万字长文：如何把AI用在交易上？我的实盘经验教训

上周我们完成了从科技股到公共事业和能源的调仓，判断受美债利率压制的股票会短期跑赢科技股，科技股内软件和巨头比硬件强。本周出现市场轮动和科技股内分化，最后普跌，基本符合预期。调仓就是模型和个人经验结合做出的决定。有这个热腾腾的例子，借此分享自己用AI交易的经验教训，地理大神很多，纯抛砖引玉。欢迎交流讨论。

TLDR
我用AI将自己稳定盈利4年（包括22年熊市）的主观策略系统化，又实盘测试了15个月，现在创建了自己的基金。

AI正好和我的框架互补，举三个今年的交易作为例子。

上周，模型和我都捕捉到了QQQ出现的bull trap，同时韩股作为先行指标提前破位，美债收益率出现短线回落的迹象。结合这些相关性的观察，模型认为9月中以来市场共识的科技股上涨 + 高利率承压股下跌趋势和短期我的预期之间有预期差，并根据当前投资组合给出了调仓的具体策略，我看完后非常认同确认了交易。AI和我通力合作。

6月，我看韩股的杠杆越看越眼熟，15年A股的杠杆踩踏我是亲历过而且提前逃顶的，于是6月初就降了仓位，和15年一样没吃鱼尾行情，后续完全避开了7月半导体的下跌。这种杠杆杀杠杆的行情很少见，模型在7月初才全面转空。我比AI强。

4月，模型提示半导体非常强应该赶紧做多。我因为担心油价，没有及时把权限交还给系统，半导体和存储虽然都有一些却没敢打满，4到6月跑输了大盘。AI比我强。

我交易13年以来发现自己屡屡能逃顶（大顶和阶段顶）也能抓住大底。无论是A股还是美股，包括14年A股底、15年A股顶、16年白马股、18年美股顶、21年中概顶、22年10月的美股底，24年9月A股底，最近的就是26年3月和7月这两次，都是提前1-2个月我就会跑路或者抄底（均有券商记录）。一方面是早年做FICC量化让我对市场条件和交叉资产带来的提前预警比较敏感，另一方面也算是天赋吧，天性偏谨慎也不喜欢扎堆所以更有和人群反着做的动力。我的一个小tip，就是当涨的心悸或者跌的绝望时，到离重仓市场有12个小时时差的地方，旅游1-2周，隔岸观察有奇效。

盈亏同源，强于逃顶和抓大底，同时也意味着总是判断可能的顶部从而容易错过一些上涨行情。比如今年4-6月就没有打满，A股的光模块行情也没有打满，更别提韩股了。全面使用AI之前，我的解法是长线持股，控制仓位，靠极低的成本和不大的仓位忽略掉可能的下跌。最近两年有两个很典型的操作。一个是去年$220左右买的SNDK和$23买的INTC，仓位都不大，所以前者拿到今年6月初，后者现在还在组合里。另一个是￥150买的A股的德明利，大部分在￥700左右卖掉了，剩下的一点点跌到￥250才清仓。我当然知道这里有很多优化的地方，但很多时候我需要一个无情推手来帮忙克服情绪和执行力上的不足。这点是我认为搭建这套AI系统并将“最终确认”前的所有环节都交给它之后，我的最大收益。

在我能稳定盈利之后，2022年-2025年在美股我的年化收益是27.9%，最大回撤24%，Sharpe Ratio 0.9，每年都跑赢了全部大盘。2025年7月开始用AI系统后这15个月里的收益是29.1%，最大回撤只有7.7%，Sharpe Ratio提升到1.7，也跑赢了全部大盘。我有试过完全交给AI，3个月Sharpe Ratio上升到2.6，但出于谨慎我后面还是经常干预，然后常被打脸。这些都是$1M以上的实盘，有券商和公开记录。
这一年多真金白银跑下来，有些判断更确定了，也有新踩的坑。今天串起来聊一次。

