◈18|AI不是算命先生:从逻辑推导到暴力美学

18|AI不是算命先生:从逻辑推导到暴力美学

你好,我是陈旸。

请想象一下,你要教一个小孩分辨“什么是猫,什么是狗”。

  • 方法A(传统编程/传统量化):

你会给小孩写一套规则:

  • 如果有尖耳朵,且胡须长,可能是猫。

  • 如果体型很大,且会汪汪叫,是狗。

  • 如果……

这就是我们在第二章学的:均线金叉买入,RSI超卖卖出。这是一套人类预设的、线性的逻辑。

  • 方法B(AI大模型/机器学习):

你不说话。你直接把1万张猫的照片和1万张狗的照片扔给小孩看。你看完之后问他:“这张是什么?”他一眼就能认出来。你问他:“为什么?”他说:“我不知道,我就是感觉它像猫。”这个感觉,就是AI的核心。

AI不讲逻辑,AI讲的是概率。AI通过学习海量的数据,提取出人类语言无法描述的非线性特征。

在交易市场,传统量化是你告诉电脑怎么做(写死策略);而AI量化是你把历史数据喂给电脑,让它自己找规律。

预测股价 vs 预测天气:信噪比的诅咒

你可能会问:“既然AI能通过照片识别猫狗(准确率99%),那它预测股价的准确率是不是也能达到99%?”答案是:绝无可能。

如果在股市里有人告诉你他的AI模型准确率90%,请直接报警,他是骗子。在顶级的量化对冲基金,AI预测涨跌的准确率只要能达到53%,就足以赚成世界首富(西蒙斯也就这个水平)。

为什么?因为信噪比。

  • 图像识别:一张猫的照片,像素点之间有很强的关联。猫的耳朵旁边大概率是猫的头。这是高信噪比数据。

  • 股票市场:股价的波动,90%是噪音(随机漫步),只有10%是信号(规律)。

AI在股市里,就像是在一个嘈杂的迪斯科舞厅里,试图听清楚角落里两个人说的悄悄话。它虽然听力很好(算力强),但噪音实在太大了。所以,AI不是神。它不能在乱数中创造规律。它只能在人类肉耳听不见的频率上,捕捉到那微弱的一丝信号。

那个被忽略的非线性世界

既然AI这么难,为什么我们还要用它?因为传统量化有一个致命的死穴:线性思维。

传统的多因子模型(如Fama-French)假设:

$$收益 = a \times 市值 + b \times 估值+ c \times 动量$$

这隐含了一个假设: 因子之间是独立的,且关系是线性的。 比如:PE(市盈率)越低越好。不管是在牛市还是熊市,反正PE越低分越高。但真实世界是这样的吗?当然不是。

  • 场景A:经济复苏初期,低PE是好事(价值回归)。

  • 场景B:流动性泛滥末期,高PE才是好事(泡沫炒作)。

  • 场景C:如果这时美联储突然加息,且油价大涨,那么高 PE 的科技股可能会暴跌,而低 PE 的制造业股票可能会暴涨。

这种 “如果……且……但是……除非……”的复杂关系,就是非线性。人脑处理不了这么复杂的纠缠关系(超过3个变量我们就晕了)。但AI(特别是大模型/神经网络)天生就是干这个的。它不需要你告诉它加息对科技股不好。

通过训练过去30年的数据,它自己会发现:“当利率因子变动 > 0.5 且 情绪因子 > 0.8 时,做空高PE股票的胜率由48%提升至55%。” AI的价值,不在于预测点位,而在于捕捉关系。 它能看到因子之间那些隐秘的、动态的、人类无法理解的交互作用。

机器学习的三大流派:AI怎么炒股?

在《QMT实战训练营》里,我们会用到具体的代码库。但在思维课,你需要理解它们背后的哲学。AI在量化里主要有三种用法:

1. 监督学习:你是老师

  • 原理:你把过去10年的K线图(题目)和第二天的涨跌(答案)喂给AI。让它自己去刷题。刷完100万道题后,给它今天的K线图,让它做这道新题。

  • 常用模型:随机森林(Random Forest)、XGBoost、LSTM。

  • 应用:预测明天的收益率、预测某个公告是不是利好。

2. 无监督学习:你是观察者

  • 原理:你不给答案,只给数据。让AI自己去分类。

  • 常用模型:K-Means聚类、PCA(主成分分析)。

  • 应用: 股票画像。

AI可能会把贵州茅台和某只电力股分到一组。你很奇怪,它们行业不同啊?后来你发现,原来它们都是高分红、低波动的类债券资产。AI帮你发现了人类行业分类之外的隐形关联。

