你问模型：“这只股票能买吗？”
它给了你一段条理清晰、有理有据、读起来非常专业的分析。
这段分析里没有任何一条是它独有的信息。 它读过的东西，市场上每一台机器都读过，而且比它读得更早。你拿到的是一份措辞很好的公开信息复述——而它的措辞质量，恰恰会让你高估它的信息含量。
这份手册写到第四十七篇才处理 AI，是个疏漏——毕竟对 2026 年的读者，「能不能用 AI 交易」大概是最先想到的问题之一。
⚠️ 但要先把问题拆开，因为「用 AI 做交易」至少指四件很不一样的事，而它们的评价完全不同。
本系列仅用于记录与普及基础知识，不构成投资建议。
⚠️ 一个必要的声明：这一篇由 AI 协助写成。这既不使它更可信，也不使它更不可信——按第八节那条判据，你该做的是核对它给出的每一条可核对的东西，而不是因为来源接受或拒绝它。
零、四种「用 AI 做交易」
| 你在做什么 | 本篇怎么评价 | |
|---|---|---|
| ① 问它该买什么 | 让 LLM 给方向、荐股、判断行情 | ❌ 第六节 |
| ② 让它读东西 | 财报、招募书、白皮书、合约条款 | 🟡 第五节，有条件 |
| ③ 让它写东西 | 筛选器、回测、数据校验代码 | ✅ 第四节，它最强的一格 |
| ④ 别人卖的 AI 策略 | 「AI 量化」「智能跟单」 | ⚠️ 第七节 |
打个比方
这四件事的差别，像问医生该吃什么药 / 让他帮你读化验单 / 让他帮你写一份记录表格 / 买他推荐的保健品。
同一个人，四种用法，可靠程度天差地别——而第三种（写表格）恰恰是他最不会出错、你也最容易验证的那一种。
⭐ 这四件事被同一个词罩着，是这个话题最大的混乱来源。
⚠️ 而这一篇的结论顺序可能和你预期的相反：它最强的一格不是"分析"，是"写代码"——因为那一格的输出你能验证。这条判据贯穿全篇：不是"它聪不聪明"，而是"它错了的时候，你查不查得出来"。
一、⭐ 判据没变：它引入新数据了吗
按第 34 篇第二节那个贯穿全书的问题——你用了价格之外的数据吗——LLM 的答案很明确：
它的训练数据 = 截止某个日期之前的公开信息
公开信息 ⇒ 按第 7 篇第六节，默认已被定价
⚠️ 而且还差一层：多数情况下它连实时价格都没接。你问「这只股票现在贵不贵」，它多半在用一个过时的印象回答。
⭐ 所以「问 AI 该买什么」在信息学上的位置，和「在图上加第十个指标」是同一格：零新信息。
⚠️ 训练截止日期这件事要单独强调：模型对截止日之后的事一无所知，但它不会说「我不知道」——它会用截止日之前的世界给你一个流畅的回答。
二、⚠️ 它的失败形态和别的工具都不同
这一节是全篇最重要的。
第 44 篇讲过数据错误的性质：不报错，只是静默地给出一个看起来合理的结果。AI 的失败比这更进一步：
| 出错时是什么样 | |
|---|---|
| 代码错误 | 崩溃——你立刻知道 |
| 数据错误 | ⚠️ 静默——给出一个合理的数 |
| ⭐ AI 错误 | ⭐ 流畅、自信、有理有据 |
它不只是给你一个错的结论，它同时附赠一段结构完美、术语正确、逻辑通顺的理由。
⚠️ 而这正好击中第 9 篇第四节里那个最难防的失败：
确认偏误的瓶颈从来是「找支持性证据要花力气」。AI 把这个成本降到了零。
一台随叫随到、永远能为你已有的想法生产出像样论据的机器——这是确认偏误第一次遇到无限供给。
而第 27 篇第八节那条「读图顺序应该是反的」在这里变成了一条更硬的纪律：先有结论再去问 AI，得到的必然是支持——因为你的提问方式已经决定了答案。