先上结论。

• 不要让大模型直接交易。把通用模型接上账户，跳过数据、验证、执行和风控，就是许愿机。
• AI最该干的是“找关系”。AI最该干的是“找关系”。大模型天然适合从文字里找出谁影响谁、影响怎么传导；关系是机会和风控的根基，市场有没有在交易这层关系，再用量价数据验证。
• 所有投资赚的都是预期差。关键是市场共识是什么，我的观点是什么，共识能不能向我靠拢。
• 人和AI各有盲区。AI负责从信息处理到交易方案的主要链路，我负责系统、风险边界、异常情况和最终授权。人什么时候接手、什么时候交还，要用规则固定下来，可以迭代规则，不能拍脑门。
• 中低频的主题投资是AI的蓝海。我的判断是，未来3–5年，在用AI做这件事的人里，不需要像现在的高频那样做到前1%，前20%就有机会吃到这波alpha。
• 27年波动会更大。越波动越需要AI

现在大家都用AI交易

我们可以用AI离交易决策有多近为标准，大致分成四类：

• 提效：写代码、整理资料、优化工作流。Man Group的CIO Greg Bond在访谈里说，关键是把这些工具送到每个人的桌面上，不管他做研究、运营还是销售。今年七八月我回国，和上海、杭州、深圳做量化的朋友聊，大家用AI也主要停在这一层。它是已经自证了的效率工具，但本身不产生alpha。
• 加工数据：把文字、音视频这些非结构化数据变成量化信号。Two Sigma的Ben Wellington举过一个例子：CEO在采访里摸鼻子的次数是不是负面信号？十年前这是一个要做六个月的计算机视觉项目，现在把视频扔给多模态大模型，六分钟就能出初步结果。贝莱德的THRO ETF也是这个思路，用AI读新闻和财报电话会来识别主题，在几十个主题之间轮动。
• 端到端预测：极少数顶级高频机构，用逐笔成交和资金流数据从零训练大型Transformer，预测的不是下一个token，而是下一笔资金的流向。数据、算力、人才缺一不可，全世界也就几家玩得起。
• 参与决策：让AI完成研究、给出交易方案，甚至直接下单。桥水24年推出了约20亿美元、以机器学习为主要决策依据的基金。Man Group的AlphaGPT能自己提出信号、写代码、做回测，上线前再过人工审核。有非常多的论文都会用Agent自己搜消息，选股，做策略，下单。YC今年春天把“AI原生对冲基金”列进了创业征集方向，投的Standard Signal，主打的就是由AI完成每一笔交易的研究和执行。

对中小团队来说，前两种是标配，第三种玩不起，机会在第四种。我接触过不少AI原生对冲基金团队，他们基本从量化策略的角度出发，区别在于整个量化决策链路中的AI参与度，然后切入点也都以预测市场这个蓝海为主，因为这个市场流动性小、巨头进得慢、返佣还高，传统市场里的一些高频和套利策略搬过去依然有效。极少有在美股、美债、外汇、大宗商品这些红海里尝试成功的。

我做的是第四种，不过主战场是流动性最好的美股和期权，只是另辟蹊径，从主观而不是量化策略的角度出发，不是用AI复刻量化策略或者发现新的因子，而是把成熟的主观策略系统化，让主观策略在推演和小样本上的优势与量化在统计和大样本上的优势结合，非要套一个现成概念的话也算是Quantamental Investment。

当然用AI交易美股和期权的话，坑也特别的多。

五个坑

坑一：让大模型直接交易
每出一个新模型、一个新的Agent框架，就有人搭条自动链路交给大模型去交易，大家一定能看到各种github代码库，各种论文和各路视频，屡见不鲜。去年10月的Alpha Arena最有代表性，数千万人围观。六个顶级大模型各拿1万美元真金白银交易加密货币，两周下来四个亏损，GPT-5亏了六成多，Gemini 2.5 Pro亏了五成多。赚钱的两个也说明不了什么，两周、六个币种的样本，跟抛硬币差不多。

大模型最常犯的错误，就是把事后解释当成交易信号。模型能列出十条看多理由，但这些理由可能早就在股价里了。交易真正要回答的是：市场现在怎么想？我的判断哪里不同？错了会亏多少？

