说这种做法是很有效的 ，因为大家都知道一些论坛上的这些舆情 ，其实更多的都是一个反向指标 。 当然这会带来一个问题啊 ， 就是如果说每个人都去这么做 ， 那一定会有反向而行之的人。 就比如说当我都知道 ， 大家都开始去扒 ， 比如说小红书啊 、 推特上啊 ， 这些所谓的散户的发言 ， 那我能不能说有一些机构 ， 它可以说去弄一些机器人， 去专门去做一些这些虚假的信息 ， 那其实很有可能 。 这个东西没有人能说得好 ，因为本质上我觉得 Trading 这个事情就是一个零和博弈 ， 你本质上赚的是别人亏的 。 所以说就是一旦这个方法变得足够的被大众所知的话 ， 那就一定会有相应的反制行为 。 所以说我觉得当然也扯远一点讲 ， 就是没有任何时候是有一个一成不变的获利方式的 ， 我觉得更多的就是需要一直变 。 举一个比方 ， 相当于它就是你一直在打游戏一样 ， 你的对手也在变 ， 你的版本环境也在变 ， 所以说你本质上就是你需要一直变 ， 你的方法也要变 ， 你的风险偏好也要变 ， 然后你的想法也要变 。 **曲凯** [11:33] 嗯 ， 我在想你刚才说的这些里面 ， 比如说它怎么样去交叉验证呀 ， 它看完有 A 这个股票 ， 它要去看整个行业 ， 再去看 B， 再去看 C 等等 ， 这些里面就很多是人的 know-how 的部分吧 ， 对吧 ， 就是有的人会觉得说 ， 哎 ， 我这边讲看完 A 的利润 ， 我要去看行业利润 ，有的人可能觉得我更关注 A 的收入 ， 或者 A 最近的一个投入 ， 它的成本等等问题 。 那这些哪些是 AI 能自主的去决策的 、 去判断 ， 哪些是需要人去加进去的 ？ **吴浩哲** [12:08] 嗯 ， 我觉得可以五段点来讲 ， 就是所有的行业 know-how 本身都是可以由 AI 来判断的 ，因为本质上这些知识在模型的迭代过程中 ，其实都已经被蒸馏到里面去了 。 需要人来判断的更多的是风险层面的 ，因为人到底能承受多少风险 ，AI 其实也不知道 ，因为每个人是不一样的 。 所以说我觉得更多是这个层面 。 **曲凯** [12:29] 嗯 ， 然后呢 ， 紧接着其实就是我想问的下一个问题 ， 跟这个相关啊 ， 就如果模型已经把这些都蒸馏进去了 ， 那所有人他自主的去用 ， 比如说 GPT 或者其他的一些 AI Lab 的这些产品 ， 直接去聊天框里面去问问题和分析 ， 跟我单独做一个第三方的工具的区别是什么 ？ **吴浩哲** [12:50] 区别更多的就是我们刚刚提到的一个可审计 、 可验证 ，以及可以 re-run 的一整个流程 。 对 ，因为本质上无论是 Codex 还是 Cloud， 我们可以把它理解为一个偏黑箱一点的东西 ， 就是很多时候你其实没有办法去重新跑一下这个数字 ， 然后又因为大模型会有一定的幻觉嘛 ， 就导致你每次 re-run 可能并不是一个确定的答案 。 我们需要有自己的工具的话 ， 更多的就是因为我们可以完全控制模型能生成什么 ， 然后什么东西必须要通过一些正确的计算来做 。 对 ， 我感觉是这样 。 **曲凯** [13:29] 那你现在自己在炒股的时候 ，是使用了自己这个工具吗 ？ **吴浩哲** [13:33] 啊 ， 对 ，是的 。 **曲凯** [13:34] 对 ， 所以你觉得你最后在操作的时候 ，在买卖的时候 ， 到底多大程度上是遵循了这个 AI 的建议 ？ **吴浩哲** [13:43] 我相信 80% 到 90% 都是遵循 AI 的建议 ， 更多的我的作用就是像刚刚提到的一样 ， 去验证一下这个推理链条是否是合理的 。 当然这里也有一些我自己的一些例子也可以举 ， 就比如说今年 7 月份的时候 ， 就是存储不是行情很热吗 ， 然后也经历了一段很整体的一个下跌 ， 将近了半个月吧 。