我将详细解析全球顶级交易公司如何在其日常工作中运用 AI，并分享你从零开始实施相同系统所需的一切。
让我们直接进入正题。
请收藏本文——我是 Roan，一名后端开发者，专注于系统设计、高频交易风格执行和量化交易系统。我的工作主要研究预测市场在高负载下的实际表现。如有任何建议、有想法的合作或合作伙伴关系，欢迎私信联系。
大多数交易者听到"交易中的 AI"，脑海中浮现的会是一个聊天机器人吐出买入信号。
而全球顶级量化公司内部实际正在发生的事情，则完全不同。他们在做的事情，与大多数系统化交易者所理解的，其间的差距是当今市场中最大的潜在突破口之一。
Jane Street 在 2025 年向 AI 云基础设施投入了 60 亿美元。他们在德克萨斯州建造了一个专用数据中心，配备了 4,032 个液冷 GPU，专门用于训练下一代交易模型。Jane Street 在 2025 年创造了 396 亿美元的交易收入，员工约 3,500 人。其量化研究主管 Craig Falls 公开表示，他们依赖 CoreWeave 的 GPU 基础设施来训练和扩展专有模型。
Man Group，这家管理着约 1500 亿美元资产的全球最大上市对冲基金，公开与 Anthropic 合作，将 Claude 作为其 Alpha 生成流程的支柱。其量化部门 Man Numeric 构建了一个名为 AlphaGPT 的内部工具，可以自主生成、编写代码并回测交易策略。
Two Sigma 多年来一直管理着 700 亿美元资产，运行着 AI 驱动的策略。Citadel 构建了一个内部 AI 助手，用于扫描会议记录、总结券商研究并为其中股票团队标记风险。该工具现已成为该公司大多数股票投资者日常工作流程的一部分。
Bridgewater Associates 于 2023 年成立了其人工智能投资合伙人实验室。其 CEO Nir Bar Dea 在 2025 年 3 月的一次彭博会议上表示，其 20 亿美元的 AI 基金正在产生"与我们人类所做的无关的独特 Alpha"。在该基金中，AI 是主要的决策者，而人类专业人士则负责监督风险管理和交易执行。
这些都不是实验。这些是用真实资本运行的生产系统。
但这里有一个没人敢公开问的问题。
顶级公司是在用 AI 取代他们的量化分析师吗？还是他们在利用 AI 让他们的量化分析师变得如此之快，以至于其他人根本跟不上？
这个问题的答案，会彻底改变你应该如何构建自己系统的方式。在本文结束时，你将拥有做到这一点的完整路线图。
我已经在本系列之前的文章中介绍了用于状态检测和时间序列分析的马尔可夫链。AI 工作流是第四个也是最后一个层面，它完善了机构交易栈。
在本文结束时，你将确切了解 Man Group、Jane Street、Bridgewater 和 Citadel 是如何构建从研究到实时信号的 AI 工作流的，AI 在系统化交易中产生最可衡量优势的五个具体用例，如何使用 Claude Code 技能来压缩你的研究周期（就像机构量化分析师所做的那样），你现在可以使用公开工具构建的完整 Agent 管道架构，以及每个 AI 交易系统都需要但没有任何模型能提供的一个层面。
注意：本文特意写得很长。每一部分都建立在前一部分之上。如果你对为你的系统化交易增加真正的 AI 驱动优势是认真的，请逐字阅读。如果你在寻找捷径，这篇文章不适合你。
第一部分：AI 会取代量化分析师吗？没人告诉你的答案
Man Group 于 2025 年 7 月公开了 AlphaGPT。彭博社首先报道了此事。该系统自主生成交易信号想法、编写实现代码并运行回测。高级投资组合经理 Ziang Fang 证实，经过人工审核后，已有数十个信号获批用于实盘交易。