让大模型自动交易然后赚钱，本质和买彩票没区别。只要问问自己，Anthropic和OpenAI招了那么多量化大牛，如果模型自己就能赚钱，他们早就没有融资烦恼了。我反对的不是让AI参与交易决策，我自己的系统里AI就在出交易方案。我反对的是把一个通用模型直接接上账户，跳过数据处理、策略验证、执行和风控，然后指望它自己赚钱。一旦最终的交易决定是机器做的，运行的就是一个量化系统，就得按量化的标准做回测、做执行，而大模型在这两件事上都有先天缺陷。

更底层的问题是博弈。如果对模型说一句“帮我赚10万美元”就真能赚到，那所有人都会这么做，所有人都赚不到钱。霍华德马克思在访谈里说得很清楚：如果大家用的AI一样聪明、训练数据一样，写出来的投资流程也会一模一样，那就不存在卓越。我自己的看法是，资本市场是一个分配机制，博弈是这个机制有效的核心原因，真到了完全不需要人的那一天，大概已经是AGI，连金融市场这种资源分配方式都未必需要了。

坑二：相信漂亮的回测
量化回测的基本功大家都知道：时间戳对齐，剔除上市退市带来的幸存者偏差，整条链路里不能有未来函数等等。Two Sigma的Ben有句话我很喜欢：金融市场信噪比极低，如果你的模型回测R²到了0.05，第一反应不该是庆祝，而是拉警报，大概率是哪里偷看了答案。

相比于传统量化，大模型还多两个独有的问题。一是训练数据截止日：用26年的模型测24年的数据，就是给了参考答案的考试，模型装作认真做题，其实是在回忆。用23年训练的模型去分析安然99年的文件，判断早被“安然会破产”的记忆污染了。这不是改提示词能根除的问题。于是最强的模型和足够长的干净回测窗口，往往很难兼得。二是Claude Code、Codex一晚上能写几十个策略，写代码变便宜了，过拟合也变简单了，试一千组参数，总有几组好看，然而大家做传统量化都知道，回测的意义不是证明能赚多少钱，而是让你知道这个策略的“正常情况”长什么样。等亏损来了，你才分得清是正常回撤、alpha衰减还是系统故障。

所以对最新的模型，我更看重当时生成、当时保存、向前验证的实盘记录：信号实时生成，每天公开留痕，第二天市场给答案，模型想作弊也没机会，这也是我先用自己的钱实盘测试15个月的原因。

坑三：忽视输出的随机性
同一份材料让模型分析两次，结论可能不一样，温度调到零也不代表万事大吉。Thinking Machines Lab去年9月的研究把原因讲清楚了，推理服务会把你的请求和别人的请求动态拼成一个批次，批次大小随服务器负载变化，而底层计算对批次大小并不“免疫”。也就是说，你的交易信号，可能因为同一毫秒有多少陌生人在调用同一个API而改变。
再加上幻觉，以及大模型对输入极其敏感：多一个数字、少一个空格，输出都可能不同，市场数据一刷新，输出就跟着变。模型厂商一更新版本，模型的“性格”也会跟着变。

坑四：什么都交给最强的模型
很多人习惯什么都交给最强的闭源模型。我们测下来，在不少具体任务上，专门后训练的小模型比最强的闭源模型更准，成本也低得多。只有需要复杂推理的环节，才值得用最强的模型。Two Sigma也更偏好开源模型，原因之一是能确切知道训练数据截止到哪天。系统要设计得像乐高一样可插拔，新模型出来能直接换上。

另外，仓位上限、金额计算、交易权限这些，必须交给写死的程序规则，不能让模型自由发挥。也就是说AI原生交易系统不是一个单一地模型或者围绕着模型地harness，而是从数据到模型再到规则把控的一条链路。