其实那段时间大家讨论的一个话题 ， 就是中国厂商扩产会不会压低整个的这个存储价格 ， 那我的 agent 提出了一些问题 ， 那就是内存 、 闪存 、 机械硬盘 ，其实它们都叫存储 ， 那它们受到的冲 击会是一样的吗 ？ 然后它就会围绕着这个问题去做自己的一个验证和实验 ， 最终得到的答案是显然是不一样的 。 但是整个市场会因为这些新闻去对整个行业去定价 ， 那就意味着其中会有一些不充分的定价 ， 比如说当时就选到了一支股票叫做希捷 ，因为它主要做机械硬盘嘛 。 然后我们就去对比了希捷整体的这个财报后的上涨表现 ，以及一些历史的样本 ，AI 给的结论虽然比较偏谨慎吧 ，但是通过人和 AI 的合作 ， 最终还是决定在财报前买入 。 就用这个例子来看的话 ， 应该是差不多 80% 到 90% 的空间都留给了 AI 去做 ， 然后我就是去负责最后的验收 ，以及去看一下逻辑是否合理 。 **曲凯** [15:10] 嗯 ， 我在想 ， 如果百分之八九十都已经是听 AI 的 ， 那最终为什么不能让 AI 自主的去操作这件事情 ， 然后甚至于说它就变成了一个近乎于量化的一个事情 ？ **吴浩哲** [15:22] 可能更多的还是一个选权的问题吧 ， 就是我并不觉得 AI Trading 这个事情最终会发展到成为一个成规模的人们不需要管 ， 只需要它需要去决策的这个事情 。 因为哪怕说是量化行业 ， 就是尽管它已经很自动化了 ，但是你也需要为你的每一次开仓 、 每一次亏损是要负责的 。 ### 市场冲击 **曲凯** [15:42] 明白 ， 然后现在我感觉用 AI 去做辅助交易的人越来越多了 ， 包括各种机构和个人， 那这个会对现在的市场交易会有什么影响吗 ？ 因为像你刚才举的那个存储的例子 ， 如果大家都用 AI 的话 ，而且都用类似的功能的话 ， 那可能这个东西又变成一个共识了 ， 就是市场会变动的更快吗 ， 还是会怎么样 ？ 这个我不知道你现在觉得有没有已经看到一些苗头 ， 或者未来会怎么样 ？ **吴浩哲** [16:14] 这个问题非常好 ，也是我觉得当今应该大家都要关注的一个问题 。 我觉得大概有三个吧 ， 首先就是最重要的一点 ， 就是信息被价格消化的速度会越来越快 ， 就是刚刚曲凯老师讲到的那个 。 不知道大家有没有一个 knowledge， 就是在 2000 年之前 ， 学术上有一个很有名的经济学现象 ， 叫做财报后漂移 ， 就是好财报出来之后 ，其实股价并不是一天就涨到位的 ，而是会在之后的几天 ， 甚至几周 ， 甚至几个月里慢慢的往上飘 。 因为读财报 、 改模型 、 开会 、 下单 ， 这些东西在当时那个年代其实每一步都需要人来做 ，但是这个时间在 21 世纪之后其实是在慢慢缩短的 。 我记得好像是在 2022 年还是 2023 年， 其实好像就有一篇论文 ， 它的名字还比较有趣 ， 叫做 《 安息吧 ， 财报后漂移 》， 指的就是在美国的这些指数里面 ， 这种漂移好像是从 2006 年起就已经不存在了 ， 财报里的意外信息其实在发布的当天就已经被完全消化完了 。 当然我觉得随着 AI Trading 的普及 ， 我的判断接下来它甚至会缩短到只有几秒钟 ， 就是无论什么信息它都缩短到只有几秒钟 。 所以说这其实就有一个很重要的这个投资者行为改变了 ， 就是在之前读其实是一个很有价值的事情 ，因为你并不是每一个人都能去读懂一份年报 ， 读懂一份财务报表 ，但在现在来看 ， 这个事情已经没有任何门槛了 。 每个人都有一个可能说一分钟就能读完一份年报的 agent， 比别人先读到或者说先读懂其实就没有那么值钱了 。 然后我觉得第二个点就是在于 ， 所有人都有了一个 agent 可以读一份很强的年报之后啊 ， 那其实整个的这个超额就可能会从单个信号慢慢搬到一个组合条件上面 。 