用AI炒股时，决策是免费的，行动权才是稀缺品
市场每秒都在报价，决策几乎免费；真正贵的是每一次下单要承担的亏损与责任。AI trading的价值不在预测涨跌准不准，而在把决策审慎地转成一条可审计的行动通道。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
决策已经免费，行动才要人负责
吴浩哲提出这一年最确定的判断：在软件开发等行业，AI让「做」变便宜，难的是「决定做什么」；但金融恰好相反——市场每秒都在报价，每个价格背后都是别人做出的决定，一个研究agent一天能对几千只股票各给出上百个判断，决策几乎零成本。真正稀缺、真正贵的是行动：一个人要为自己的行动负责，就必须能向自己解释清楚为什么要做这个行动。这也是他把项目从量化研究工具改造成二级市场交易台的理由——量化信号（IC、夏普比率）对普通投资者是天书，解释不清就没人愿意为它掏钱、担责。
— 吴浩哲量化把责任焊死在写规则那一刻
传统量化是人先把决策想清楚、固定成规则，再让机器便宜大量执行——坏手率、策略容量在开发那一刻就已确定，责任也在那一刻焊死。AI trading不同：模型不断读非结构化材料（新闻、公告、电话会、社交媒体），决策不断冒出来，不能只在起点把关一次，需要一道持续运作的闸门全程审查。落到实操：好的研究应先分清材料里的事实和agent给出的假设，再去检验假设（现金流改善是应收账款回收还是延后付款？同行怎么变？），最后留下的应是有依据、有适用条件的判断——证据不够就该停在无法判断，而不是给一个模棱两可的结论。
— 吴浩哲「财报后漂移」正被AI杀死
2000年前有个经典现象叫财报后漂移——好财报公布后股价不会当天涨到位，而是接下来几天甚至几个月慢慢往上飘，因为读财报、改模型、开会下单每一步都要人来做。但吴浩哲提到一篇论文，标题就叫「安息吧，财报后飘移」：美国指数里这种漂移大约从2006年起就已消失，财报里的意外信息在发布当天就被完全消化。他判断随着AI普及，这个消化时间接下来会缩短到只有几秒钟——这意味着读得早、读得懂本身不再值钱，超额收益会从单个信号搬到需要跨数据源对齐、拼接的组合条件上。
— 吴浩哲拼到最后，拼的是数据对齐
吴浩哲把AI trading系统拆成四块：数据对齐、harness（把关机制）、model（智商与偏好）、以及人。好系统的标准是决策尽可能多且便宜，行动尽量少，每个行动都有来由、有边界、有人负责——收益率和胜率不是原因，是这套系统自然结出的结果。坏系统要么把每个便宜决策都变成行动（过度交易），要么谨慎到不敢行动却说不出理由。他认为模型智商和独家数据的边际价值在下降，谁都能查到、都能一键跑因子，真正在涨价的是数据对齐和harness——这是他认为最核心的一环。
— 吴浩哲买数据买的不是答案，是验证的资格
吴浩哲给出一个明确判断：数据多真的不等于有alpha，因为大家都能拿到的日线和另类数据里能找到的规律早已被价格吃掉，靠采买数据基本找不到新的alpha点。买数据真正的作用，是让一个命题可以被检验——很多时候你以为一个想法不行，其实只是数据不够或口径没对齐，而不是想法本身错了。他也提醒散户和小团体要有自知之明：数据的广度永远拼不过机构，能拼的是数据对齐的质量，以及把不同数据结合在一起的想法，这样才能抓到市场还没充分反映的价格。
— 吴浩哲被寄予厚望的预测模型帮助约等于零
针对市场热议的、专为forecasting优化的模型，吴浩哲判断它对trading的帮助可能约等于零。原因有三：它优化的正是金融里本来就便宜的那一侧（决策），缺的从来不是更便宜的决策，而是决策到行动的可信转换；金融材料的核心特征——数字、日期比较、充满噪音甚至故意误导的文本——恰恰是这类模型公开承认的弱点；它只给概率不给理由，一旦亏钱、投资者反应过来时可能已经亏了很多。他认为这类模型更适合当筛选信息的门卫，比如判断一条新闻是不是转载、和问题相不相关，而不适合直接决定买卖。
— 吴浩哲对赌概率，不是对赌答案