还有一点常被低估：AI量化的大头在数据，占我们工作量的八成以上。Two Sigma有个故事很说明问题：他们把一家通讯社推送的每一条新闻，都按毫秒时间戳保存了原始版本。后来有一天，这家通讯社反过来找他们买自己的历史数据，因为稿子改过太多次，连他们自己都不知道某个时刻网站上挂的是什么。而且这里的数据，不是单纯的输入数据、训练数据，还包括评测数据。很多没训过AI模型的朋友最容易忽视的就是评测数据。要知道闭源模型更新很频繁，同一个模型名字背后，不同时间调用的版本和推理服务都可能不一样；开源模型更是不断有新版本。那么怎么能确定插入新模型之后系统的表现没有变差呢？没有新的边界情况出现呢？哪个新模型更好呢？自己微调的模型是不是还更优呢？自我迭代和持续学习后是变好还是变坏了呢？都需要评测数据。

坑五：以为有人把关就万无一失
在我的系统里，AI负责从数据、主题发现到交易方案的整条研究链路，包括报告、标的、工具、价位和仓位。最后点不点确认则取决于我。我在逐渐把未报警的决策都托管给AI，但在极端情况报警后还是要有我来把关。AI的卓越在于发现过去的模式、外推，并极有纪律地执行。但面对没有先例的新事物，卓越的人依然有舞台，本质就是归纳和演绎，大样本和小样本的差异。我自己的体会是，大模型预训练是按概率学习人类的说法，常见的说法权重高、罕见的权重低；对齐训练又会让它的回答更趋同；生成时通常还会截掉概率很低的那部分输出。所以它更倾向于给出中庸判断，罕见的极端情形容易被平均掉或截掉。在缺乏历史规律的边缘情景里，人的判断甚至直觉无可替代。

人也会犯错，而且错得很有规律，关键是除了知道AI的能力边界，也要知道自己的能力边界。人什么时候接手、什么时候把权限交还系统，必须写成规则，而且这个规则肯定是千人千面的。同时这里记得如果有人的干预，就要留下可复盘的理由以便和模型的判断接受同样的检验。只统计AI错了多少次、不统计自己拦错多少次，最后大概率会得出一个特别有利于自己的结论。

为什么我关注关系

前面说我们交易的对象是市场共识和我的观点之间的预期差，如果市场向我靠拢，预期差缩小，我们就能赚到Alpha。【关系】得出“我的观点“的核心。

先从预期差说起。我个人理解，所有投资范式，赚的都是同一种钱：你对未来的判断和当前价格里隐含的判断不一样，而且最后证明你更对。区别只在于预期差从哪里来：价值投资靠对一家公司了解更准，买入的价格更好，再用时间换空间。宏观交易靠对利率、汇率、大宗这些大变量看得更准。量化靠更早发现统计规律。高频靠更快。

我自己的框架，核心是关系。这主要跟我的经历和思考有关。早年我在华尔街做的是FICC衍生品定价和外汇量化，宏观世界里没有哪个价格是单独动的，利率、汇率、商品彼此牵着，很多复杂衍生品的定价本身就是在算十几个变量怎么一起变。我自己交易的这13年慢慢发现自己最喜欢的也是找关系，我是偏贝叶斯的思路，现状+新冲击=变化，而新冲击带来的影响一定是有先后顺序的，很多先行指标都能在跨资产分析中找到，所以我一直习惯看跨资产的走势，看一件事怎么从一个节点传到另一个节点。

所以我找预期差，主要找的是关系里的预期差。一条新闻出来，最直接相关的公司最先被定价，拼速度我们拼不过高频。机会在传导链条上，包括还有谁受影响，影响多大，什么时候传到。比如9月Meta发布Muse，CPU公司的大涨出现在发布近两周之后。行情再往存储扩散，就没成功。基本面其实也是一样的，对一个公司基本面的冲击除了其内部组织架构、战略规划等因素之外，很大一部分来自于外部的上下游，行业整体生态，监管合规，整体技术趋势等等。Alpha往往就藏在还没反应过来的那几个环节里。

进出的时机也看关系。短期看，市场是个注意力市场，资金跟着注意力扎堆。一组股票开始一起涨跌，说明市场开始把它们当成一个主题在交易。同涨同跌散了，说明主题快到头了。中长期看，市场会回归资金面和基本面，这时候要看在一张大的关系图谱里，哪些是核心矛盾（比如过去17年Fed Put，比如2000前后中国入世等等），哪些是由这些核心推动的传导链条。

