※ 引述《nicefl2001 (@keissendo)》之铭言：
: ※ 引述《nicefl2001 (@keissendo)》之铭言：
: : 透过 AI的深度与机器学习能力，
: : 使其能够自动适应市场条件，不断更新、优化交易策略、进行再平衡。
: : AI在投资组合管理方面也展现出卓越的能力，
: : 通过精准地管理和适当地调整投资组合，实现最佳的多元化和风险控制。
: : 目前华尔街许多大型投资机构、对冲基金、法人投行都已经全面导入AI Fintech
: : 算法程式交易
: 这边提到的AI算法量化交易，
: 和大家过去所认知的 "自动化程式交易" 是不一样的概念
: AI算法量化交易 (Quantitative and Algorithmic Trading，简称 QAT)
: 主要是华尔街如美林、高盛、大小摩等那帮大型机构投行
: 以及中大型像黑石、桥水、文艺复兴等对冲基金所使用
: AI QAT算法量化交易，依赖于复杂的数学或统计学模型，
: 结合类似 Bloomberg Terminal 的云端大数据来进行大资料分析。
: 其核心在于通过模型去挖掘历史资料中的规律，并基于这些规律做出投资决策。
: 透过Machine/Deep Learning使得QAT具有更强的资料处理能力和策略优化空间。
: 能随市场变化进行投资组合调整与再平衡
: 另一种一般人以为的"AI"则是传统的自动化程式交易
: 使用类似 Multichart/TradeStation/MT5这类下单交易软件
: 来按照使用者写好的策略进行自动下单交易
: 不同于 AI QAT 能够通过机器学习等技术自我优化策略，
: 可以不断地从历史资料中学习并调整策略，
: 以提高交易的盈利性和风险控制能力。
: 而传统程式交易的策略优化与调整
: 则需要使用者手动进行，
: 软件本身不具备自我学习和调整的能力。
真的不用神话华尔街的中大型机构，他们的绩效明明白白的就是那样，
纯粹的量化交易公司通常还是比较强的，但多数的量化交易公司都还在成长的道路上，
小公司占了大多数。
量化交易的数学模型也不见得复杂，愈是高频的交易策略愈是简单，
也更加稳定，但低延迟的军备竞赛却在不断拉高成本，
造成的结果是，高频交易不是稳赚不赔的。
而到了低频交易，交易策略的开发成本会变高，交易策略的稳定性会变低，
也不是机器就一定比人类强。
总之事情不是那麽简单的，不然量化交易发展了快要半个世纪，
散户的世界末日早就来到了。
真正改变格局的，还是算力成本的下降，AI 的优势也才逐渐增强，
不断加速交易策略的迭代，不过也还没有做到随着市场变化而自动调整，
交易策略的开发，到现在还是主要靠人工，AI 只是辅助，
完全依赖 AI 自我优化策略的全自动化交易，仍然是科幻而不是现实。
这跟全自动驾驶的困境是类似的，或者说所有全自动 AI 代理系统都有同样问题，
面对未知的情境，我们没有办法确信 AI 可以做得比人类还好。
而交易市场比许多其他应用更困难，它是复杂适应系统，或者说是混沌系统，
道路不太会变动，但亏钱的交易策略一定会消失。AI 解决不了三体问题，
AI 也不会是交易市场的必然赢家。
所以现在的问题其实不是 AI, 而是算力成本的下降太快了，
HPC 的冲击大于 AI 的发展，哪怕只用传统的市场微结构分析，
算力够强都可以把低频策略搞成高频策略，不用 AI 算法就能获得优势，
只是我们现在都混成一谈，什么都说是 AI。
我认为最可能的剧本是，量化交易公司迟早会冲击传统的华尔街机构，
甚至让华尔街改朝换代，而不是华尔街机构用量化交易打败所有其他人，
传统金融和量化交易是两回事，看看现在最聪明的人做金融是去哪些地方就知道了，
从一开始的文艺复兴，到现在百花齐放的各个量化交易公司，
这几年在台湾唸 CS 的毕业首选，甚至已经不是猪屎屋而是 Quant。
而散户一样可以依赖价值投资而长期获利，但传统的技术分析，
和没有高算力的程式交易，哪怕用上再先进的 AI 模型，
收益很可能都会逐步递减，市场波动的多数获利，最终都由量化交易公司拿走，
然后这些量化交易公司再拚命内卷。