我將詳細解析全球頂尖交易公司如何在日常工作中運用 AI，並分享從零開始建立相同系統所需的一切資訊。
我們直接進入正題。
請將此頁面加入書籤 — 我是 Roan，一名後端開發者，專注於系統設計、高頻交易風格的執行和量化交易系統。我的工作重點在於預測市場在負載下的實際行為。如有任何建議、深思熟慮的合作或夥伴關係，歡迎私訊。
多數交易者聽到「AI 交易」時，腦中浮現的是一個聊天機器人吐出買入訊號。
但全球頂尖量化公司內部實際發生的情況，完全不同。而且他們正在做的事與多數系統化交易者所理解之間的差距，是現代市場中最大的未被利用優勢之一。
Jane Street 在 2025 年投入 60 億美元於 AI 雲端基礎設施。他們在德州建造了一座專用資料中心，內置 4,032 個液冷 GPU，專門用於訓練下一代交易模型。Jane Street 在 2025 年以約 3,500 名員工創造了 396 億美元的交易收入。他們的量化研究主管 Craig Falls 公開表示，他們依賴 CoreWeave 的 GPU 基礎設施來訓練和擴展專有模型。
Man Group 是全球最大的上市避險基金，管理約 1,500 億美元資產，他們公開與 Anthropic 合作，將 Claude 作為其 Alpha 生成管線的核心。其量化部門 Man Numeric 建立了一個名為 AlphaGPT 的內部工具，可自主生成、編寫程式碼並回測交易策略。
Two Sigma 多年來一直利用 AI 驅動的策略管理 700 億美元資產。Citadel 建立了一個內部 AI 助手，用於掃描會議記錄、總結券商研究，並為其股票團隊標記風險。該工具現已成為該公司多數股票投資者日常工作流程的一部分。
Bridgewater Associates 於 2023 年成立了人工智慧投資夥伴實驗室部門。其 CEO Nir Bar Dea 在 2025 年 3 月的彭博會議上表示，其 20 億美元的 AI 基金正在產生「與人類所做的無關的獨特 Alpha」。該基金中 AI 作為主要決策者，而人類專業人員則負責監督風險管理和交易執行。
這些並非實驗。這些是運行真實資本的生產系統。
但有一個問題沒人敢大聲問。
頂尖公司是用 AI 來取代他們的量化分析師嗎？還是他們用 AI 來讓量化分析師變得如此之快，以至於其他人都跟不上？
答案將徹底改變你應該如何建立自己的系統。在本文結束時，你將擁有完整的藍圖。
我已經在本系列的前幾篇文章中介紹了用於狀態偵測和時間序列分析的馬可夫鏈。AI 工作流程是第四層，也是最後一層，它補全了機構交易堆疊。
在本文結束時，你將確切了解 Man Group、Jane Street、Bridgewater 和 Citadel 如何從研究到實時訊號構建其 AI 工作流程；AI 在系統化交易中產生最可衡量優勢的五個具體用例；如何像機構量化分析師一樣使用 Claude Code 技能來壓縮你的研究週期；你今天就可以使用公開工具構建的完整 Agent 管線架構；以及每個 AI 交易系統都需要但沒有任何模型能提供的那一層。
注意：本文特意寫得很長。每個部分都建立在前面部分的基礎上。如果你認真想在系統化交易中增加真正的 AI 驅動優勢，請仔細閱讀每一個字。如果你在尋找捷徑，這不適合你。
第 1 部分：AI 會取代量化分析師嗎？沒有人告訴你的答案
Man Group 在 2025 年 7 月公開了 AlphaGPT。彭博社首先報導了這個消息。該系統自主生成交易訊號想法、編寫實作程式碼，並運行回測。資深投資組合經理 Ziang Fang 確認，經過人類審查後，已有數十個訊號獲准用於實時交易。
以下是 Man Group 團隊自己的說法：這項技術有助於解決量化投資中日益增長的挑戰，即數據量和可能的市場關係的數量，其增長速度遠超任何人類團隊手動評估的能力。其 CTO Gary Collier 稱其為對量化過程本身的顛覆。