风险更是关系，不管哪种投资都绕不开。一个组合的风险，不是每只股票风险的简单相加，而是看组合里各种资产之间的相关性。我们买了芯片、电力设备和数据中心，看起来分散在三个行业，背后可能都在押同一件事：AI资本开支。疫情那会儿也是，卖消毒水的高乐氏和卖健身单车的Peloton，行业八竿子打不着，却都成了“居家”概念。分散被称为投资里唯一的免费午餐，前提是我们押的东西真的互不相干。这里还有个关键就是关系是动态变化的，比如平时不相关的资产，流动性一紧，可能被同一批人一起卖掉。

正好，大模型天然适合找关系，这一点来自它的计算方式本身。

从模型结构看，Transformer的核心是注意力机制。每个token通过embedding先变成一个几千到上万维的向量。在GPT注意力层里，每个词和它自己及前面的词打分，算出一张“谁该关注谁、关注多少”的权重表，再按这张表把相关的信息汇总到一起。每层有几十到上百个“头”，各自独立打分，可以分别关注不同类型的关系。几十上百层叠起来，后一层能在前一层找到的关系上继续找关系，层层组合，就能表达多跳的关系链接，也就是说A关联B、B关联C，就有可能把A和C连起来。所以可以把Transformer看成一张每来一段输入都能按内容重新连线的关系网。

从底层数学看，注意力的核心是一个softmax公式。拿它和最常用的相关系数（correlation）比，有三点根本不同：一是非线性，层层复合以后，能表达“在某种条件下才相关”这种复杂关系。二是动态，同样两样东西，换个上下文，关系强弱就重新算一遍。三是高维，几千上万维的空间里，能放下的近似互相垂直（互不相关）的方向数量随维度指数增长，所以这个空间有能力同时编码海量的关系，彼此干扰很小。相关系数（correlation）只是用一段历史数据算出来的一个数，只衡量两两之间的线性关系，也不会随上下文变化。

从训练目标看，预训练的核心目标，是根据前文预测下一个词。要在几万亿甚至几十万亿个词上都猜得准，模型就得学到文字里的各种依赖关系：谁影响谁、谁跟着谁变，这些关系就写在人类的文字里。从信息论的角度，预测得准和压缩得好是一回事，所以训练可以理解为把这些关系压缩进参数。训练好的模型里，相关的概念在向量空间里靠得更近。Transformer中前馈层的作用很像一个巨大的键值存储，在存储“谁和谁有关”这类事实上起着重要作用。

从推理过程看，每来一段新输入，注意力都会针对这段输入重新计算关系，所以模型能把训练时没见过的新信息和它已经记住的知识连起来。放进上下文的材料，效果上有点像一次不改参数的临时微调。长上下文能一次放进几十万字的材料，让它在不同文档之间找关系。推理模型把中间步骤一步步写出来，每一步又成为下一步的上下文，多跳的关系可以推得更远。

我的框架核心是关系，大模型的计算方式本身就围绕着关系，两者就在这里对齐。大模型擅长的，是文字里写出来的关系和按人类掌握的逻辑能推理出来的关系。市场是不是已经在交易这层关系，要交给量价等市场行为数据。

具体说，在我的框架里主要看两种关系。一种是逻辑上的联系：谁给谁供货，谁的成本是谁的收入，哪个事件影响谁，这个交给大模型从文字、图片、音频和视频里整理。另一种是市场行为的联系：市场现在有没有让它们一起涨跌，这个要用量价数据算。前者说明“应该有关”，后者说明“市场已经在交易这层关系”。

当然就像开头聊的，看清关系只是赚取Alpha的第一步，目的是找到适合我的潜在机会。之后是判断市场共识，找到预期差，确定交易策略，投资组合管理，风险控制和自我迭代。接下来咱们聊一下整个框架。

系统化的主题多空
基于“通过关系发现机会”的核心思想，我搭了一套自上而下的主题多空系统，抓的是持续数周到数月的主题。

大家都知道产业链上下游之间有关系，宏观事件的影响对象之间有关系，合规监管对象之间有关系，行业生态有关系，技术浪潮的影响对象也有关系。一个主题开始被市场交易时，不同资产的价格反应有先有后、有强有弱。我找的是其中还没充分反映、又有证据支持的那部分，说到底赚的是预期差。AI把我的整套框架系统化，代替我24/7扫整个市场，完成最终确认之前的全部流程，并且持续自我迭代；需要确认交易或出现异常告警时，再通知我。