就比如说 ， 所有人都可以一键跑一个因子的时候 ， 那单个因子的 Alpha 其实很快就已经消失了 ， 那剩下的机会其实根本就不在这一个 Alpha 里边 ，而是在需要把这些数据同时去拿到 ， 同时去对齐 ， 再同时拼接到一起 。 相当于就是真正的有价值的东西是在这个跨单词之间 ， 或者说并不在单个因子的边界上 。 然后第三点的话 ， 可能更偏正式一点吧 ， 就是刚刚我们提到信息处理的速度会变快嘛 ， 那其实这也有个问题 ， 就是会让错误传播的更快 ， 这个我觉得是当今很多监管部门都在关注的一个问题 。 我觉得其中一类就是专门针对 AI 去制造误导 ， 就比如说一些假消息 。 我记得前几年好像是有一个用 AI 去生成五角大楼附近发生了爆炸 ， 然后美股就出现过短暂的一个下跌 。 所以说相当于就是当每个人都有很多的这种系统去直接去读这些消息 ， 形成判断并下单 ， 这些误导就会很快的传导在价格上， 这对监管层面来说其实是一个很有挑战性的事情 。 还有一个就是可能会有一些意料之外的情况发生吧 ， 就是关于如何确权 ，因为其实我们也研究过一些 multi-agent 在一个共同的股票市场进行交易会产生什么影响 。 一些研究的结果就是它们会不约而同的产生一些类似合谋啊 、 然后内幕啊这些的操作 ， 那这些操作如何去确定这个责任方是谁 ， 到底是模型厂还是使用的这个人还是交易所 ，其实是一个现在都没有答案的一个问题 。 我觉得这些问题是当今最应该被解决的 。 **曲凯** [19:45] 嗯 ， 那你觉得 AI Trading 里面最核心最重点的到底是什么 ？ 就是如果所有的人和机构大家都在用类似一套东西的话 ， 那这里面的好坏拼的是什么 ？ ### 系统四要素 **吴浩哲** [19:57] AI Trading 我们可以简单的把它归成四大类吧 ： 数据的对齐 ， 然后一个 harness， 一个 model， 然后这个 model 的话它就有不同的这个智商啊 、 不同的这个偏好啊 ， 然后以及还有人。 首先我们需要先定义一下一个好的 AI Trading 是什么 ， 一个坏的 AI Trading 是什么 。 就我认为一个做了好的 AI Trading 的系统 ， 应该是决策尽可能多 ，而且还便宜 ，但是行动尽量的少 ， 每一个行动都要有它的来由 ，有它的边界 ，有人负责 。 然后至于大家很关心的收益率啊 、 胜率啊这些东西 ， 我觉得它并不是一个原因 ， 它更像是一个结果 ， 就是一个完备的系统可能自然而然的就会结出一个很好的结果 。 当然做的不好的系统就是有有两个例子吧 ， 首先第一个就是把每一个便宜的决策都变成了行动 ， 这就叫过度交易嘛 。 最近我们看到很多用 Jev 去做 Trading 的其实本质上就是这一层 。 然后另一种就是太过谨慎 ， 就是一个行动都不敢做 ，但是系统也给不出到底是为什么 。 这两种就是我觉得是做了不好的系统 。 有了这个定义了之后呢 ， 我觉得其实很多东西就清楚了 。 就比如说一个模型的智商呢 ，其实它只是决定了这个系统能够想到什么 ， 然后独家的数据呢 ， 就是决定了这个系统想到的东西别人有没有想到 。 那数据对齐呢 ， 就是去看它想到的这个东西到底是不是真的 。 那 harness 呢 ， 那其实也就决定了它想错了能不能被系统自己的阻止住 。 前两样更多的就是让决策变得更好 ， 后两样呢 ， 相当于是帮你守护从决策变成行动的这一刻 。 然后这个就回到我们最初提到的一个观点 ， 就是在金融这个里面是反身性的 ， 就是决策是很便宜的 ， 行动才是最贵的 。 所以说我们并不需要在决策变得更好这上面去下文章 ， 相当于就是智商和独家数据的边际价值其实是在下降的 ， 行动很贵 ，因为你每一单你都要付手续费 ， 你亏损了你是需要自己承担的 ，而且你没法撤回 。 