這種說法解釋了全貌。AI 解決的不是判斷問題，而是吞吐量問題。一個強大的研究團隊一個季度可能認真測試 20 個訊號想法。AlphaGPT 一週就能測試數百個。存活下來的想法會進入人工審查。沒有一個訊號會在沒有研究人員深思熟慮決策的情況下觸及真實資本。
Bridgewater 走得更遠。他們的 AIA Labs 部門由聯席 CIO Greg Jensen 和來自耶魯大學的首席科學家 Jasjeet Sekhon 領導，建立了一個他們稱為 AI 推理引擎的系統，結合了大語言模型、機器學習和推理工具來理解市場中的因果關係。Jensen 明確表示：「最大的飛躍是使用機器智能來生成 Alpha。這是一個跳躍。」但即使在他們最激進的實施中，人類專業人員仍然監督風險管理、數據獲取和交易執行。AI 決定交易什麼，人類決定承擔多少風險。
Jane Street 在其網站上直接說明：深度學習是他們工具包的一部分，而不是起點。他們使用數萬個 GPU。研究人員仍然在那裡。GPU 放大了研究人員的能力。
Citadel 的 CTO Umesh Subramanian 在 2025 年底的紐約會議上直言：「我們不希望投資組合經理將他們的人類投資判斷外包給 AI。這是進一步加速他們研究過程的工具。」Ken Griffin 本人表示，雖然這項技術提高了效率，但它不太可能獨立產生超越市場的回報。
在所有公開其 AI 實施的公司中，模式是一致的。AI 處理速度和數量重要的部分：假設生成、程式碼編寫、初步回測、數據處理。人類處理判斷重要的部分：狀態評估、資本配置、風險監督、在條件變化時關閉系統的決定。
勝出的公司並不是用 AI 取代他們的量化分析師。他們是讓量化分析師的速度提高 10 倍。這是你應該複製的模式。
第 2 部分：真正產生優勢的五個用例
大多數 AI 在交易中的應用會產生微小的改進，這些改進在幾個月內就會被交易成本抹去。其中有五個產生了結構性優勢，頂尖公司已公開確認它們在生產中運行。
用例 1：Agent 訊號發現
這就是 Man Group 用 AlphaGPT 建立的東西。該架構在一個循環中運行四個獨立的 Agent。第一個從數據生成訊號假設。第二個編寫確切的邏輯和實作程式碼。第三個純粹作為挑戰者，其任務是找出訊號可能是假的、過度擬合或經濟上不合理的所有原因。第四個評估回測結果，並決定該訊號是否值得送交人工審查。
Man Group 用自己的話描述：該系統的行為很像一個真實的公司，一個團隊小組。一個人提出，另一個人挑戰，第三個人評估。Agent 同時對數百個想法運行這個循環。那些在對抗性審查中倖存下來的會交給研究人員，其餘的被丟棄。
Man Group 還強調了他們在開發過程中遇到的風險：幻覺、前瞻偏差、多重測試問題以及其他許多問題。他們的推理模型記錄每一步的每一個決定，提供了人類驅動過程不一定總能提供的完全透明度。
用例 2：替代數據訊號提取
Point72 使用 NLP 模型分析財報電話會議記錄，並將其轉換為結構化訊號，直接輸入期權策略。Two Sigma 使用機器學習從衛星圖像和宏觀經濟數據中提取訊號。Hudson Labs 是這個領域的專業公司，他們微調 AI 以將實際報告的收益與前瞻指引分開，解決了 AI 將歷史數字與預測混淆的問題。
到處都是同樣的模式。非結構化資訊被轉換為精確的數值訊號。優勢來自於 AI 同時處理每一份會議記錄、每一份文件、每一條可用數據，並產生一致的量化輸出。
對於系統化交易者來說，最直接可訪問的版本是財報電話會議分析。會議記錄是公開的。以下是確切的生產級提取結構：
輸出是一個數字，而不是一個段落。這個數字直接流入你的倉位定價模型。
用例 3：AI 加速回測
系統化研究最大的瓶頸不是缺乏想法。而是從有想法到了解它是否具有任何真實歷史有效性之間的時間。一個能將這個週期縮短一半的研究人員每年可以測試兩倍多的策略。五年下來，這種吞吐量差異是決定性的。