以下是 Man Group 团队自己的说法：该技术有助于解决量化投资中日益严峻的挑战，即数据和潜在市场关系的庞大规模增长得比任何人类团队手动评估的速度都要快。他们的 CTO Gary Collier 称这是对量化流程本身的颠覆。
这个框架解释了整个图景。AI 解决的不是一个判断问题。它解决的是一个吞吐量问题。一个强大的研究团队可能在一个季度内认真测试二十个信号想法。AlphaGPT 在一周内就能测试数百个。存活的想想法会交给人工审核。没有一个想法在没有研究员做出慎重决定的情况下，能接触到真实资本。
Bridgewater 走得更远。他们的 AIA Labs 部门由联合首席投资官 Greg Jensen 和来自耶鲁大学的首席科学家 Jasjeet Sekhon 领导，构建了他们所谓的 AI 推理引擎，该引擎结合了大型语言模型、机器学习和推理工具，以理解市场中的因果关系。Jensen 明确表示："这里的大飞跃是利用机器智能来生成 Alpha。这是一次飞跃。"但即使在他们最激进的实施中，人类专业人士仍然负责监督风险管理、数据获取和交易执行。AI 决定交易什么。人类决定承担多少风险。
Jane Street 在其网站上直接说明：深度学习是他们工具包的一部分，而不是起点。他们使用着数万个 GPU。研究员仍然在那里。GPU 放大了研究员的能力。
Citadel 的 CTO Umesh Subramanian 在 2025 年底纽约的一次会议上直言不讳："我们不想让投资组合经理将他们的人类投资判断推卸给 AI。这是一个进一步加速他们研究过程的工具。"Ken Griffin 本人也表示，虽然这项技术提高了效率，但它不太可能独自产生跑赢市场的回报。
所有公开其 AI 实施细节的公司，其模式都是一致的。AI 处理速度和数量至关重要的部分：假设生成、代码编写、初步回测、数据处理。人类处理判断至关重要的部分：状态评估、资本配置、风险监督、以及在条件变化时关闭系统的决定。
胜出的公司并不是用 AI 取代他们的量化分析师。他们是在让他们的量化分析师速度提升 10 倍。这是你应该复制的模式。
第二部分：真正产生优势的五个用例
交易中的大多数 AI 应用只能带来微小的改进，而这些改进往往在几个月内就会被交易成本抹去。但有五个用例能产生结构性优势，顶级公司已公开确认它们在生产环境中运行。
用例 1：Agent 信号发现
这就是 Man Group 用 AlphaGPT 构建的东西。该架构在一个循环中运行四个独立的 Agent。第一个 Agent 从数据中生成一个信号假设。第二个 Agent 编写精确的逻辑和实现代码。第三个 Agent 纯粹扮演挑战者的角色，其工作是找出该信号可能虚假、过度拟合或经济上不合理的每一个原因。第四个 Agent 评估回测结果，并决定该信号是否值得提交给人工审核。
Man Group 用自己的话描述道：该系统很像一个真实的公司，由多个团队组成。一个人提议。另一个人挑战。第三个人评估。这些 Agent 同时对数百个想法运行这个循环。那些通过对抗性审查的想法会交给研究员。其余的则被丢弃。
Man Group 还强调了他们在开发过程中遇到的风险。幻觉、前瞻性偏差、多重测试问题以及许多其他问题。他们的推理模型记录每一步的每一个决策，提供了人类驱动流程并不总是能提供的完全透明度。
用例 2：另类数据信号提取
Point72 使用 NLP 模型分析财报电话会议记录，并将其转化为结构化信号，直接输入期权策略。Two Sigma 使用机器学习从卫星图像和宏观经济数据中提取信号。Hudson Labs，一家专注于该领域的公司，微调 AI 以区分实际报告的收益与前瞻性指引，解决了 AI 混淆历史数据和预测数据的问题。