那总是赔钱了之后说能不能未成年退款嘛 ， 大家也都知道不可能 。 所以说后两样的这个价值其实是在上升的 ，也就是数据对齐和 harness。 如果挑一个最核心最核心的话 ， 我觉得就是数据对齐是最重要的 ， 对齐的可能不只是一件事情 。 这里我也可以举一些我们开源项目上遇到的一些问题 ，其实有些也蛮搞笑的 。 第一个我觉得是口径对齐 ， 就比如说最常见的一个问题就是价格有没有付全 ， 这个数字的单位到底是千美元还是美元 ， 还有一个很搞笑的点就是 em 到底是一个月还是一分钟 ， 这个并不是一个段子啊 ，是我们前天刚刚修的一个 bug，是有一些弱模型真的会把用户输入的 prompt， 就是这个 em， 随机分配到月线或者是分钟线 。 还有一种就是比如说一些小的交易所 ， 它只有一个单一的数据源 ， 就如果说这个数据源它挂掉了 ， 会降级到一些加密货币交易所的它们那些以美元计价的数据源 ， 一切看起来都没有什么问题 ，但是金额差了六七个数量级 ， 就是口径对齐很重要 。 然后第二个我觉得就是量化里面也很重要的一个概念叫 pricing time， 就 PIT，因为我们在做回测的时候呢 ，其实很容易就会导致一些问题 ， 就是你 2020 年的一次选股 ， 你可能用到了一个这个公司后来才更正的一个数字 ， 今天来看我们可能觉得这个数字啊非常正确 ，但站在当时就没有人能拿到它 ， 毕竟它是未来的事情 。 你相当于提前看了答案 ， 那回测肯定是好的 。 所以说在处理这些东西的时候 ， 我们一定要严格的做好这些 PIT 相关的工作 。 第三点的话 ， 我觉得就是缺数据的时候 ，agent 能不能去主动的暂停 ， 然后并告诉你说哦这里是缺数据了 ，而不是说静默的去用这些数据 ， 然后再去做因子的一些回测 。 ### 数据与判断 **曲凯** [23:53] 嗯 ， 你刚才提到这个点 ， 你说独家的数据其实可能没有大家想象中价值排名那么高嘛 ，但我我知道有些人做交易 ，他其实比较看重的就是比如说谁在买谁在卖 ， 对吧 ，他能知道 ， 或者说他提前能拿到一些内部的信息 ，但这个不是说违反信息的那个法律啊 ，但大家就尤其是你看像一些专业的机构券商 ，他可能能够提前的跟董秘啊什么的有一些沟通 ， 对吧 ， 然后他能公司会提前有些合法合规的一些电话会啊之类的 。 啊 ， 那这些东西如果拿到了 ，是不是会对结果有非常大的影响 ？ **吴浩哲** [24:33] 呃 ， 这个问题其实我先给出一个很肯定的答案吧 ， 就是数据多其实真的不等于有 Alpha，因为在大家都能拿到的日线和另类数据上， 能够被找到的规律其实已经被价格吃掉了 ，不太会存在说通过一些采买数据能够找到 Alpha 的点 。 然后我觉得买数据其实它真正的作用啊 ，是让你的这个命题可以被检验 ， 就数据本身其实并不会告诉你答案 ， 它只是会让你去验证你的想法到底是对还是错 。 因为很多时候你以为一个想法不行 ，其实更多的只是数据不够 ， 或者说口径没对齐 ，而不是说想法本身错了 。 然后这就又刚回到那个问题 ， 就是很多人他喜欢去采买一些很独家的数据 ， 这里想说的就是 ， 就其实作为散户也好 ， 或者说一个小的团体也好 ， 肯定是要有自知之明的嘛 ， 就是机构在数据上的投入绝对是个人和小团体根本就没有办法去比的 。 就拼数据的广度肯定也拼不过 ， 能拼的我觉得更多的就是一些数据的对齐质量 ，以及去把一些数据结合在一起的一些想法吧 ， 这样的话其实是能抓到一些没有太被市场反应到的一些价格 。 **曲凯** [25:45] 嗯嗯 ， 明白 。 