吴浩哲提出交易的本质是对概率下注，而不是对答案下注：一只股票的价格可以理解为对未来各种可能性的加权平均，赚钱逻辑就是自己判断的概率和市场隐含概率之间的差值，扣掉成本后决定仓位大小。但他指出一个被忽视的陷阱：如果模型说两件事各有90%把握（比如营收超预期、超预期带动股价上涨），不能简单相乘算成81%的联合把握，因为这悄悄假设了两件事互相独立；而现实中很多判断依赖同一条底层逻辑链，一旦那条逻辑错了，所有看似98%把握的判断会一起失败。
— 吴浩哲或许不是AI需要人，是人需要AI
吴浩哲提出一个反向问题：大家总在讨论AI能不能替代人、能提效多少工时，本质上是用AI能替代人的工作量来给AI定价。但如果未来模型足够强，很多事都做得比人好，问题可能要反过来问——人该问自己「我还能做什么，这个世界还需要我做什么」。他认为哪怕AI真的能自主完成交易全流程，最后大概率仍是human in the loop的状态，原因不只是审核和把关的需要，更是因为人需要通过创造、决定、承担责任来确认自己的生活有方向感和意义感。
— 吴浩哲原话 · 已逐字校验
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
行动很贵，一个人要为自己的行动负责，就必须能向自己解释清楚这个行动。
吴浩哲3:02
AI trading 更多的不是让模型去做出更多的决策 而决定哪些决策 更有资格去变成行动
AI trading更多的不是让模型做出更多决策，而是决定哪些决策更有资格变成行动。
吴浩哲6:04
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
AI trading是在几乎免费的决策和代价昂贵的行动之间，建立一条可被验证、可被审计的通道。
吴浩哲6:04
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
做得好的AI trading系统，应该是决策尽可能多且便宜，但行动尽量少，每个行动都要有来由、有边界、有人负责。
吴浩哲20:15
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
数据多其实不等于有alpha，因为大家都能拿到的日线和另类数据上能找到的规律，早已被价格吃掉了。
吴浩哲24:17
我觉得Jeff 对trading的帮助 就是也不能说没有吧 可能就是约等于零
我觉得它对trading的帮助，也不能说没有吧，可能就是约等于零。
吴浩哲27:17
交易的本质上 其实是对概率去下注 而不是去对答案下注
交易的本质，其实是对概率下注，而不是对答案下注。
吴浩哲30:17
数字与实体
| 开源不到半年GitHub star数 | 超过3万个 | 1:00 |
| 贡献者覆盖国家/地区数 | 超过20个 | 1:00 |
| 早期版本因子数量 | 400多个 | 2:02 |
| 实盘操作中遵循AI建议的比例 | 80%到90% | 13:12 |
| 财报后漂移在美国指数中消失的起始年份 | 2006年 | 16:14 |
术语
- Harness把关机制
- 决定AI的哪个决策有资格被执行为实际行动的规则与流程
- Points in Time (PIT)时点数据
- 回测只能用当时真实可得的数据，不能用未来才修正的数字
- Post-Earnings Announcement Drift财报后漂移
- 好财报公布后股价不立刻涨到位，而是持续数天到数月缓慢上涨的现象
- Vibe TradingVibe Trading
- 用自然语言描述投资想法即可生成跨领域研究团队的开源AI交易工具
收听指南
关注量化与AI投资工具的从业者、想理解AI trading和传统量化区别的个人投资者，以及做AI agent产品但想理解金融领域特殊性的从业者。
9:59附近关于社交媒体情绪分析的讨论较为常见，时间有限可跳过。