AI 量化是什么？一个分层的定义

一句话

AI 量化 = 用机器学习或大模型，替代或辅助量化研究流程中的「某个具体环节」—— 且该环节的产出「可被验证」。

这句话里有三个限定词，每一个都在挡一类乱象：

限定词	挡掉什么
「某个具体环节」	挡掉「AI 端到端选股」。真实做法永远是环节级的 —— 因子挖掘、信号合成、风控建模、代码生成，没有「一步到位」。
「可被验证」	挡掉不可复现的「AI 选股名单」。如果你不能重新跑一遍得到同样的结果，那不是 AI 量化，是营销。
「机器学习或大模型」	挡掉普通的程序化交易。程序化下单是算法交易 —— 它不会因为自动化就变成 AI 量化。

定义就是这些。下面解释为什么这样写 —— 以及怎么分辨真 AI 量化与只是借这个名字的东西。

---

先分清：有两个「AI 量化」，别混

同一个词，在中文语境里至少指两件毫不相干的事。

	金融的 AI 量化	技术的模型量化
说的是	用机器学习 / 大模型做投资研究与交易	把模型参数从高精度压到低精度（FP32 → INT8）
目的	在数据里找规律，做决策	让模型跑得动、跑得快、省显存
谁在用	量化投研、私募、平台用户	部署工程师、端侧 AI
常见词	因子、回测、Alpha、换手	QAT、PTQ、推理加速、显存

本文只讲第一种 —— 金融投资语境下的 AI 量化。 如果你在找模型压缩，方向完全相反。

这个混乱本身就有信息量：一个词被两种技术共用，说明它还没有人正式定义过。 这正是本文要做的事。

---

这个词被用来指三层不同的东西

搜「AI 量化」，得到的结果描述的不是同一件事。因为一个词盖住了三层。

第一层：机构级 ML 量化

用机器学习做因子挖掘、信号合成、组合优化、风控建模 —— 有完整的投研与合规流程。

• 代表：幻方、九坤这一层。
• 他们怎么自称：几乎不对外说「AI 量化」，而在内部叫量化研究、机器学习因子。
• 关键特征：真做的人几乎不对外用这个词。 他们的 AI 是自用工具，不是对外产品。

第二层：零售 / 开发者平台

平台把大模型包装成助手、副驾、免代码工具，面向散户与开发者。

• 代表：QuantConnect 的 AI Assistance、Composer 的 Create with AI、TradingView 的 AI Chart Copilot、Numerai。
• 这是「AI 量化」这个词被高频使用的地方 —— 因为要营销和做搜索。
• 注意：这一层是真技术与夸大声称混在一起的地带。

第三层：噱头层

「AI 帮你选股」「稳赢大盘」「AI 信号订阅」。

• 技术含量接近于零。
• ⚠️ 在部分市场，这一层已被监管正式定性为骗局的一类。详见下面的「怎么分辨」。

三层的共同规律：真做这些方法的人几乎不用这个词；向你推销的人则用个不停。知道你在跟哪一层打交道，是第一个技能。

---

为什么这个定义重要

没有定义，这个词就会被嗓门最大的人占据。这已经发生了：

• 在部分市场，「AI 量化选股」被监管正式列为非法荐股骗局的一类 —— 包括卖软件并附赠荐股、以及事后篡改回测曲线。
• 有刑事判例：某「DIY 炒股机器人」案，主犯被判 7 年 9 个月、罚金 500 万元。另有以「AI 量化」为名的资金盘跑路，单个受害者损失超 160 万元。

这些都不是「AI 量化是骗术」的证据。它们是真做法和假做法共用一个名字的证据 —— 而这两者的差别，是可以被检查出来的，只要你知道检查什么。

---

怎么分辨真假：三个问题

问这三个。三个都答不上的，不值得你花时间。

一、闭环吗？

是信号 → 回测 → 风控 → 执行端到端，还是止步于「大模型写了一段话，说看起来不错」？

• 真的：大模型的输出进入一条可复现的流水线，结果是你能据此行动的。
• 假的：一段话。一段话不是系统。

二、有前视偏差防护吗？

很多看起来很厉害的大模型回测之所以厉害，是因为模型的训练数据里已经包含了未来。一个经得起推敲的方法会说清它怎么处理：

• 前视偏差
• 幸存者偏差（退市的公司从历史里消失了）
• 交易成本（回测按 0.1% 滑点，实盘枯竭时段给到 3% 时，那条曲线就是虚构的）

如果这三条一条都没提，你看到的数字不是结果。

三、谁承担下行？

有没有共担风险？

• 好信号：提出结论的一方如果错了会有损失（押了钱、公开了方法、有可审计的记录）。
• 坏信号：按订阅卖投资建议、说错却不用负责。一个对卖方没有下行的「信号」，说错是没有代价的 —— 也就是说错的理由。

---

一份可用的规范：六条

这是负责任的 AI 量化该有的样子（简版）。六条里有五条的出处在本站之外 —— 我们的工作是整理它们，不是发明它们。第 1 条由这个词本身的含义得出。

#	规范	为什么
1	AI 量化 ≠ AI 选股。 一个是流程，一个是结论。	没有流程的结论，无法被检查。
2	任何结论必须可复现。 不给数据窗口和参数，就不可信。	篡改回测是有记录的骗局手法。
3	回测必须含前视偏差防护与成本。	否则那是测试的产物，不是市场的结果。
4	不承诺收益。 承诺收益正是骗局的定性依据。	监管定性针对的是行为，不是技术，也不是词。
5	代码算数，模型叙述。 数字由确定性代码产生 —— 大模型负责解释它们。	大模型的算术不可靠；这是工具与玩具的分界线。
6	可信需要下行。 没有代价的结论，也就没有说对的理由。	利益对齐是唯一可靠的筛子。

这六条可以自由使用、引用、批评。 它们的用途是一把公开的尺子。

---

这在实践中意味着什么

真正的变化不是「工具变好了」，而是谁用得上。

时代	你要做什么	谁能用
过去	会 Python、懂量化、写策略、跑回测	会写代码的人
现在	把你要什么说出来	会说话的人

这不是学习曲线变短了。这是两个时代 —— 门槛从来不是「工具不够强」，而是「你得先学会编程」。

所以真正有用的问题，不再是「你会不会写策略」，而是：

「你知道怎么问吗 —— 以及怎么判断答案靠不靠谱吗？」

---

常见问题

「AI 量化」是正经词还是营销词？ 两者都是。它是中性技术词，但被营销重度滥用。正经与否属于实践，不属于词。

我需要学 Python 吗？ 不需要。你需要的是知道怎么描述你要什么，以及怎么检查答案。示例里可能出现代码，但那不是入门条件。

AI 能预测股价吗？ 不能可靠地预测，声称能的都值得怀疑。金融序列含大量噪声，而且任何被广泛知晓的规律都会被套利掉。AI 能做可靠的事是帮你处理、筛选、计算和解释 —— 前提是数据可验证。

这是投资建议吗？ 不是。这里讲的是技术怎么工作、以及怎么评估关于它的说法。不涉及该买什么、该卖什么。