你看我们今天聊的时候 ， 你提了蛮多次说 AI 去帮忙读财报啊 ， 去看数据啊之类的 ，但这些我理解都是比较显性的东西 ， 就是它已经到逻辑推演的比较后期了 。 但就有些人他可能是更主观的那种 ， 更 fundamental 的去做个判断 ， 对吧 ， 比如说 AI 如果起来 ， 什么东西就会起来 ， 那这种是不是 AI 是不太适合做嘛 ？ **吴浩哲** [26:12] 我觉得这种其实反而是 AI 最适合做的 。 我可以把刚刚的问题归结为是价格的传导链吧 ， 就是刚刚您说到的 AI 起来什么就会起来 ， 我觉得本质上就跟什么比如说油价起来 ， 然后美债价格起来 ， 黄金起来会带给这个市场什么影响 ，其实本质是一样的 。AI 很擅长做这种 deep research 相关的东西 。 **曲凯** [26:35] 嗯 ， 对 ，但你说的这个还是更严谨逻辑链条上的一个逻辑 。 我讲的更多的是比如说啊 ， 我举个不一定恰当的例子 ， 比如说白酒 ， 如果你让 AI 纯看财报 ，也许它觉得不是一个好的事情 ，但有的人就会觉得说它有个大的方向的判断 ， 它觉得说白酒一定不会消失 ， 对吧 ， 它就会怎么怎么样 ， 这个是不是 AI 就不太能做了 ？ **吴浩哲** [26:59] 呃 ， 这个的话就会陷入到一种扯皮的境地 。 我觉得更可以把这个领域归成情感陪伴了 ，因为本质上是 AI 和这个人在进行辩论嘛 ， 就是它已经不太去在乎这个逻辑的观点了 ， 更多的就是这个人他去自说自话 ， 然后 AI 去用逻辑回答 ， 然后当然那个人还是会说哎我觉得它不会消失 ， 它一定会好 ， 就我觉得是就变成这种的一个感觉了 。 ### Jev之用 **曲凯** [27:23] 好 ， 我理解了 。 然后你刚才提到了 Jev 啊 ， 你觉得 Jev 实际对 AI Trading 的影响是什么呢 ？ 尤其是在 forecasting 领域的 ，forecasting 本身很多就是在做一个概率的一个投注嘛 。 啊 ， 那 Jev 是不是在这些方面上确实是有帮助的 ？ **吴浩哲** [27:41] 可能也要先泼一盆冷水吧 ， 就是我觉得 Jev 对 Trading 的帮助就是也不能说没有吧 ， 可能就是约等于零 。 我能理解它受到关注比较火热的一个原因是因为在 agent 浪潮里面吧 ， 大家反复去调用大模型只是为了去得到一个答案 ， 然后又慢 ， 然后它又贵 ，但 Jev 把这件事情做成一个又便宜又快 ， 加上这个相关的生态也就马上跟进 。 但是我觉得把这种能力放到金融流程的话 ， 我觉得其实还有很多很多问题没有解决 。 第一个问题就是它优化的本来就是金融里边非常便宜的那一侧 ， 就是我们刚刚也一直在提到的一件事情 ， 就是金融里边决策是很便宜的 ， 价格几乎为零 ， 那它缺的根本就不是便宜的决策 ，而是需要的是一个决策到行动的一个可以被大家信服的一个转换 。 但 Jev 呢 ，其实本质上相当于就是把原本不太值钱的东西变成根本就不值钱了 ， 那其实对整个 AI Trading 的领域来说 ， 我觉得起不到一些推动的作用 。 第二个点就是金融最核心的一些材料呢 ，其实本质上就是它不擅长的 。 因为 Jev 刚出的时候我也去看过 ， 我记得它官方文档上好像是有写到有一些它的弱点吧 ， 就比如说数学计算 ， 日期比较 ，但是我们想一想数字日期 ， 很多噪音的材料 ，有人来故意误导你的文本 ， 这不本来就是金融世界本来的样子吗 ？ 那就相当于就是它不擅长的东西偏偏是金融领域本来的样子 。 所以说这也是一个方面 。 然后另外一个问题我觉得就在于它只给你概率 ， 然后不给你理由 ， 这也是刚刚提到的一点 。 就是我觉得其实大家也可以思考一个问题 ， 就如果说你真的去把你的钱去给 Jev， 你真的会在一个很长期的时间去相信它吗 ？ 