最能充分利用這一點的工作流程從一開始就是精確的。在編寫任何一行程式碼之前，你就要描述完整的策略規格：進場條件、出場條件、倉位定價規則、持有期、交易成本假設和驗證方法。描述的精度產生輸出的精度。
用例 4：蒙地卡羅顯著性檢定
每個標準回測都使用歷史中的一條路徑。一條路徑不足以判斷你的結果是反映了真正的優勢，還是測試窗口中的特定事件序列。
蒙地卡羅模擬生成數千條可能的路徑，並顯示結果的完整分佈：第五百分位的結果、預期的最大回撤、以及損失超過風險閾值的機率。這三個數字在投入任何資本之前就決定了你的倉位大小。通過一個 AI 層以通俗語言解釋結果，告訴你它們對你的特定風險承受能力意味著什麼，這就是機構基金將模擬輸出轉化為配置決策的方式。
用例 5：狀態感知倉位定價
這是上一篇文章中的馬可夫鏈框架直接連接到 AI 層的地方。狀態模型告訴你市場所處的位置以及轉移的機率。AI 將該訊號與你當前的回撤、已實現波動率估計和訊號強度綜合起來，產生一個與所有輸入一致的倉位建議。
在低波動趨勢狀態下正確的倉位大小，在高波動危機狀態下幾乎肯定過大。沒有任何單一輸入能告訴你正確的大小。只有四個的綜合才能。
作業：將這五個用例按對你當前研究最有直接影響的順序排序。這個排序會告訴你確切的起點。
第 3 部分：Claude Code 技能以及在生產中使用的確切工具
Man Group 公開表示，Claude 顯著提高了其量化技術人員的編碼任務效率。這來自他們與 Anthropic 的合作公告。但 Claude Code 不僅僅是一個編寫程式碼的聊天機器人。它是一個在你的終端機中運行、讀取你的文件並在你的機器上執行程式碼的 Agent 編碼環境。
真正的力量來自於技能。這些是 SKILL.md 指令文件，它們作為配方，告訴 Claude 如何精確地處理特定任務。安裝一個技能，Claude 就會轉變為該領域的專家。
以下是立即可以使用的、對系統化交易者重要的經過驗證的技能。
回測框架技能建立事件驅動和高速向量化回測架構。它實現了滾動分析、樣本外測試和包含滑點和手續費在內的現實交易成本建模。它專為消除前瞻偏差和倖存者偏差而構建，這兩個錯誤會誇大幾乎所有零售回測的結果。該技能處理多期優化工作流程，並支援任何時間段的可自訂回測參數。
量化交易與回測技能更深入。它包括自動化 Sharp Edge 檢測，該檢測能識別那些讓策略在研究階段看起來獲利但在實際市場中立即失敗的特定回測錯誤。因子研究和 Alpha 挖掘涵蓋價值、動能和品質維度。基於凱利準則的倉位定價。以及針對趨勢跟蹤、均值回歸和統計套利的完整策略開發模板。
量化研究技能實現了機構級驗證標準：策略開發、Alpha 生成、因子建模和統計套利技術，內建壓力測試方法論。它解決了區分真正 Alpha 訊號與統計假象的特定問題。
市場數據管線技能處理完整的數據攝取層。它標準化了 Claude 從提供商獲取和構建市場數據的方式，將響應規範化為具有標準列名的 DataFrame，對歷史分析應用公司行動調整，並緩存結果以避免重複 API 調用。壞數據是回測的沉默殺手。這個技能使數據處理具有確定性。
還有一個實時訊號監控技能，它將從研究到部署的循環閉合。它獲取實時數據，維護一個滾動的 K 線窗口，在每個新 K 線上重新計算指標，評估訊號條件，並發送警報。它從不直接執行訂單。它只輸出訊號。這種設計是刻意的。
能提取最大價值的工作流程遵循特定的順序。
首先，在用 Claude Code 構建任何東西之前，用精確的語言完整描述策略。其次，明確指定驗證要求：滾動驗證，樣本內至少 252 個交易日，每筆交易至少 10 個基點的交易成本。第三，將輸出視為供你審查的草稿。程式碼會運行。回測會產生數字。你的工作是評估這些數字反映的是真正的優勢還是統計上的巧合。
AI 處理實作，這樣你就可以完全專注於假設和評估。智力工作並沒有消失。它集中在那些真正需要受過訓練的大腦的部分。
第 4 部分：從零開始構建完整管線