三、⭐ 放进三种用途里
⭐ 回到那四种用法：它最可靠的一格，恰恰是最不像"智能"的那一格——帮你写记录表格（代码）。因为那一格的输出你能验证，而验证得了的错误就不是危险的错误。
按第 34 篇第五节：
| 用途 | AI | 为什么 |
|---|---|---|
| 预测（会涨会跌） | ❌ | 零新信息 + 第二节的失败形态 |
| 测量（现在什么状态） | 🟡 | ⭐ 条件是输出可回溯（第五节） |
| 纪律（把规则固定下来） | ✅ ⭐ 强 | 第四节 |
注意这个分布和缠论、形态学不一样：那两个在三格里全是 ❌ 或 🟡。AI 在纪律那一格是真的强，而这个区别是实质性的——第九节会说明为什么。
四、✅ 纪律那一格：它确实很有用
⭐ AI 最可靠的用法，是把手册里那些"应该做但很烦"的事变得不烦。
□ 写筛选器 第 26 篇的五层漏斗 + 第 44 篇的指标层
□ 写数据校验 ⭐ 第 44 篇第二节那些断言，逐条实现
□ 写回测引擎 第 38 篇的九道关卡
□ 整理交易日志 第 9 篇；分组统计计划内 / 计划外（第 46 篇）
□ 把裁量规则写成布尔函数 第 46 篇第八节
⭐ 而这一格有一个别处没有的性质：它可以被验证
第 38 篇第九节和第 44 篇第二节给了几个有已知答案的测试：
随机进出策略 → 结果必须 ≈ −(成本 × 次数)
Σ(12 根 5min 量) ≡ 1 根 1h 量
成交额 ÷ 成交量 必须落在 [低, 高] 内
这些测试不在乎代码是谁写的。 AI 写的回测引擎和你手写的，要过的是同一关。
⚠️ 所以这一格的正确工作方式是：让 AI 写实现，但校验必须由你定义，且必须是有已知答案的那种。
一个推论：它作用在「加数项」上
回到第 46 篇的框架：
信息优势 ❌ 速度优势 ❌ 分析优势 🟡 ⭐ 行为与结构优势 ✅
AI 在交易里能兑现的价值，几乎全部落在最后一格——降低执行成本、消除情绪干扰、让检验变得可行。
⚠️ 而大多数人是拿它去攻前两格的（更早知道消息、更快做判断）——那两格对个人本来就是封死的，换成 AI 也一样封死。
五、🟡 测量那一格：条件是可回溯
让 AI 读招募说明书、白皮书、财报、合约条款，把第 42 篇第八节、第 43 篇第九节、第 23 篇的清单逐项过一遍——这是真实的效率提升，因为那些清单本来就是机械的。
⚠️ 但有一个不可让步的条件：
⭐ 每一条输出都要能指回原文的具体位置，而你必须真的去看那一处。
✅ 「费用率 0.03%，见 factsheet 第 2 页」 → 可核对，能用
❌ 「这只 ETF 费用较低、跟踪误差可控」 → 不可核对，等于没说
⚠️ 而在这一格上，第二节那个失败形态最危险：编造一个具体的数字，比给一句模糊的评价更难被发现——因为具体的数字看起来更可信。
六、❌ 预测那一格：ML 的三个具体问题
如果你不是问 LLM，而是真的训练模型预测涨跌，问题更技术但结论一样。
① ⭐ 自由度不是变多了，是换了个数量级
第 40 篇第二节数过：一个规格化的头肩顶有 8–12 个连续参数，八个参数各扫十个值就是 10⁸ 次试验，而按第 38 篇第七节，5 年数据试 1000 次，纯运气的最好夏普就有 1.46。
⚠️ 而一个中等规模的模型，光超参数就远超这个量级，参数本身更是天文数字。
⭐ 机器学习不改变任何一条判据。它只是把自由度从 8 个变成了 10⁶ 个——它是形态学问题的极端版本，不是一个新问题。