3. 强化学习:你是教练

  • 原理:像训练AlphaGo下围棋一样。给AI一个账户,让它在模拟盘里随便交易。
    • 赚了钱,给它一颗糖(正奖励)。

    • 亏了钱,打它一板子(负惩罚)。

    • 经过几亿次的训练,它自己练出了一套盘感。

  • 应用:高频交易、订单执行算法(如何买入1亿不被发现)。

最大的敌人:过拟合

AI这么厉害,为什么不是每个人都发财了?因为AI有一个致命的毛病:它太聪明了,聪明到会死记硬背。这叫过拟合。举个例子:你让AI寻找必涨公式。AI翻遍了过去10年的数据,兴奋地告诉你: “老板,我发现了!只要在这个股票代码最后一位是8,且当天的温度是25度,且昨天是星期三的时候买入,胜率100%!”

在历史数据里,这可能真的是对的(纯属巧合)。但你敢拿真金白银去实盘吗?必死无疑。这就是量化交易中那句振聋发聩的警句: “如果你拷打数据的时间足够长,它总会招供的。”

AI量化思维的核心风控: 我们不追求模型在历史回测中表现有多完美。相反, 如果一个AI模型的回测曲线是一条笔直向上的直线,直接扔进垃圾桶。 因为它一定过拟合了。我们要的是模糊的正确,而不是精确的错误。我们会用交叉验证和样本外测试来防范过拟合。简单说,就是让AI在它没见过的数据上考试,如果还能及格,才是真本事。

黑箱的恐惧:可解释性

用AI做交易,还有一个心理障碍:黑箱。传统量化(如双均线),亏了你知道是因为趋势反转了。AI量化,亏了你不知道为什么。神经网络就像一个充满几百万个参数的大脑,你问它:“为什么要在这个位置满仓?”它无法回答你。它只是输出了一个数值:Buy_Signal = 0.98。

当你的钱在这样一个黑箱里剧烈波动时,你的心态很容易崩。这也是为什么 华尔街现在非常推崇可解释AI。我们可以使用SHAP值等工具,强行拆解AI的决策逻辑。它会告诉你:

  • 这次买入,主要原因是动量因子贡献了40%,情绪因子贡献了30%。

  • 虽然估值因子很难看,但由于动量太强,所以综合判定为买入。

人机协作的新范式: 不要把钱全权交给黑箱。人负责制定战略(选什么因子、控制什么风险、什么时候关机);AI负责战术执行(挖掘非线性规律、寻找最优权重)。

AI量化策略建议

AI不是算命先生,它预测不了哪只股票明天一定涨停。它只是一个拥有显微镜和望远镜的超级分析师。

  1. 显微镜:它能看到微观结构里,买一和卖一之间那0.01秒的套利机会。

  2. 望远镜:它能看到宏观维度上,油价、汇率、天气、新闻之间那千丝万缕的蝴蝶效应。

对于想要在这个时代生存的你,我有三条建议:

1. 别神话AI,把它当工具

Cursor、Trae、DeepSeek……这些工具大大降低了写代码的门槛。以前你要花一个月写一个LSTM模型,现在只要你会写Prompt,5分钟就能搞定。 门槛降低了,竞争就从写代码变成了懂逻辑。 你必须比AI更懂金融逻辑,才能指挥它,它会给你一堆看似正确的Bug。

2. 关注数据质量胜过模型复杂度

Garbage In, Garbage Out(垃圾进,垃圾出)。与其花时间去研究最新的AI大模型架构,不如花时间去清洗你的数据,去寻找别人没有的另类数据。一个简单的逻辑回归模型跑在优质数据上,吊打一个跑在垃圾数据上的超级神经网络。

3. 培养概率思维

AI输出的永远是一个概率分布。它说上涨概率60%,不代表它会涨。它代表如果你做100次这样的交易,你会赢60次。 这就是我们在第一章讲的索普的思维。AI是索普的终极武器。

本讲金句弹幕

图片

课后思考题

你在使用Cursor, DeepSeek等AI工具时,有没有遇到过它一本正经的胡说八道?如果在交易代码里,AI产生了幻觉,比如虚构了一个不存在的函数,或者算错了收益率,你觉得会发生什么?

这告诉我们,在AI量化的世界里,为什么代码审查和逻辑验证比以前任何时候都更重要。

下节预告

既然AI是靠吃数据长大的,那它到底吃什么?只吃K线(开高低收)显然营养不良。现在的AI,胃口大得很。它读研报、看新闻、刷推特,甚至看卫星云图。下一讲,我们将进入AI大模型的奇妙世界。