Man Group 不是在一個週末內構建出 AlphaGPT 的。但該架構並非專有。它是一個應用於特定問題的多 Agent 工作流程。核心結構今天可以使用 Claude Code 和 Anthropic API 複製。
該管線有六個階段。沒有一個可以跳過。
階段 1：數據攝取與特徵工程。你的數據品質為後續所有階段設定了上限。壞數據不會拋出錯誤。它會產生看起來很棒但在實際市場中崩潰的回測。倖存者偏差、未調整的價格、缺失的公司行動是無聲的錯誤，它們會放大回報而不會自我宣告。AI 層接收你的乾淨數據，並生成當前環境的結構化統計摘要：跨時間框架的已實現波動率、動量訊號、成交量模式、狀態指標。
階段 2：訊號假設生成。第一個 Agent 接收數據摘要，並生成一個具體的、可檢驗的假設。一個說「交易動量」的假設不是一個假設。一個說「當 20 日回報超過 60 日滾動回報分佈的一個標準差，且當前已實現波動率低於其 90 日中位數時做多」的假設才是一個假設。Agent 還會生成經濟原理以及訊號預期會失效的具體條件。
階段 3：對抗性挑戰。這是大多數零售量化分析師完全跳過的階段，也是將 AlphaGPT 與聊天機器人交易建議區分開來的階段。一個獨立的 Agent 接收假設，它的唯一角色就是打破它。該訊號在交易時從可用數據中計算得出嗎？經濟原理是連貫的還是事後編造的故事？它在不同狀態下都成立嗎？什麼宏觀事件會導致它失敗？
階段 4：滾動回測。在每個時間點，每個模型參數都僅使用截至該點的歷史數據進行估計。模型從未見過未來數據。這一個要求就消除了誇大回測表現的最常見來源。
階段 5：統計顯著性檢定。生成一個具有匹配統計屬性的隨機策略的回報序列一千次。如果你的實際夏普比率位於該分佈的前百分之五內，你就有了真正優勢的證據。如果不是，你就有了在雜訊上模式匹配的證據。
階段 6：人類審查關卡。這個階段無法自動化。沒有訊號可以在沒有研究人員評估的情況下觸及真實資本。Man Group、Bridgewater、Citadel 和 Jane Street 都公開確認了這一點。
六個階段。五個自動化。一個始終是人類。
每個系統都需要部署監控層：
在開始交易之前定義閾值。做出這個決定的最差時機是當系統已經表現不佳的時候。輸出是人工審查的標記，而不是自動關閉。來自前一篇文章的馬可夫鏈狀態訊號作為附加觸發器直接輸入這個監控層。
第 5 部分：AI 之前 vs AI 之後以及完整的生產工作流程
AI 之前：一個想法來自閱讀論文或觀察市場異常。編寫實作需要數小時，有時需要數天。建立一個帶有滾動驗證的適當回測需要額外時間。任何一個研究人員一年內能認真測試的想法數量受到嚴重限制。想法選擇發生在測試之前，而不是因為測試而發生。風險管理是一個單獨的手動步驟。倉位定價通過直覺校準，並在回撤超過預期後進行事後調整。
AI 之後：從想法到嚴格評估之間的時間已從數天壓縮到數小時。當測試很快時，你可以負擔得起測試那些感覺不太確定的想法。你可以在投入時間構建自己的假設之前，對其進行對抗性審查。你可以生成一個有前景的訊號的十幾種變體，並將它們相互測試，而不是通過直覺選擇一個。
Man Group 精確地描述了這一點：這項技術幫助他們測試更多想法。送交研究人員的訊號品質門檻已經提高，因為 AI 預先過濾了常見的失敗模式。研究人員花時間評估那些已經通過自動化挑戰過程的訊號，而不是將時間花在實作工作上。
以前需要專門數據科學團隊的替代數據，現在可以通過數小時內構建的 NLP 提取管線來獲取。財報電話會議記錄、監管文件和宏觀經濟報告可以持續轉換為結構化訊號。
倉位定價不再是單獨的手動步驟。它與來自馬可夫鏈層的狀態檢測、來自 GARCH 層的波動率估計以及來自當前策略的訊號強度集成，同時產生一個與所有輸入一致的倉位建議。
完整的生產工作流程：研究在後台持續運行。Agent 管線生成並測試訊號假設，丟棄那些在對抗性審查中失敗的，並將倖存者送交人類評估。已批准的訊號進入紙上交
