“AI 交易”不是量化交易的升级皮肤
很多内容会把 AI 交易说成“新一代量化交易”。这句话一半对，一半危险。对的地方是：AI 的确可以成为量化系统的一部分；危险的地方是：它容易让人以为只要模型更聪明，就不需要规则、回测和风控。
传统量化交易的核心是把交易想法写成明确规则，再用历史数据验证。比如均线突破、统计套利、因子选股、做市、风险平价。它强调可复现、可解释、可统计检验。
AI 交易更偏向让模型从数据里学习模式，尤其擅长处理新闻、财报、社交媒体、研报、电话会文字稿这类非结构化数据。比如 FinGPT 这类金融大模型项目，重点就在金融文本、情绪分析、资讯处理和领域适配。它不是把量化交易废掉，而是把“信息提取”这一步变强。
一张表分清边界
| 维度 | 量化交易 | AI 交易 |
|---|---|---|
| 起点 | 人写规则 | 模型学习模式 |
| 数据 | 价格、成交量、财务因子 | 新闻、公告、文本、图像、链上数据 |
| 优势 | 可复现、可审计 | 处理复杂信息快 |
| 弱点 | 规则可能僵硬 | 容易幻觉和过拟合 |
| 验证方式 | 回测、样本外、统计检验 | 回测 + 模型评估 + 数据审计 |
| 风控方式 | 确定性规则 | 仍然需要确定性规则 |
注意最后一行：无论是不是 AI，风控都不能交给模型自由发挥。最大仓位、最大回撤、止损、暂停条件、API 权限，这些必须是硬规则。
一个实际例子：FOMC 新闻交易
传统量化做 FOMC，可能会设计一个规则：如果 2 年期美债收益率在声明后 10 分钟上升超过某个阈值，同时纳指跌破开盘区间，则做空股指。
AI 可以做的是另一件事：快速比较本次 FOMC 声明和上次声明的措辞变化，整理鲍威尔记者会重点，提取市场关注词，结合 CME FedWatch 的会前概率，告诉你“市场预期差”在哪里。
真正稳的系统是两者结合：
AI 层：读文本，提取可能的鹰派/鸽派变化
量化层：等待价格和利率市场确认
风控层：限制仓位、滑点、交易时间和事件波动
执行层：只执行已定义的订单规则
这就是区别：AI 负责“理解信息”，量化负责“验证行为”，风控负责“防止爆炸”。
为什么 AI 不能直接替代回测
AI 可以解释策略，但不能替代策略验证。一个模型说“这个逻辑合理”，不代表它在不同年份、不同资产、不同波动 regime 下有效。Stefan Jansen 的 Machine Learning for Trading 项目之所以值得看，是因为它把机器学习交易放回完整流程里：数据、特征、模型、组合、回测、成本、风险、部署。AI 只是链条的一环。
一个严肃的 AI 交易策略，至少要回答：
- 数据是否存在 survivorship bias？
- 信号是否使用未来数据？
- 训练集、验证集、样本外是否分开？
- 是否考虑手续费、滑点和延迟？
- 信号是否在多个市场环境中有效？
- 亏损时是减仓、暂停，还是继续相信模型？
什么时候用量化，什么时候用 AI
如果你的问题是“RSI 低于 30 后第 5 天平均收益是多少”，用量化。
如果你的问题是“这次财报电话会管理层语气是否比上季度更谨慎”，用 AI。
如果你的问题是“看到新闻后立刻买不买”，先用 AI 总结新闻，再用量化和价格确认过滤，最后让风控决定能不能交易。
这也是新手最容易错的地方：拿 AI 去做价格预测，拿量化去解释文本。工具用反了，结果自然难看。
答题
AI 交易和量化交易最大的区别是什么？
参考答案：量化交易先把规则写清楚再验证；AI 交易更擅长从复杂数据中提取信息，但最终仍需要量化验证和确定性风控。
延伸阅读：FinGPT Paper · FinGPT GitHub · Machine Learning for Trading · TradingView Strategies · Federal Reserve FOMC · CME FedWatch
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。