这里的模式在任何地方都一样。非结构化信息正在被转化为精确的数字信号。优势来自于 AI 同时处理每一份记录、每一份文件、每一份可用的数据，并产生一致的量化输出。
对于一个系统化交易者来说，最直接可以接触到的版本是财报电话会议分析。会议记录是公开的。以下是精确的生产级提取结构：
输出是一个数字，而不是一个段落。这个数字直接流入你的头寸规模模型。
用例 3：AI 加速回测
系统化研究中最大的瓶颈不是没有想法。而是从产生想法到了解它是否具有任何真实历史有效性之间的时间。一个能将这个周期缩短一半的研究员，每年测试的策略数量会是别人的两倍。五年后，这种吞吐量差异将是决定性的。
最能利用这一优势的工作流程从一开始就是精确的。在编写一行代码之前，你就描述了完整的策略规格。入场条件、出场条件、头寸规模规则、持仓周期、交易成本假设以及验证方法。描述的精确性决定了输出的精确性。
用例 4：蒙特卡洛显著性检验
每个标准的回测只使用一条历史路径。一条路径不足以让你知道你的结果是反映了真正的优势，还是仅仅反映了测试窗口内特定事件序列的偶然结果。
蒙特卡洛模拟生成数千条可能路径，并显示结果的完整分布。第五百分位的结果、预期的最大回撤以及损失超过风险阈值的概率。在投入任何资本之前，这三个数字就决定了你的头寸规模。通过一个 AI 层用通俗易懂的语言解释这些结果，告诉你它们对你特定的风险承受能力意味着什么，这就是机构基金将模拟输出转化为配置决策的方式。
用例 5：感知状态的仓位规模调整
这就是前一篇文章中的马尔可夫链框架直接连接到 AI 层的地方。状态模型告诉你市场在哪里以及转换的概率。AI 将该信号与你当前的亏损、已实现波动率估计值和信号强度综合起来，生成一个在所有输入中保持一致的仓位建议。
在低波动性趋势状态中正确的头寸规模，在高波动性危机状态中几乎肯定太大了。没有任何单一输入能告诉你正确的规模。只有这四个输入的综合才能做到。
作业：将这五个用例按对你当前研究可能产生的直接影响程度排序。这个排序告诉了你应该从哪里开始。
第三部分：Claude Code 技能和生产中使用的具体工具
Man Group 公开表示，Claude 显著提高了其量化技术人员的编码任务效率。这来自他们与 Anthropic 合作的公告。但 Claude Code 不仅仅是一个能写代码的聊天机器人。它是一个在你终端中运行、能读取你的文件并在你机器上执行代码的 Agent 编码环境。
真正的力量来自于技能。这些是 SKILL.md 指令文件，它们像配方一样，精确地告诉 Claude 如何处理特定任务。安装一个技能，Claude 就会转变为该领域的专家。
以下是为系统化交易者提供的、当下可用的已验证技能。
回测框架技能构建事件驱动和高速向量化回测架构。它实现了向前分析、样本外测试以及包含滑点和佣金的现实交易成本模型。它的构建目的明确，就是消除前瞻性偏差和幸存者偏差——这两个错误几乎抬高了所有个人回测的结果。该技能处理多周期优化工作流，并支持任何时间段内可定制的回测参数。
量化交易和回测技能则更进一步。它包括自动的夏普边缘检测，可以识别出那些让策略在研究阶段看起来很赚钱，但在实盘市场立即失败的具体回测错误。它还包括跨价值、动量和质量维度的因子研究和 Alpha 挖掘、基于凯利准则的头寸规模，以及针对趋势跟踪、均值回归和统计套利的全面策略开发模板。
量化研究技能支持机构级的验证标准。它涵盖策略开发、Alpha 生成、因子建模和统计套利技术，并内置压力测试方法。它解决了区分真实 Alpha 信号与统计伪像这个具体问题。
