三个常被混用的词
| 概念 | 核心 | 时代 |
|---|---|---|
| 算法交易（Algorithmic Trading） | 用计算机自动执行预定义规则 | 1980s 起 |
| 量化交易（Quantitative Trading） | 用统计/数学模型寻找市场规律 | 1990s 起 |
| AI 交易 | 用机器学习模型预测、决策 | 2010s 起规模化 |
三者层层包含：AI 交易 ⊂ 量化交易 ⊂ 算法交易。它们不是替代关系，而是工具集的扩展。
"规则"与"模型"的关键区别
规则型：人写下"如果 RSI < 30 且 5 日均线上穿 20 日均线 → 买入"。
模型型：把数据喂给算法，让算法自己学"什么信号组合更可能预示上涨"。
规则型的优势是可解释、可审计；模型型的优势是能发现人想不到的非线性关系。两者各有其用，不是非此即彼。
AI 在交易里真正擅长的事
1. 模式识别
从几十万条订单簿快照中提取微结构特征——这是人脑做不到的。
2. 高维特征整合
传统模型可能用 5–10 个特征；AI 模型可同时整合数百到数千个特征。
3. 非线性建模
线性回归只能拟合直线；神经网络可以拟合任意复杂的非线性关系。
4. 24/7 不间断
对加密这种全年无休的市场，AI 是必备工具。
AI 不擅长（或被夸大）的事
1. 因果推断
AI 找到的是相关，不是因果。一个看起来"准确"的模型，可能只是抓住了数据中的偶然规律——相关不等于因果是机器学习的核心警句。
2. 黑天鹅事件
模型只学过它见过的市场。2008、2020 类极端事件出现时，AI 往往和人一样懵。
3. 制度变化
监管变化、利率体制切换、地缘政治转折——AI 没有"宏观理解"，只能用历史数据拟合。
4. "稳赚"承诺
任何承诺"AI 选股月入 20%"的服务，本质都是把营销话术穿上技术外衣。真正的量化基金不向散户推销稳赚产品。
AI 交易的几个真实应用领域
| 领域 | AI 做什么 |
|---|---|
| 高频做市 | 微秒级订单簿预测 |
| 统计套利 | 跨资产价差回归预测 |
| 信号生成 | 从新闻、财报、社交数据中提取交易信号 |
| 执行算法 | 最小化大单的市场冲击成本 |
| 风险管理 | 实时检测异常仓位、相关性突变 |
重要问题
散户能接触到机构的 AI 模型吗？
不能。机构的核心模型是商业机密。散户能用的是开源工具（Python、scikit-learn、PyTorch）+ 公开数据——但与机构相比数据、算力、人力都不在一个量级。
AI 会让市场更高效还是更脆弱？
两面性。一方面 AI 降低了信息处理成本，让定价更高效；另一方面相似模型的"羊群效应"在极端市况下可能加剧波动。详见 SEC 关于市场结构的研究。
AI 交易要学多久才能上手？
入门（理解原理）几周；做出能用的模型至少几个月；做出能稳定盈利的模型——大部分人永远做不到。目标设定要现实。
答题
Q1. 算法交易、量化交易、AI 交易的关系是？
A. 完全相同 B. AI 交易 ⊂ 量化交易 ⊂ 算法交易
C. 互不相关 D. AI 取代其他两者
Q2. AI 在交易里最被夸大的能力是？
A. 模式识别 B. 因果推断与极端事件预测
C. 高维特征整合 D. 24/7 运行
Q3. 关于"承诺稳赚"的 AI 交易服务，下列哪项最准确？
A. 多数是真的 B. 真正的量化基金不向散户推销稳赚产品
C. 监管认可 D. 适合所有新手
参考答案
Q1: B Q2: B Q3: B
延伸阅读：Wikipedia: Algorithmic Trading · Wikipedia: Machine Learning · Investopedia: Quantitative Trading Strategies
本内容仅用于教育目的，不构成投资建议。AI 交易涉及统计与系统风险，过往业绩不代表未来表现。
拿一份下单前检查表。
我们正在把这些指南做成可搜索的检查工具：查术语、看规则、算风险，先看懂再交易。