用AI炒股時，決策是免費的，行動權才是稀缺品
市場每秒都在報價，決策幾乎免費；真正貴的是每一次下單要承擔的虧損與責任。AI trading的價值不在預測漲跌準不準，而在把決策審慎地轉成一條可審計的行動通道。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 點時間戳可跳到原聲
決策已經免費，行動才要人負責
吳浩哲提出這一年最確定的判斷：在軟件開發等行業，AI讓「做」變便宜，難的是「決定做什麼」；但金融恰好相反——市場每秒都在報價，每個價格背後都是別人做出的決定，一個研究agent一天能對幾千只股票各給出上百個判斷，決策幾乎零成本。真正稀缺、真正貴的是行動：一個人要為自己的行動負責，就必須能向自己解釋清楚為什麼要做這個行動。這也是他把項目從量化研究工具改造成二級市場交易臺的理由——量化信號（IC、夏普比率）對普通投資者是天書，解釋不清就沒人願意為它掏錢、擔責。
— 吳浩哲量化把責任焊死在寫規則那一刻
傳統量化是人先把決策想清楚、固定成規則，再讓機器便宜大量執行——壞手率、策略容量在開發那一刻就已確定，責任也在那一刻焊死。AI trading不同：模型不斷讀非結構化材料（新聞、公告、電話會、社交媒體），決策不斷冒出來，不能只在起點把關一次，需要一道持續運作的閘門全程審查。落到實操：好的研究應先分清材料裡的事實和agent給出的假設，再去檢驗假設（現金流改善是應收賬款回收還是延後付款？同行怎麼變？），最後留下的應是有依據、有適用條件的判斷——證據不夠就該停在無法判斷，而不是給一個模稜兩可的結論。
— 吳浩哲「財報後漂移」正被AI殺死
2000年前有個經典現象叫財報後漂移——好財報公布後股價不會當天漲到位，而是接下來幾天甚至幾個月慢慢往上飄，因為讀財報、改模型、開會下單每一步都要人來做。但吳浩哲提到一篇論文，標題就叫「安息吧，財報後飄移」：美國指數里這種漂移大約從2006年起就已消失，財報裡的意外信息在發布當天就被完全消化。他判斷隨著AI普及，這個消化時間接下來會縮短到只有幾秒鐘——這意味著讀得早、讀得懂本身不再值錢，超額收益會從單個信號搬到需要跨數據源對齊、拼接的組合條件上。
— 吳浩哲拼到最後，拼的是數據對齊
吳浩哲把AI trading系統拆成四塊：數據對齊、harness（把關機制）、model（智商與偏好）、以及人。好系統的標準是決策儘可能多且便宜，行動儘量少，每個行動都有來由、有邊界、有人負責——收益率和勝率不是原因，是這套系統自然結出的結果。壞系統要麼把每個便宜決策都變成行動（過度交易），要麼謹慎到不敢行動卻說不出理由。他認為模型智商和獨家數據的邊際價值在下降，誰都能查到、都能一鍵跑因子，真正在漲價的是數據對齊和harness——這是他認為最核心的一環。
— 吳浩哲買數據買的不是答案，是驗證的資格
吳浩哲給出一個明確判斷：數據多真的不等於有alpha，因為大家都能拿到的日線和另類數據裡能找到的規律早已被價格吃掉，靠採買數據基本找不到新的alpha點。買數據真正的作用，是讓一個命題可以被檢驗——很多時候你以為一個想法不行，其實只是數據不夠或口徑沒對齊，而不是想法本身錯了。他也提醒散戶和小團體要有自知之明：數據的廣度永遠拼不過機構，能拼的是數據對齊的質量，以及把不同數據結合在一起的想法，這樣才能抓到市場還沒充分反映的價格。
— 吳浩哲被寄予厚望的預測模型幫助約等於零
針對市場熱議的、專為forecasting優化的模型，吳浩哲判斷它對trading的幫助可能約等於零。原因有三：它優化的正是金融裡本來就便宜的那一側（決策），缺的從來不是更便宜的決策，而是決策到行動的可信轉換；金融材料的核心特徵——數字、日期比較、充滿噪音甚至故意誤導的文本——恰恰是這類模型公開承認的弱點；它只給概率不給理由，一旦虧錢、投資者反應過來時可能已經虧了很多。他認為這類模型更適合當篩選信息的門衛，比如判斷一條新聞是不是轉載、和問題相不相關，而不適合直接決定買賣。