市场数据管道技能处理完整的数据摄取层。它标准化了 Claude 从供应商处获取和结构化市场数据的方式，将响应规范化为具有标准列名的 DataFrame，应用历史分析的公司行为调整，并缓存结果以避免重复的 API 调用。糟糕的数据是回测的无声杀手。这个技能让数据处理变得确定。
还有一个实时信号监控技能，它架起了从研究到部署的桥梁。它获取实时数据，维护一个滚动窗口的价格柱，在每个新柱上重新计算指标，评估信号条件，并发送警报。它从不直接执行订单。它只输出信号。这种设计是故意的。
能提取最大价值的工作流遵循特定的顺序。
首先，在用 Claude Code 构建任何东西之前，先完全用精确的语言指定策略。其次，明确指定验证要求：向前验证、样本内最少 252 个交易日、每次交易成本至少 10 个基点。第三，将输出视为供你审查的草稿。代码会运行。回测会产生数字。你的工作是评估这些数字是反映了真正的优势还是统计上的巧合。
AI 处理实现工作，这样你就可以完全专注于假设和评估。智力工作并没有消失。它集中在那些真正需要训练有素头脑的部分。
第四部分：从零开始构建完整管道
Man Group 不是在周末建成了 AlphaGPT。但该架构并非专有。它是一个应用于特定问题的多 Agent 工作流。目前，使用 Claude Code 和 Anthropic API 即可复制其核心结构。
该管道有六个阶段。没有一个可以跳过。
阶段 1：数据摄取和特征工程。你的数据质量决定了后续所有工作的上限。糟糕的数据不会报错。它会产生看起来很棒但在实盘市场中会崩溃的回测。存活者偏差、未经调整的价格、缺失的公司行为，这些都是无声的错误，它们会在不被察觉的情况下虚增收益。AI 层接收你的干净数据，并生成当前环境的结构化统计摘要：跨时间框架的已实现波动率、动量信号、成交量模式、状态指标。
阶段 2：信号假设生成。第一个 Agent 接收数据摘要，并生成一个具体的、可测试的假设。说"交易动量"不是一个假设。说"当 20 天回报率超过 60 天滚动回报率分布的一个标准差，且当前已实现波动率低于其 90 天中位数时做多"才是一个假设。该 Agent 还会生成经济原理，以及该信号预计会失效的具体条件。
阶段 3：对抗性挑战。这是大多数个人量化分析师完全跳过的阶段，也是将 AlphaGPT 与聊天机器人交易建议区分开来的阶段。一个独立的 Agent 接收该假设，其唯一的作用就是推翻它。该信号能在交易发生时从可获取的数据中计算出来吗？经济原理是连贯的，还是一个后见之明的事后故事？它在不同状态下都成立吗？什么宏观事件会导致它失效？
阶段 4：向前回测。在每个时间点，每个模型参数都仅使用到该点为止的历史数据进行估计。模型从未见过未来数据。这一个要求就消除了最常见的虚增回测表现的原因。
阶段 5：统计显著性检验。生成一千次具有匹配统计属性的随机策略的收益序列。如果你实际的夏普比率位于该分布的前 5%，那么你有证据表明存在真正的优势。如果不是，那么你只是将模式匹配到噪声上。
阶段 6：人工审核关卡。这个阶段不能自动化。没有信号能在未经研究员评估的情况下接触到真实资本。Man Group、Bridgewater、Citadel 和 Jane Street 都公开证实了这一点。
六个阶段。五个自动化。一个始终由人类进行。
每个系统都需要部署监控层：
在你开始交易之前定义阈值。做这个决定的最差时机是当系统已经表现不佳的时候。输出是一个需要人工审核的标记，而不是自动关闭。上一篇文章中的马尔可夫链状态信号，作为额外的触发条件直接输入到这个监控层中。
第五部分：AI 之前与 AI 之后以及完整的生产工作流