流程是这样的：
1.定总风险：AI系统加上我做全球FICC和交易的经验，判断宏观状态，定下组合的风险上限。
2.找事件：AI每x分钟扫一遍美股7000多只股票和相关新闻，把新闻、公告、帖子和价格异动归类成不同的事件。（其实还有韩股、日股、美债等）
3.连关系：沿着持续更新的公司关系图谱和事件关系图谱，找到受影响的公司，形成候选主题。
4.做验证：看这些股票是不是开始同涨同跌、相关性是不是在上升，是的话就是可交易主题。判断主题在早期、上升期还是尾声。我只做早期和上升期，因为主题结束时只是相关性乱了，股价不一定跌。
5.选标的：对于可交易主题中的标的，逐个根据发掘的关系和分析确定“我的观点“，再根据一个市场模拟系统来评估市场共识，找两者之间的预期差。
6.定仓位：在组合风险上限范围内，仓位按因子、主题和板块的风险预算来做最优规划。
7.风控和平仓：预期差缩小到阈值以下、主题内部的相关性瓦解，或者触及硬止损，就平仓。

本周的例子
9月8日，Meta发布了个人AI Agent Muse。Agent的虚拟机运行、工具调用和任务调度，带来了额外的CPU需求，市场开始押注这条线，9月21日Arm、英特尔、AMD盘中一度涨了9%到13%。系统在9月中旬识别出这个AI Agent主题，相关公司走势趋同、相关性上升。AI给出主题报告和交易方案：买什么、为什么买、用股票还是期权、什么价位、多大仓位，包括Marvell，以及英伟达的看涨期权，我确认后执行。

之后该Agent主题尝试向存储、存储上游材料和光模块扩散，但没涨几天，相关性一下子就崩了。我在10月8日结束了这个主题的交易。
紧接着，系统一直盯着的两个领先指标先后转弱：大饼代表流动性，韩股代表行情有没有扩散到存储。系统提示可以做空存储和韩股。但相关性瓦解不等于股价一定下跌，加上交易韩股KOSPI 200期货一直受限，我只平掉了存储多头，没有转手做空。

AI怎么帮我提高夏普、降低回撤
26年1月的时候做25年年度总结，我对自己这些年的交易有三件事不满意：认知转化（22年底有人拿着大喇叭在我耳边喊买英伟达，我自己训过大模型却完美错过）、执行力（特斯拉$272不敢加、$480不敢清，起了个大早喝了口鱼汤）、信息获取（NBIS、QBTS这些票我还是从内测用户那儿知道的）。24/7不间断的实时信息获取和100%执行力是量化系统的强项，大模型又能辅助认知转化，这也是我要把主观交易系统化的原因。

夏普比率衡量的是每承担一份波动换来多少收益，AI两头都帮了我：
收益这头靠覆盖面。一个人能盯的公司和事件有限，AI每x分钟看全市场，能找到更多彼此不相关的机会。分散是投资里唯一的免费午餐，前提是收益来源真的不相关。

波动这头靠看清风险。系统会算组合在各种驱动因子上的暴露，比如柴油、裂解价差、美债2年和10年利差、利率曲线走平，再加上主题和板块层面的暴露，都会用风险预算卡住。很多回撤，来自我没意识到自己其实在用十个看似分散的标的押注同一件事。

回撤靠纪律。风控全是规则。AI没有情绪，踏空不焦虑，下跌不紧张。和我过去纯主观交易比，AI系统带来的最大好处就是回撤管理和机会发现。

我之前写过“让AI负责广度，人负责深度”。一年多实盘下来，分工比这更进一步：大模型完成从信息处理到交易方案的主要链路。我负责系统研发、风险边界、异常情况判断和最终授权。