因为本质上它根本就没有给你任何的分析链条 ， 它只是告诉你说这个东西买 ， 这个东西不买 ， 然后可能等你反应过来的时候 ， 它已经亏了很多很多的钱了 。 所以说我觉得这就是 Jev 目前不太适合 Trading 的一个原因 。 当然我觉得它在金融里面还是可以用到很多别的方面的 ， 就比如说我们每天可以收到很多很多信息 ， 它可以做一下初筛 ， 比如说这个新闻是不是说这个公司的 ， 这个原始的公告还是说它是转载的 ， 这个材料和这个问题有没有相关性 。 这些问题呢 ，其实就是比较便宜 ，而且量很大 ， 你一天你可能要做个几万次几十万次 ， 它不涉及算术和日期 。 而且最关键的一个问题是它如果做错了 ， 它也只是影响了啊 ， 比如说我今天少看了几个核心有价值的公告 ，但是我其他的公告漏就是也进来了嘛 ， 那其实对我最终的一个人的判断不会产生什么影响 。 所以说比较形象的一个例子就是 Jev 更适合当一个门口的一个分拣员 ， 它不适合去做一个把这整个链条快递给你的那个快递员 。 然后刚刚曲凯老师也提到了这个 forecasting 的这个问题 ，forecasting 这个问题其实也比较严重吧 ， 就是我觉得交易的本质上其实是对概率去下注 ，而不是去对答案下注 。 一只股票的价格 ， 我们可以形象的理解成它是对未来各种可能性的价权平均 。 你的赚钱的逻辑就是你的概率和市场隐含的概率之间的那个差值在扣掉成本 ， 概率相当于就是你的一个决策能够配上多大的行动 。 就比如说 60% 的把握去配一个小仓位 ， 更大的把握你就配一个更大的仓位 ， 那可能百分百的概率你可能就 all in 了 。 但是这里有一个问题就在于 ， 如果说 Jev 返回 50%， 那它可能就是一次抛硬币 ， 那它本质上不也是一种幻觉吗 ？ 那你就不该行动 。 那所以说未来一个比较重要的问题吧 ， 就是 AI 说自己有多大把握 ，但这个把握到底靠不靠谱 。 因为我们用一些简单的这个数学逻辑也能发现 ， 就是如果它说两件事情都是 90% 的把握 ， 就比如说两件事情是分别是这家公司下个季度的营收会超预期 ， 然后第二件事情就是这个超预期会带来股价增长 ， 这两个东西这个概率模型都给了它们 90% 的一个把握 ， 那很多人就会说哎我 0.9 乘 0.9， 那我这件事情我不就是 81% 的把握吗 ？ 但是这个就悄悄假设了这两件事情是独立的 ， 那它真实的这个联合概率你根本就不知道 。 那金融里这个问题我觉得就非常的严重 ，因为你很多个判断其实经常用的是同一条新闻 ， 如果说那个新闻是错的 ， 那你相当于你所有的假设全部都是错的 ， 那你再怎么去每个都是 90% 把握 90% 把握 ， 它其实也都是不会成功的 。 **曲凯** [32:05] 哎 ， 所以你现在自己在用的是什么模型啊 ？ 然后你觉得目前的模型对于 AI Trading 这件事情大概是一个什么样的水平 ？ 是已经完全足够用还是怎么样 ？ **吴浩哲** [32:17] 我日常使用的可能和大家也是一样的 ， 比如就是 Codex 和 Cloud 能力上的话 ， 我们刚刚提到的所有凡事和主观投资相关的 ， 我觉得都已经做得很好了 。 因为本质上主观投资就是 deep research 嘛 ，deep research 这个问题在去年的时候就已经有一个很明确的答案了 ，AI 做的确实会比人好 。 **曲凯** [32:35] 嗯 ， 然后现在好多 AI Lab 在做那个 AI Finance 的事情嘛 ， 比如说最近 Kimi 推出的一些东西啊之类的 ， 这块你是怎么看的 ？ ### 金融应用 **曲凯** [32:44] 它跟 AI Trading 之间的一些异同是什么 ？ **吴浩哲** [32:46] 本质上 AI for Trading 的你的最终目标是想去问 AI 能不能持续跑赢市场 ，但是 AI for Finance 更多的是在去做 AI 能不能让金融机构的工作去变得更好 。 就比如说 Anthropic 今年 5 月份开源的那些金融模板 ， 它就是相当于做的是金融机构里边的一些什么估值复核呀 ， 然后材料啊对账啊这些东西 ， 那 Kimi 9 月份发的也差不多是这个形式 。 这些产品更多的就是去关注交付具体的工作成果 ， 它们更多的侧重点应该是去做能不能每天接着用 ， 能不能更稳定 ，而不是说去做一些持续的经验性的东西 。 因为我个人认为 AI for Trading 更多的就是一个你需要去一直向外表现出你很惊艳 。 接下来的这个整个 AI 金融产品的一个差距啊 ， 我觉得更多的也是会体现在一些细节上面 ， 比如说谁能接上更多的机构的数据 ， 谁能够更好的理解这个团队的工作方法 ， 然后谁能够更好的让这些成果能够被同事接手 ， 能够复核 ， 能够继续修改 ， 谁才能够更有机 会被长期使用 。 所以说就是讲到这里其实大家也都明白了 ， 就是在这个领域其实模型进步已经显得没有那么重要了 ，因为你光换一个更强的模型其实解决不了这些问题 。 ### AI与人 **曲凯** [34:01] 嗯 ， 所以总结一下， 你觉得 AI Trading 的工具或者说模型智能这些东西本身 ， 它对于在做投资的人来说更多的它是一个 ， 比如说本来它的投资能力可能是 30 分 ， 嗯 ， 那那它用了 AI Trading 会从 30 分变成 40 分 ， 还是可能甚至于更差 ， 或者还是维持在这个分数 ， 然后 80 分的人用了是会变成 90 分还是怎么样 ， 还是不一定 ？ **吴浩哲** [34:27] 一定是对某个人是有增强的 ， 我们就分几个层次来讲吧 ， 就是如果说是对于一个本来 20 分 30 分的人， 那 AI Trading 可以说是帮助他们更好的进行 ， 比如说风险把控 ， 然后更好的进行研究 ，不必再去听信一些小作文和一些抖音上的荐股 。 那对于一些五六十分的人来说 ， 那他们可能说已经会了这些基础的判断 ，但是他们没有办法做更深的研究 。 那有了 AI 之后呢 ，他就可以去尝试做一些更专业的东西 ， 比如说 fundamental， 比如说宏观 ， 那再往后呢 ， 比如说八九十分的人群 ， 那对于这群人来说呢 ， 我觉得更多的就是去让他们的这些 idea 在各个维度上都被验证 。 就比如说之前其实从业的时候会有一个现象 ， 就是在各种二级机构里边会有 ， 你比如说你一个做宏观的 ， 你其实很难说你自己去亲身去验证一下你这个东西的历史的回测 ，因为很多做宏观的你可能连代码都不会写 ， 那很多做量化的你本身就是理工科出身 ， 你根本就不知道里边这个价格所代表的经济学原理 。 那我觉得对于八九十分的这个人群 ，AI Trading 一定是能够帮他们去从多方位去验证他们的观点 ，也能让他们变得更自信 。 当然我觉得还有个题外话 ， 就是现在大家总想要去谈论什么 AI 能不能替代人， 或者说 AI 直接帮助人士做 Trading， 我在想啊 ， 会不会有一种可能 ，不是说 AI 需要人去帮你做判断 ， 会不会有一种可能是人需要 AI 来体现自身的价值呢 ？ 这个也是我最近一直在思考的一个问题吧 。 举个详细的例子 ， 相当于就是我们今天我们去给 AI 定价 ， 很多时候就是看它能解决人多少的这个复杂的工作 ， 它能省多少工时 ， 它能替代多少个员工 ， 值多少工资 ， 相当于就是 AI 需要通过它必须要替代人来做什么才能证明自己的价值 。 但如果未来模型足够强 ， 很多事情做的比人类好的多 ， 这个问题我觉得就会反过来 ， 那人是不是就该问自己我还能做什么 ， 这个世界还有什么事情需要我 ？ 