AI 之前：一个想法来自阅读一篇论文或观察到一个市场异常。编写实现代码需要数小时，有时甚至数天。搭建一个带有向前验证的合适的回测还需要额外时间。任何一个研究员一年内能认真测试的想法数量都受到严重限制。想法的选择发生在测试之前，而不是因为测试的结果。风险管理是一个独立的手动步骤。头寸规模凭直觉校准，并在亏损超出预期时进行事后调整。
AI 之后：从想法到严谨评估之间的时间已从数天压缩到数小时。当测试很快时，你可以承担测试那些感觉不那么确定的想法的风险。你可以在花费时间构建它们之前，对自己的假设进行对抗性审查。你可以为一个有前景的信号生成十几个变体，并测试它们相互之间的表现，而不是凭直觉挑选一个。
Man Group 精确地描述了这一点：该技术帮助他们测试更多的想法。发送给研究员的想法的质量门槛提高了，因为 AI 预先过滤了常见的失败模式。研究人员花时间评估那些已经通过自动化挑战过程的信号，而不是将时间花在实现工作上。
以前需要专门数据科学团队的另类数据，现在可以通过数小时内构建的 NLP 提取管道获取。财报电话会议记录、监管文件和宏观经济报告可以持续不断地被转化为结构化信号。
仓位规模不再是一个独立的手动步骤。它与来自马尔可夫链层的状态检测、来自 GARCH 层的波动率估计以及来自当前策略的信号强度相结合，同时生成一个在所有输入中一致的仓位建议。
完整的生产工作流：研究在后台持续运行。Agent 管道生成并测试信号假设，丢弃那些未能通过对抗性审查的，并将幸存者发送给人工评估。批准的信号进入模拟交易，每天对照样本外预期进行监控。表现稳定的信号转移到小的实盘配置。仓位规模仅随着业绩确认预期而增加。任何重大偏差都会立即触发人工审查。
Jane Street 在其网站上描述了核心挑战：市场会经历频繁的结构性变化，以应对流行病、选举、监管和集体行为的转变。识别这些转变何时发生，是人类判断最不可替代的任务。
作业：在任何 AI 生成的信号部署到实盘之前，写下三个会使你停止交易并审查系统的条件。在你开始之前就写下这些。当系统表现不佳时，是最不适合第一次做这个决定的时刻。
总结
AI 不能预测市场。它所做的是将交易想法与对该想法的严格测试之间的时间从数天压缩到数小时。它运行了大多数系统化交易者从未应用于自己假设的对抗性审查。它将一个量化研究员的研究吞吐量放大到以前需要一个完整团队才能达到的水平。
Man Group 在公开 AlphaGPT 后表示：LLM 显著加快了变革的步伐。但他们的量化分析师仍然在那里。每一个接触到资本的信号都经过了研究员的签字批准。
Bridgewater 走得更远，建立了一个 20 亿美元的基金，在该基金中 AI 是主要的决策者，而人类则监督风险和交易执行。
Jane Street 投资了 60 亿美元用于 GPU 基础设施，以倍增其研究人员的能做的事，而不是取代他们。
AI 给了他们规模。判断仍然是人类的。
你现在拥有了相同的构建模块。Agent 管道架构。用于回测、信号生成和监控的 Claude Code 技能。用于另类数据的 NLP 提取框架。蒙特卡洛显著性检验。感知状态的仓位规模调整。以及当市场以任何历史数据集都未曾包含的方式变动时，保持系统运行的人工审核关卡。
这是我想让你思考的问题。
Man Group 用 AlphaGPT 测试数百个信号，并将幸存者交给人工审核。Bridgewater 建立了一个 20 亿美元的基金，其中 AI 是主要的决策者。Jane Street 用数万个 GPU 在 PB 级数据上训练模型。Two Sigma 从大多数交易者从未考虑过的另类数据中提取优势。
如果你是一个独立工作的系统化交易者，只能构建这些能力中的一项，你会选择哪一项，为什么？
你的答案揭示了你在现代市场中，究竟认为系统化优势的源头在哪里。
在评论区告诉我们。没有错误的答案。但有些答案会非常有启发性。
