界面新聞記者 | 劉瀝瀧
界面新聞編輯 | 宋燁珺
最近，“養(yǎng)龍蝦”（部署、調(diào)教、使用開源AI智能體OpenClaw）爆火全網(wǎng)，不少投資者紛紛涌入這波熱潮。
界面新聞注意到，近日社交媒體上有關(guān)“用龍蝦炒股”的各類討論愈發(fā)火熱，有人驚嘆于“龍蝦”可以7*24小時(shí)智能盯盤的高效、便捷，有人感慨“用龍蝦炒股，token費(fèi)用比手續(xù)費(fèi)貴了不止10倍”，有人在到處咨詢OpenClaw的情況，也有人對“用龍蝦炒股”的安全性和可靠性提出了質(zhì)疑……
自從去年DeepSeek爆火以來，越來越多的A股投資者開始嘗試以不同的姿態(tài)來擁抱AI，不過，他們實(shí)際的使用體驗(yàn)卻各不相同。
投資者陳雪（化名）曾輾轉(zhuǎn)于多個(gè)AI大模型平臺尋求“致富密碼”，卻在大牛市的背景下整體虧損近20%，用她的話來說：“一片真心終是錯付”。
在華南地區(qū)某量化團(tuán)隊(duì)負(fù)責(zé)人秦鵬（化名）看來，AI“搭子”堪稱“投研神器”，工作效率提高了數(shù)倍之多。
AI在炒股場景里目前有怎樣的表現(xiàn)？
高效，卻未必靠譜
遇到問題，先去“豆包一下”，已經(jīng)成為廣東游資何峰（化名）下意識的反應(yīng)。
不管是突發(fā)消息，還是新的題材概念，通常只需要1-2分鐘，就能得到一個(gè)初步的答案，如果覺得有深入研究的必要，就再花點(diǎn)時(shí)間修改關(guān)鍵詞和提問方式，幾分鐘以后，一個(gè)更加符合預(yù)期的答案也是“手到擒來”。
在AI大模型出現(xiàn)之前，面對同樣的問題，何峰往往需要花費(fèi)大量的時(shí)間去瀏覽新聞網(wǎng)站、股票論壇、社交媒體等，收集到足夠多的信息以后，還得自己再去進(jìn)行整合和分析，才能夠得到一個(gè)差強(qiáng)人意的答案。
秦鵬喜歡將自己的量化選股模型和AI大模型結(jié)合在一起使用。
他的量化選股模型每天會結(jié)合資金流、市場熱度、量價(jià)走勢等因素自動篩選出一批個(gè)股，然后根據(jù)這些個(gè)股的基本面、熱點(diǎn)題材等情況進(jìn)行二次篩選，鎖定出最終的目標(biāo)，有了AI大模型的輔助以后，每天用在人工篩選這部分的工作時(shí)間從原來的3-5個(gè)小時(shí)縮短到了30-50分鐘，效率提升了數(shù)倍。
此外，在編寫或者修改選股模型時(shí)，秦鵬偶爾也會將一些簡單的任務(wù)交給AI大模型去處理。
“高效”是很多投資者在談到AI炒股的時(shí)候最先想到的關(guān)鍵詞，光A股上市公司就有5000多家，各種類型的財(cái)經(jīng)信息更是24小時(shí)不間斷更新，從這些海量信息中去提取出自己需要的那部分，已經(jīng)遠(yuǎn)遠(yuǎn)超出了任何單一投資者的能力范圍，而這種龐雜的工作對于AI來說是“小菜一碟”。
但是多位受訪人士也不約而同地對界面新聞?wù)劦?，很多時(shí)候AI大模型給出的答案并不靠譜。
比如，向AI大模型詢問某只個(gè)股與某一熱點(diǎn)題材的關(guān)系，通常很快就能得到一個(gè)看上去十分有理有據(jù)的答案，而實(shí)際上很多內(nèi)容卻缺乏事實(shí)依據(jù)。
還有投資者舉例，讓AI大模型尋找市場上PE最低的10只個(gè)股，實(shí)際上它只去抓取幾十只個(gè)股的數(shù)據(jù)就給出了答案，其中部分?jǐn)?shù)據(jù)還可能是往年的，甚至是錯誤的。
AI“搭子”還經(jīng)常展現(xiàn)出“討好型人格”。
比如你問它“A比B更好嗎？”它會給你羅列很多信息來支持這一判斷。但是當(dāng)你反過來問它“B比A更好嗎？”的時(shí)候，同樣也會得到很多論據(jù)的支持。如果你先讓它分析了某一個(gè)行業(yè)，再問它當(dāng)前有哪些行業(yè)值得關(guān)注，前面問到過的行業(yè)往往會位列其中。
幾乎所有受訪人士在使用AI大模型炒股的過程中都遇到過“AI幻覺”的情況，即AI大模型給出的回答看似合理、全面，實(shí)際上卻編造了大量不存在的事實(shí)、數(shù)據(jù)、事件等，甚至違背了基本的常識，是在一本正經(jīng)的“胡說八道”。
