Man Group 的量化部門主管說過一句話，讓我印象深刻：
「挑戰在於數據量和可能的市場關係數量激增，成長速度遠超過任何人類團隊能夠手動評估的速度。」
於是他們打造了 AlphaGPT。它能生成訊號假設、編寫程式碼、執行回測，全自動運行。每週數百個點子，而不是每季 20 個。
Bridgewater 更進一步，建立了一個 20 億美元的基金，由 AI 做出主要交易決策。
Jane Street 去年花了 60 億美元在 GPU 基礎設施上，用來訓練專有模型。
我不會假裝自己確切知道這些系統內部運作的一切。但從建造者公開發表的言論來看，他們講的故事相當一致，而且不是大多數人聽到「AI 交易」時所想像的那樣。
勝出的公司並沒有取代他們的量化分析師，而是讓每位量化分析師的效率提升約 10 倍。
這篇文章提供了完整的框架，教你如何在 Polymarket 上運用相同的架構。
第一部分 — AI 會取代量化分析師嗎？
這是大家都問錯的問題。
Man Group 在 2025 年 7 月公開了 AlphaGPT。這個系統能自主產生訊號假設、編寫實作程式碼，並執行回測。其中數十個訊號在通過人工審核後，已獲准用於實盤交易。
量化投資的挑戰在於數據量和可能的市場關係數量激增，成長速度遠超過任何人類團隊能夠手動評估的速度。
一個強大的研究團隊，一季可能認真測試 20 個訊號點子。而 AlphaGPT 一週就能測試數百個。
但是，AlphaGPT 產生的任何一個訊號，在沒有研究人員做出審慎決策之前，都不會接觸到真實資金。
Bridgewater 打造了一個 AI 推理引擎，結合了 LLM、機器學習和推理工具。他們的共同投資長稱之為「一大躍進」。但人類仍然負責風險管理和執行。
Citadel 的技術長說得很清楚：「我們不希望投資組合經理把自己的投資判斷責任卸給 AI。」
Ken Griffin 本人也表示，AI 能提升效率，但不太可能單靠它產出超越市場的回報。
勝出的公司正在讓他們的量化分析師效率提升 10 倍，而不是取代他們。
第二部分 — 五個具有真正優勢的使用案例
使用案例 1：代理式訊號發現
Man Group 的 AlphaGPT 在一個循環中運行四個 Agent：
- Agent 1 生成訊號假設。
- Agent 2 編寫實作程式碼。
- Agent 3 扮演純粹的挑戰者——找出所有可能讓訊號虛假或過度擬合的理由。
- Agent 4 評估回測結果，並決定是否將其提交給人工審核。
在 Polymarket 上，這可以直接對應：
- Agent 1 從新聞、相關市場和基礎比率中生成機率估計。
- Agent 2 與當前市場價格進行比較。
- Agent 3 提出挑戰：要讓這個推論錯誤，必須滿足什麼條件？
- Agent 4 評估期望值，並向人類發送執行/不執行的訊號。
使用案例 2：替代數據提取
對於預測市場而言，聯準會官員的每一句話、每一項地緣政治發展、每一次經濟數據發布，都含有訊號。AI 將非結構化文字轉化為結構化的機率變動。
使用案例 3：蒙地卡羅顯著性檢定
標準回測只使用一條歷史路徑。一條路徑是不夠的。
使用案例 4：體認市場狀態的倉位規模設定
f_adjusted = f_kelly x regime_factor x (1 - drawdown_factor)
使用案例 5：部署監控
第三部分 — 完整流程
如果你還沒加入 Polymarket，從這裡開始：polymarket.com/?r=atlas
交易量 280 億美元。超過 9,000 個市場。每個已解決的合約都是你模型的真實數據點。
6 個階段。5 個自動化。1 個始終由人類負責。
階段 1 — 數據攝取：歷史解決率、價格時間序列、相關市場相關性、交易量指標。
階段 2 — 訊號假設：具體、可檢驗、附有經濟學原理，以及它在什麼條件下會失效。
階段 3 — 對抗性挑戰：一個獨立的 Agent，其唯一任務是在投入任何時間建構之前，先打破這個假設。Man Group 稱這是 AlphaGPT 中最有價值的部分。
階段 4 — 滾動回測：所有參數都僅使用交易當時可獲得的數據來估計。這一個要求就消除了最常見的回測表現膨脹來源。
階段 5 — 蒙地卡羅顯著性檢定：如果你的訊號在 10,000 個隨機替代方案中位居前 5%，你就有了真正優勢的證據。
階段 6 — 人工審查關卡：不可自動化。在你啟動系統之前，寫下三個會讓你停下來重新審視系統的條件。
第四部分 — 導入 AI 前 vs 導入 AI 後
導入 AI 前：
點子來自於閱讀或觀察。編寫實作程式碼需要數小時或數天。建立適當的回測需要更多時間。一位研究人員一年可能認真測試 20 個策略。倉位規模設定依靠直覺來校準。
導入 AI 後：
從點子到嚴格評估的時間，從數天壓縮到數小時。你在投入時間建構假設之前，就能對自己的假設進行對抗性審查。你可以測試一個有潛力的訊號的 12 種變體，並全部進行評估，而不是憑直覺挑選一種。
Man Group 精確地描述了這一點：這項技術幫助他們測試更多點子。研究人員花時間評估那些已經通過自動化挑戰的訊號，而不是把時間花在實作工作上。
對 Polymarket 來說，這種壓縮更具價值。市場有固定的結算日期。以好價格進入市場的時間窗口是有限的。你從假設到驗證訊號的速度越快，你實際捕捉到的機會就越多。
總結
AI 並不預測市場。
它將交易點子到嚴格測試點子之間的時間，從數天壓縮到數小時。它執行了大多數系統性交易者從未對自己的假設進行的對抗性審查。
Man Group：LLM 加速了變化的步伐。但他們的量化分析師仍然在崗。每一個接觸到資金的訊號，都有研究人員簽核。
Jane Street 投資 60 億美元在 GPU 基礎設施上，是為了倍增其研究人員的能力，而不是取代他們。
AI 提供了規模。判斷力仍然屬於人類。
目前預測市場中的優勢，並不是更好的資訊。
而是比其他人更快地測試更多點子，並且只針對那些通過對抗性審查的點子採取行動。
這就是整個系統。