② 样本量的方向反了
第 7 篇第九节：检验一个 +0.10R 的边缘需要约 400 笔。而模型的参数量通常比可用样本多几个数量级。
⚠️ 在图像和语言任务上这可以靠海量数据缓解；但金融时间序列的样本量是被现实锁死的——和第 16 篇第七节的日历效应、第 43 篇第六节的周期阈值是同一个约束：你不能造出更多的历史。
③ 前视偏差有几个 ML 特有的形态
第 32 篇第二节列过六种前视偏差，机器学习里还有三种它特有的，而且都很隐蔽：
⚠️ 随机 K 折交叉验证 ← ⭐ 在时间序列上，这等于用未来训练、用过去测试
⚠️ 全样本标准化 ← 用了全期的均值和标准差，那里面含未来信息
⚠️ 标签泄漏 ← 特征里混进了由未来才能确定的量
第一条最常见也最致命：随机 K 折是标准做法，在几乎所有教程里都是默认选项——而它在时序数据上从根上就是错的。正确的做法是第 38 篇第六节的步进检验。
④ 而且它还要过成本关
就算模型真的有预测力，按第 38 篇第三节：毛边缘必须大于往返成本的三倍才值得继续。而模型能挖出的边缘，通常在成本量级以下——这一关不消耗任何样本，应该在训练之前就算。
七、⚠️ 别人卖给你的「AI 策略」
第 32 篇第七节那三步判据原样适用：先看激励结构，再看可验证性，统计学排第三。
⭐ 但 AI 让第二步显著变糟，而且是以一种听起来合理的方式：
⚠️ 「模型是黑箱，无法解释」成了拒绝披露的正当理由。
⭐ 而按第 37 篇第五节：一个不能被规格化的东西无法被检验，所以它的效果永远处于未知状态。 「黑箱」不是一个技术特征，在这个语境里它是一个不可证伪性的委婉说法。
⚠️ 几个可以直接问的问题：
□ 样本外区间是哪一段？改过参数之后重测过吗（第 38 篇第六节）
□ 一共试过多少个模型？（第 38 篇第七节：试得越多，同样的结果越不值钱）
□ 扣的是 maker 还是 taker 成本？滑点怎么建模的
□ 净值曲线里未平仓的浮亏计入了吗（第 41 篇第六节）
□ ⭐ 他靠什么赚钱——策略收益，还是我付的订阅费
八、⭐ 一条可以立刻用的判据
不需要理解任何 AI 技术细节：
它的输出能不能被独立核对？
✅ 能 —— 代码（跑有已知答案的测试）
提取的数字（回原文查那一页）
结构化的清单（逐条验证）
→ 可以用
❌ 不能 —— 一段「分析」
一个「建议」
一个「判断」
→ 不要用
⭐ 这条判据把「AI 靠不靠谱」换成了「这次输出可不可核对」——前者不可回答，后者每次都可以回答。
⚠️ 而它和手册里其他判据是同一个形状：第 43 篇第九节问「我能不能自己复算」，第 37 篇问「换个实现结论会不会翻转」——都是在问同一件事：这个东西能不能脱离提供者被验证。
九、⭐ 它和缠论、形态学的真实区别
手册对缠论（第 37 篇）和形态学（第 40 篇）的结论是同一句：起作用的是那条明确的规则本身，不是产生规则的那套画法。
⚠️ 但对 AI 套用这个结论是偷懒的，因为有一个实质性的不同：
⭐ 缠论和形态学不能替你做任何事。AI 能。
它能写出那个筛选器、实现那些校验、整理那份日志——而这些是手册反复要求、但因为太烦而几乎没人做的事。
所以对 AI 的正确结论不是「有没有用」，是用在哪一格：
⭐ 把它用在预测上，你得到的是一台确认偏误放大器。
把它用在执行和检验上，你得到的是第 46 篇那个唯一开放的优势的放大器。
同一个工具，两个方向，而方向由你的提问方式决定。
十、能回答和不能回答什么
| 问题 | |
