量化心得五为什么做量化绝不用黑盒AI 很多人以为自己在用AI写策略，其实是在被AI训练。丢一堆数据给模型，跑出一个看起来很对的参数或因子，然后直接扔进回测。慢慢地，你不再去推导微观结构，不再验证盘口逻辑，甚至不再怀疑这个结果是怎么算出来的。 你的交易直觉没有变强，你的判断力被悄悄外包了。如果你本来对盘口就有经验，反而更容易被误导。因为AI最擅长的，不是绝对正确，是看起来毫无破绽。很容易让你觉得它是对的。 当团队开始依赖黑盒AI，决策路径就发生改变：从“基于理解盘口到得出定价判断”变成了“获取黑盒结果到决定是否相信”。这两者根本不是一回事。 AI并不真的“懂”什么是流动性，什么是风险暴露。它本质上是在海量历史切片里做信息重组，然后生成一个对它来说最符合统计学特征的 Quote。 它不会管你的库存是不是已经严重单边倾斜，也不会看你此刻是不是正暴露在Toxic flow的枪口下。它只会让这笔报价的数学期望看起来成立。 所以你的策略吐出来的，从来不是一个被确认过的最优报价，而是一个最像最优报价的结果。在文字生成里，这叫“AI幻觉”。在实盘里，这叫主动送钱。 很多人实盘崩了，把问题归结于模型遇到了极端行情，产生了“幻觉”，觉得这是个 bug。但“幻觉”本身根本不能简单当成 bug。它是这个黑盒系统的结构性结果，一种特性，而不是例外。 AI不具备判断对错的能力，它只是在已有信息上做延展。就像一个背下了全市场 tick 数据但毫无风控常识的小孩。他能给出一组逻辑完整的定价参数，但他不知道这组参数会不会在下一个毫秒，让你的 P&L 出现断崖式回撤。 问题从来不在于模型“会不会出错”，而在于你是否意识到——它可能是错的。 面对极端的错价风险，你可以选择抱怨模型，我们要更重要的事，建立约束。 你可以用AI去洗海量的脏数据、写底层的解析脚本、生成边缘测试用例。你去引导它、限制它、验证它，让它的能力朝着你的工程目标收敛。 但你绝对不能把定价权和风控的 Kill Switch 交给它。不要把生杀大权交出去，然后在吃满逆向选择、利润被一波带走之后，反过来去责怪AI。