为什么是蓝海
做我这种类型的AI-Native投资，需要三种能力叠加：懂主观投资怎么做主题。懂量化怎么做严谨的检验和风控。懂AI，训过模型、搭过Agent系统。

为什么说是蓝海？

宏观先给了机会。高盛今年1月的对冲基金展望标题就叫《Generation Alpha》。利率回到正常水平之后，个股分化变大，选股和择时的价值回来了，做空和闲置现金的利息收入也不再是零。

竞争格局给了窗口。高频早就是红海，顶级机构互为对手盘，拼的是识别和反识别对方的策略，赚的是彼此的钱。中低频的主题投资，大部分还是靠人判断，或者靠简单的量价监控出报告。贝莱德这样的大机构已经在用大模型找主题相关公司、构建多空篮子，但把主题发现、持续验证、组合风控和交易执行连成一套系统、在实盘里长期跑起来的通过验证的还很少。

技术上也才刚开始。推理模型24年秋天才出来，25年春天Gemini 2.5 Pro才让它真正好用，Agent更是26年2-3月随着龙虾才真正火起来。这里的改进空间很大，小团队也有机会在具体领域建立优势。

在蓝海阶段，会用AI的人赚的主要是还没用上AI的那部分市场的钱，而不是彼此的钱。我的判断是，在用AI做这件事的人里，不需要做到前1%，做到前20%就有机会吃到这波alpha。窗口期大概3–5年，之后竞争加剧，就要一步步往前排，这时候先行者有珍贵的数据优势。十年后的资管行业大概率三足鼎立：被动投资、精英量化，以及AI加持的系统化主观投资，最后这个应该是投资领域最大的增量和新赛道。
霍华德马克思说，未来十年最成功的投资者，是最理解AI的人。

27年怎么看
年初咱们剖析过泡沫周期：每一轮泡沫都由一个短期不可证伪的故事和一个钻监管漏洞的杠杆系统共同推进。回看1907、1929和2000年，泡沫往往不是因为故事被证伪而破，而是杠杆先断了，也只有流动性才足够重，可以把技术想象力拉回现实。这一轮的故事是缩放定律和AGI，杠杆是以GPU为抵押的私募信贷，再加上已经占到标普期权成交量四成以上的0DTE。当时说26年会是一个属于波动率的年份，回头看，3月的战争、4到6月半导体的大涨、7月的回调、10月初的回撤，确实如此。

27年我认为波动会更大：
故事开始被要求兑现。前面说的Muse，用的还是Meta主打低延迟的轻量模型Muse Spark系列，Meta第一个前沿级模型Muse Wonder到10月12日才发布，但Muse照样火了，还带出一波CPU行情。这至少说明，好产品不一定要等最强的模型。市场的注意力会越来越多地转向应用收入、使用成本，以及巨额资本开支能不能变成实际的收入和利润、落在哪些公司。而AI的商业模式在成本和规模化上不如互联网。
市场很脆弱。美股集中度非常高，刨掉AI，其他方向普遍一般。中期看，美债收益率还在上行通道里，推动它的是加息预期和期限溢价，还看不到大顶；上周那种短线回落改变不了方向。

盯住标志性事件。比如OpenAI、Anthropic这类头部公司IPO：如果高估值能被真实收入和利润逐步承接，AI行情可能延续到27年年中甚至下半年。如果上市后持续走弱，同时融资和客户投入开始收缩，我会明显提高对这一轮行情结束的警惕。还有一种可能：年初来一次大回调，联储重新放水，那就站在了99年，还有一波非理性的上涨。

杠杆那一侧，私募信贷和新云服务商的融资链条，我会一直盯着，CRWV已经被点名了。

不管哪种情况，波动都不会小。移动互联网时代，市场早就从“大周期”变成了“大周期里套着很多迷你周期”：叙事周期从几个月压缩到几天，主题轮动越来越快，相关性变化越来越频繁。人很难跟上，而这正是系统化的AI更能发挥的地方。

投资是一场无限游戏，机会永远都有。AI无法保证我赢，但可以大幅提高我的生存率。活着，就是一切。

对AI-Native交易感兴趣的朋友，欢迎私信留言交流。

写的不错

AI 长文