我觉得这个东西其实可能比刚刚谈论的所有的一切都更有价值一点 ，因为这些事情可能是要比失去一份工作更难受 ，因为工作除了带来收入 ，其实也让人觉得你被人需要 ， 你对别人的生活产生了影响 。 我觉得 AI Trading 也是 ， 你参与到其中的话 ， 你有一些正反馈 。 所以说我就觉得未来可能哪怕它真的能足够强的去进行自我的 Trading， 我觉得可能最后还是一个 Human in the loop 的一个状态 。 因为今天把人留在这个流程里边 ， 我们刚刚提到很多 ，是因为 AI 很多工作和它的很多抛出的这些东西文档需要人来审核 ， 需要人来把关 ， 尽管以后他们真的不需要这么多的帮助 ，他们已经不需要审核 ，不需要把关 ，但我觉得人也需要参与 ，因为需要保证自己的生活有方向感 ， 意义感 。 就是往深一点想 ， 这就是其实有一点那种哲学和神学那种意味在里边 ， 就是一个人值得被尊重 ， 或者说一个人他的社会地位较高 ，其实更多的是因为他能够带来更多的价值 ， 还是说因为他本身就是一个人呢 ？ 那我觉得这个问题在现在来说可能没有一个什么答案 ，但是我觉得在以后来说 ， 人的这个决定权不能随着机器能力的上升而消失 ，因为我们需要通过创造 ， 通过决定 ， 通过承诺 ， 通过责任来感受到自己的生命的存在是有分量的 。 当然是有点扯远了 ，但是我觉得 AI for Trading 大概也是一个这么的发展方向 。 ### 上手建议 **曲凯** [37:42] 嗯 ， 挺好的 ， 这个结尾上了下价值啊 ， 哈哈哈 。 嗯 ， 然后我们最后一个问题啊 ， 就是对于现在可能对用 AI Trading 感兴趣的人 ，但还没用的人， 有没有一个 0 到 1 的一个建议 ， 说大家现在应该先去做哪些事情 ， 怎么样把它用起来 ？ **吴浩哲** [38:03] 当然最好的是大家可以先来用一用 Vibe Trading 哈哈 ，但其实我觉得啊 ， 对于这个 AI for Trading 领域 ， 如果大家想要去做的话 ， 第一件事还是去想好自己到底愿意花多少钱去承担这个风险 ， 要先隔离风险 。 你不能把它当做是一个致富的密码 ，因为坦白来说 ， 肯定会有相应的反制手段出现 ， 就它肯定不可能是一直赚钱 ， 它更多的就是一个新的交易模式 。 所以说我觉得就是第一件事肯定就是明确自己的风险偏好 ， 然后给多少钱 ， 然后一个单独的账户 ， 然后去想想办法看怎么样去尝试一些你没有尝试过的东西 。 这一点我觉得也很有意思 ， 就是很多散户他可能更多的是因为这个市场不适合他 ， 当然这个并不是说 A 股怎么样啊 ， 我觉得就是很多人， 比如说他的性格 ， 可能他就是适合去做一些大宗商品相关的东西 ，他可能对大宗商品相关的逻辑推理 ，他就是有自己的天赋 。 那有的人就适合在这种四五千只股票里面去看各种各样的基本面 ， 那有的人可能就适合就是去看这种技术图形 ，他就能做得很好 ， 每个人的天赋点可能也不太一样 。 所以说我觉得更多的也可以去让这个 AI Trading 去帮你去尝试一下你从来没试过的一个市场或者领域 。 **曲凯** [39:15] OK， 好呀 ， 谢谢浩哲 。 **吴浩哲** [39:17] 好嘞 。 嘿 ， 你曾手边流过 ， 汇成一条深蓝色的河 ，在你的身旁不停奔流着 。 嗯 ， 天狼星还燃烧着 ，在星河的边缘不停地闪烁 ， 照亮你亲手制造的灾祸 。 嗯 ， 无知无觉无常的一切 ， 围成一个无声的房间 ， 那些进入脑海的瞬间 ， 变成一次彻底的危险 。 向左向右向内的观看 ， 我们终将独自体验 ，不知疲倦又无法了断 ， 无知无休无尽的遗憾 。 --- 本节目库由 PodHood（https://podhood.com）提供支持——播客网站平台。