在投資領(lǐng)域，任何一次決策失誤都可能帶來“真金白銀”的損失，上述現(xiàn)象導(dǎo)致了衍生問題，雖然投資者只需要幾分鐘在AI大模型那里得到一個(gè)答案，但接下來卻需要花費(fèi)數(shù)倍的時(shí)間去給AI“批改作業(yè)”，或者需要不斷調(diào)整自己的提問方式，試圖讓AI給出一個(gè)更加靠譜的回答。
問題出在哪里？
陳雪最初是在了解到DeepSeek背后的幻方量化很牛以后，才決定嘗試使用AI大模型來炒股的。
很多頭部量化私募都公開表示自己在AI領(lǐng)域有所布局，但外界幾乎沒有人能夠真正了解到，AI究竟在相關(guān)公司的投資決策過程中扮演著怎樣的角色，對于公司的收益率具體有多大的影響，這其中又有多少是高頻交易貢獻(xiàn)的？
在上海某頭部量化私募相關(guān)人士看來，在炒股的過程中簡單問一下AI大模型，和真正應(yīng)用了AI技術(shù)的量化投資，是兩個(gè)完全不同的概念。
一般而言，量化投資是借助數(shù)學(xué)模型、統(tǒng)計(jì)方法與計(jì)算機(jī)程序，替代主觀判斷來開展投資決策的一種投資方式，具備紀(jì)律性強(qiáng)、數(shù)據(jù)驅(qū)動、持倉分散、風(fēng)控嚴(yán)格等特點(diǎn)。
對于在投資過程中使用了AI大模型的絕大多數(shù)的普通投資者而言，本質(zhì)上其實(shí)還是由人來做出最終的投資決策，仍然屬于主觀投資的范疇，同時(shí)其持倉數(shù)量往往也十分有限，難以通過分散持倉來對沖掉部分由AI決策失誤帶來的風(fēng)險(xiǎn)。
另一方面，很多投資者在炒股過程中習(xí)慣使用的豆包、千問、DeepSeek等通用大模型，與量化私募自研的AI模型也存在本質(zhì)差異。
據(jù)界面新聞了解，量化私募在人工智能領(lǐng)域主要圍繞AI三要素，即數(shù)據(jù)、算力、算法三個(gè)維度不斷加大投入。
有業(yè)內(nèi)人士對界面新聞分析稱，數(shù)據(jù)是訓(xùn)練AI模型的基礎(chǔ)，在金融投資領(lǐng)域，真實(shí)、及時(shí)、完整的高質(zhì)量數(shù)據(jù)尤其關(guān)鍵，而通用大模型在訓(xùn)練時(shí)更多基于本文數(shù)據(jù)，缺乏足夠多的高質(zhì)量的金融領(lǐng)域數(shù)據(jù)。
算力方面，雖然通用大模型整體的硬件投入可能遠(yuǎn)超單一的量化私募，然而由于其覆蓋的領(lǐng)域更加廣泛，訓(xùn)練量也會更大。
算法層面，目前頭部量化私募普遍采取“自研”模式，其底層算法普遍與通用大模型一致，但是微調(diào)方向完全不同，核心算法也往往是這些私募的“最高機(jī)密”，幾乎不可能向外界公開。
該業(yè)內(nèi)人士還談到，部分券商等機(jī)構(gòu)也在積極推進(jìn)金融領(lǐng)域垂類AI模型的落地。不過，這些機(jī)構(gòu)雖然更加聚焦于金融領(lǐng)域，也擁有許多最新的金融數(shù)據(jù)，但是其在AI模型方面的研究，很大程度上受限于算力投入成本以及合規(guī)等方面的約束，實(shí)際上依然很難滿足投資者的期待。
“就算與AI量化模型在各方面都相差甚遠(yuǎn)，但是通用大模型畢竟集眾多投資知識于一體，為何不能像那些主觀投資大佬一樣給出更合理的投資建議呢？”不少投資者都和陳雪一樣曾經(jīng)有過類似的疑惑。
對此，成都游資任宇在接受界面新聞采訪時(shí)表示：“主觀投資者對于數(shù)據(jù)精準(zhǔn)度的要求可能沒有量化投資那樣苛刻，但是其決策同樣需要基于最新的、相對準(zhǔn)確的數(shù)據(jù)，而通用大模型抓取到的數(shù)據(jù)往往并不及時(shí)，還可能有一部分被污染的數(shù)據(jù)，基于這些數(shù)據(jù)給出的分析回答并不靠譜。”
“更關(guān)鍵的問題在于AI大模型缺乏一套完善的投資體系。每一種投資策略都有其特點(diǎn)和適用的市場環(huán)境，從不同策略的角度來看，關(guān)于個(gè)股買賣點(diǎn)的結(jié)論可能是完全不同的。比如某只個(gè)股站在中長線投資者的角度來看可能是買入良機(jī)，在超短線投資者看來則應(yīng)該賣出。AI大模型確實(shí)學(xué)習(xí)了很多的投資策略，但是它在訓(xùn)練過程中缺乏各種策略實(shí)戰(zhàn)數(shù)據(jù)的支持，所以很難分得清這些策略背后真正的邏輯和區(qū)別?！比斡畋硎?。