— 吳浩哲對賭概率，不是對賭答案
吳浩哲提出交易的本質是對概率下注，而不是對答案下注：一隻股票的價格可以理解為對未來各種可能性的加權平均，賺錢邏輯就是自己判斷的概率和市場隱含概率之間的差值，扣掉成本後決定倉位大小。但他指出一個被忽視的陷阱：如果模型說兩件事各有90%把握（比如營收超預期、超預期帶動股價上漲），不能簡單相乘算成81%的聯合把握，因為這悄悄假設了兩件事互相獨立；而現實中很多判斷依賴同一條底層邏輯鏈，一旦那條邏輯錯了，所有看似98%把握的判斷會一起失敗。
— 吳浩哲或許不是AI需要人，是人需要AI
吳浩哲提出一個反向問題：大家總在討論AI能不能替代人、能提效多少工時，本質上是用AI能替代人的工作量來給AI定價。但如果未來模型足夠強，很多事都做得比人好，問題可能要反過來問——人該問自己「我還能做什麼，這個世界還需要我做什麼」。他認為哪怕AI真的能自主完成交易全流程，最後大概率仍是human in the loop的狀態，原因不只是審核和把關的需要，更是因為人需要通過創造、決定、承擔責任來確認自己的生活有方向感和意義感。
— 吳浩哲原話 · 已逐字校驗
行動很貴 就是一個人要為自己的行動負責 他就必須要向自己去解釋這個行動
行動很貴，一個人要為自己的行動負責，就必須能向自己解釋清楚這個行動。
吳浩哲3:02
AI trading 更多的不是讓模型去做出更多的決策 而決定哪些決策 更有資格去變成行動
AI trading更多的不是讓模型做出更多決策，而是決定哪些決策更有資格變成行動。
吳浩哲6:04
我的定義就是 AI trading是在幾乎免費的決策 和代價昂貴的行動之間 去建立一條可被驗證 可被審計的通道
AI trading是在幾乎免費的決策和代價昂貴的行動之間，建立一條可被驗證、可被審計的通道。
吳浩哲6:04
一個做了好的AI trading的系統 應該是決策儘可能多 而且還便宜 但是行動儘量的少 每一個行動都要有它的來由 有它的邊界 有人負責
做得好的AI trading系統，應該是決策儘可能多且便宜，但行動儘量少，每個行動都要有來由、有邊界、有人負責。
吳浩哲20:15
數據多其實真的不等於有alpha 因為在大家都能拿到的日線和另類數據上 能夠被找到的規律 其實已經被價格吃掉了
數據多其實不等於有alpha，因為大家都能拿到的日線和另類數據上能找到的規律，早已被價格吃掉了。
吳浩哲24:17
我覺得Jeff 對trading的幫助 就是也不能說沒有吧 可能就是約等於零
我覺得它對trading的幫助，也不能說沒有吧，可能就是約等於零。
吳浩哲27:17
交易的本質上 其實是對概率去下注 而不是去對答案下注
交易的本質，其實是對概率下注，而不是對答案下注。
吳浩哲30:17
數字與實體
| 開源不到半年GitHub star數 | 超過3萬個 | 1:00 |
| 貢獻者覆蓋國家/地區數 | 超過20個 | 1:00 |
| 早期版本因子數量 | 400多個 | 2:02 |
| 實盤操作中遵循AI建議的比例 | 80%到90% | 13:12 |
| 財報後漂移在美國指數中消失的起始年份 | 2006年 | 16:14 |
術語
- Harness把關機制
- 決定AI的哪個決策有資格被執行為實際行動的規則與流程
- Points in Time (PIT)時點數據
- 回測只能用當時真實可得的數據，不能用未來才修正的數字
- Post-Earnings Announcement Drift財報後漂移
- 好財報公布後股價不立刻漲到位，而是持續數天到數月緩慢上漲的現象
- Vibe TradingVibe Trading
- 用自然語言描述投資想法即可生成跨領域研究團隊的開源AI交易工具
收聽指南
關注量化與AI投資工具的從業者、想理解AI trading和傳統量化區別的個人投資者，以及做AI agent產品但想理解金融領域特殊性的從業者。
9:59附近關於社交媒體情緒分析的討論較為常見，時間有限可跳過。