|---|---|
| 让它写筛选器 / 回测 / 数据校验 | ✅ ⭐ 它最强的一格，而且校验有已知答案 |
| 让它逐条过尽调清单 | 🟡 ⭐ 条件：每条能指回原文，且你真的去看 |
| 让它把裁量规则写成布尔函数 | ✅ 否则那条规则无法被检验 |
| 这次输出能不能信 | ✅ 换个问法——它能不能被独立核对 |
| 问它这只股票会不会涨 | ❌ 零新信息 + ⚠️ 它会附赠一段很好的理由 |
| 让它判断「现在是不是底部」 | ❌ 同上，且⚠️ 你的提问方式已经决定了答案 |
| 训练模型预测涨跌行不行 | ❌ 自由度 10⁶ 级，样本量被现实锁死 |
| 用随机 K 折验证一下 | ❌ 时序数据上等于用未来训练 |
| 那个「AI 量化」产品靠谱吗 | 「黑箱」是不可证伪性的委婉说法 |
| AI 会不会让散户有优势 | ❌ 它作用于行为与结构优势，不是信息或速度优势——而后两格本来就封死 |
十一、这一篇的结论
- ⭐ 「用 AI 做交易」至少指四件事（问方向 / 读文档 / 写代码 / 买别人的 AI 策略），它们被同一个词罩着，是这个话题最大的混乱来源。
- ⭐ 判据没变：LLM 用的是截止日之前的公开信息 ⇒ 按第 34 篇是零新信息，位置和「图上加第十个指标」相同。⚠️ 而且它对截止日之后一无所知，却不会说「我不知道」。
- 它的失败形态和别的工具都不同：代码错误会崩溃，数据错误是静默的，而 AI 错误是流畅、自信、有理有据的——它不只给你错的结论，还附赠一段结构完美的理由。
- 而这正好击中确认偏误：这个偏误的瓶颈一直是「找支持性证据要花力气」，⚠️ AI 把这个成本降到了零——这是确认偏误第一次遇到无限供给。 先有结论再去问，得到的必然是支持。
- 三种用途里它的分布和缠论、形态学不同：预测 ❌、测量 🟡、纪律 ✅ 且强——它能真的替你做事，那两个不能。
- 纪律那一格有一个别处没有的性质：可以被验证。 随机策略验引擎、聚合可加性、
成交额÷成交量落在 [低,高] 内——这些测试不在乎代码是谁写的。 正确工作方式是：AI 写实现，你定义校验，且校验必须有已知答案。 - 它的价值几乎全部落在第 46 篇的行为与结构那一格——而多数人拿它去攻信息和速度优势，那两格对个人本来就封死，换成 AI 也一样。
- 🟡 让它读文档是真实的效率提升，但条件不可让步：每条输出要能指回原文的具体位置，而你必须真的去看那一处。编造一个具体数字比给一句模糊评价更难被发现。
- 机器学习不改变任何一条判据，它只是把自由度从 8 个变成 10⁶ 个——它是形态学问题的极端版本，不是新问题。而样本量的方向是反的：你不能造出更多的历史。
- 三种 ML 特有的前视偏差：随机 K 折（时序上等于用未来训练，而它是几乎所有教程的默认选项）、全样本标准化、标签泄漏。
- 「模型是黑箱」在推销语境里是不可证伪性的委婉说法——而不可被规格化的东西无法被检验，效果永远未知。
- 一条不需要任何技术知识的判据：它的输出能不能被独立核对？ 代码能（跑有已知答案的测试）、数字能（回原文查）、「分析」和「建议」不能。这把不可回答的「AI 靠不靠谱」换成了每次都可回答的「这次能不能核对」。
- 最后，也是这一篇和第 37、40 篇结论不同的地方：那两个体系不能替你做任何事，AI 能。所以问题不是它有没有用，是用在哪一格——用在预测上是确认偏误放大器，用在执行和检验上是唯一开放的那个优势的放大器。同一个工具，方向由你的提问方式决定。