如果將某些投資大佬的投資框架和投資理念“喂”給AI，讓他按照大佬的邏輯來給出回答是否效果會更好？
曾經(jīng)嘗試這樣做的秦鵬用結(jié)果投了反對票，在他看來，能夠“喂“給AI的都是大佬過往公開的觀點(diǎn)、邏輯等，大佬本身在公開分享時(shí)，很可能就沒有或者說不能夠完全毫無保留地表達(dá)出自己的投資理念和邏輯，而且大佬的投資體系也會隨著市場環(huán)境的變化而不斷進(jìn)化。
另外，就算AI大模型能夠給出更加合理的投資建議，投資者真的會嚴(yán)格按照AI給出的策略去執(zhí)行嗎？答案可能是未必。
人機(jī)協(xié)同是共識
面對高效但是可能并不靠譜的AI“搭子”，普通投資者如何使用才是最優(yōu)解？
“完全依賴AI進(jìn)行投資決策肯定是行不通的，還是要先建立起自己的投資體系?！睆?fù)盤過去一年多的使用體驗(yàn)以后，陳雪得出了這樣的結(jié)論。
最近，她已經(jīng)暫停了實(shí)盤交易，決定先靜下心來學(xué)習(xí)更多的投資知識，等學(xué)有所成之后再重啟自己的投資實(shí)踐，在這一過程中，她也發(fā)現(xiàn)了AI大模型新的閃光點(diǎn)：“它的文本分析能力真的很厲害，用來搜索和總結(jié)各種投資知識棒極了！
對AI“搭子”滿意度較高的秦鵬結(jié)合自己的使用體驗(yàn)對界面新聞介紹，在信息收集階段AI的工作效率遠(yuǎn)超人類，這點(diǎn)毋庸置疑，所以這部分工作可以更多交給AI來處理；在信息分析階段，AI同樣更加高效，不過也容易犯一些錯誤，所以可以嘗試通過改變提問方式、增加更多的提示語，去幫助AI進(jìn)行更加合理的分析；而投資決策環(huán)節(jié)難度相對更大，對于投資者來說也更為關(guān)鍵，所以這部分的工作需要人主觀去做更多的判斷。
受訪人士普遍認(rèn)為，未來AI大模型會進(jìn)化得越來越好用，也會誕生很多好用的金融投資領(lǐng)域的AI垂類模型，不過，AI也并不會完全取代人類進(jìn)行投資決策，而是會更多地以輔助工具的角色存在，人機(jī)協(xié)同仍然將會是大勢所趨。
一方面，AI模型是人訓(xùn)練出來的，投入多少的算力去訓(xùn)練AI、把哪些數(shù)據(jù)“喂”給AI、以及采用怎樣的算法技術(shù)路徑，這些都是由人來決定的，至少在未來一段時(shí)間內(nèi)，AI還沒有辦法完全脫離人的掌控而獨(dú)立存在。
AI模型普遍是從歷史數(shù)據(jù)中尋找規(guī)律，而在股市中歷史從來都不會簡單地重復(fù)，“黑天鵝”隨時(shí)可能發(fā)生，AI模型天然缺乏處理類似場景的能力，所以在投資領(lǐng)域很難出現(xiàn)一個(gè)全能的“Agent”。
另一方面，也許單純從技術(shù)的角度來講，未來有一天AI炒股確實(shí)可以比普通人做的更好，但是一系列潛在的風(fēng)險(xiǎn)決定了我們幾乎不可能把所有的決定權(quán)都交給AI?！?/p>
比如，策略的趨同一直是投資領(lǐng)域備受關(guān)注的問題，當(dāng)越來越多的機(jī)構(gòu)和投資者使用相同或者類似的數(shù)據(jù)以及相似的方法來訓(xùn)練AI以后，很可能會產(chǎn)生很多趨同的策略，由此導(dǎo)致的趨同交易也將加劇個(gè)股和市場的同向波動，容易誘發(fā)市場的系統(tǒng)性風(fēng)險(xiǎn)。
再比如，AI模型具有黑箱特性，其投資決策過程往往難以追溯，一旦引發(fā)異常后果，模型無法擔(dān)責(zé)，同時(shí)事后也很難厘清在相關(guān)事件中人為因素是否產(chǎn)生影響。如果可以完全放權(quán)給AI的話，部分群體通過影響和控制AI來操縱市場的情況也將變得更加隱匿和無法控制。所以從監(jiān)管的角度來說，為了防范相關(guān)風(fēng)險(xiǎn)，大概率也會把AI在金融領(lǐng)域的應(yīng)用限制在一定的范圍內(nèi)。