AI交易的信号正在消失，量化投资还好使吗？

核心摘要

• 量化交易的对手盘正在从“人”变成“AI”，信号衰减不是你的模型废了，而是整个牌局的规则变了——过去赚的是信息不对称的钱，现在赚的是模型迭代速度和算力效率的钱。
• 很多机构一上来就砸钱搞“全能量化系统”，结果是：模型跑通、实盘废掉。能做出来 ≠ 能用起来 ≠ 有人持续用，这条规律在量化领域尤其残酷。
• 交易信号消失的本质不是市场没机会了，而是传统因子已经被挖掘殆尽，同质化严重到你一群人都在拿同样的尺子量同一个坑，怎么可能量出超额收益。
• 现在真正能用的路只有两条：要么往“另类数据+小模型”的深水区走，要么老老实实把AI当成决策辅助工具，而不是替你按按钮的交易机器。

一、信号消失了？其实是你的对手变了

最近半年，找我聊AI量化的客户明显多了起来，有自己做策略的个人交易者，也有管着几千万资金的私募团队。他们问的问题出奇一致：“何老师，之前跑得挺稳的模型，最近半年信号越来越少，是不是AI交易把市场吃透了？”

这不是焦虑，这是事实。但原因不是AI把市场吃透了，而是你的对手盘已经换了。

过去十年，量化赚的是什么钱？很大程度上是“反应速度”和“规则套利”的钱。你用Python写个动量策略，对手盘是看着K线手动下单的散户，你当然赢面大。但据麦肯锡《2025全球AI应用现状调研》，约88%的金融机构至少在某个职能常态化使用了AI。现在你的对手盘是另一个比你更轻量、迭代更快、算力更便宜的AI模型——你两个都看同样的公开数据、用同一套因子库、甚至跑在同样的云服务器上，信号凭什么不衰减？

我去年帮一家做CTA策略的团队做项目复盘时发现，他们回测夏普一度做到2.3，实盘跑了四个月直接腰斩。拆开一看，底层的量价因子和市面上三家知名量化私募的重合度超过60%。这就是典型的“同质化塌缩”——大家都在同一个维度卷，卷到最后谁也赚不到钱。

（示例）比如常见的一类场景：团队花三个月搞了套LSTM预测股价涨跌，回测年化看着有25%，一上实盘三个月亏了8%。不是模型错了，是实盘时市场上已经有上百个类似模型在跑了，开平仓的时点互相踩踏，信号自然就磨没了。

二、别把AI当“水晶球”，它只是一把更快的铲子

很多老板对AI量化的理解有个致命的误区：觉得我喂一堆历史数据进去，AI就能自动找出“圣杯策略”，然后躺着收钱。这是把AI当水晶球了。

我在做50多款产品、服务十多个行业客户的过程中，反复撞过一个现实：AI能加速你的验证闭环，但替代不了你对市场的底层理解。

量化交易里，AI真正能帮上忙的地方是这三件事： ① 另类数据的处理能力：比如卫星图像、供应链关系图谱、NLP解析财报电话会中的管理层语气——这些东西传统量化很难结构化的，但现在用大语言模型加小规模微调就能做成有效的特征输入。 ② 因子挖掘的加速器：可以用遗传算法或强化学习在海量候选因子中快速筛选组合，但这需要你事先框定一个符合逻辑的因子空间，而不是无脑丢进去暴力搜索——后者大概率找出的是过拟合的噪音模式。 ③ 执行层面的效率提升：订单拆分、滑点控制、实时风控，这些其实比预测涨跌更实在，也更能落袋为安。

但这里有个巨大的坑，我和不同行业的客户趟过太多次了：很多人以为把AI模型搭出来就万事大吉，实际上“部署上线”和“持续产生价值”之间隔着一条鸿沟。 模型的衰减速度、数据漂移的监测、因子有效性的半衰期管理，这些工程化的事比建模本身更磨人。

据Gartner在2025年的一项判断，至少30%的生成式AI项目会在概念验证后被放弃，主因之一就是数据质量差、业务价值不清。放在量化领域，这个问题只多不少——你的行情数据是隔夜更新的、还是实时流式？你的标注数据有没有生存偏差？这些细节决定了模型是印钞机还是碎钞机。

三、两条能走的路：走深水区，或者做辅助

既然传统量价因子的红利快吃完了，还想靠AI在交易里讨生活，就两条路。

第一条路：往“另类数据+小模型”的深水区走。

这条路适合有资源、有特定行业认知的团队。比如你做农产品期货，能不能搞到物流车的实时轨迹数据、主要产区的地温监测数据？这些数据大厂看不上，散户拿不到，你只要能形成一个有信息优势的闭环加工管道，就还有超额收益的空间。

重点说一个要点：别搞大模型，用小模型。 大语言模型在时序预测上没有任何优势，反而是轻量级的Transformer变体、梯度 boosting树、甚至传统的统计模型加上AI增强的特征工程，实盘更稳、延迟更低、过拟合风险也更可控。我见过太多人砸钱训大模型做股价预测，最后都是回测漂亮、实盘翻车。

第二条路：把AI当成决策辅助，而不是交易机器。

这条路我觉得适合70%以上想做AI量化的个人和中小团队。说实话，完全让AI自主下单、五分钟跑几百笔的“数字员工”，在合规和实盘稳定性上还有大量坑要趟。据IDC 2026年一季度的数据，中国AI知识库相关软件市场同比涨了37%，这说明大家更愿意先从“帮人更快更好地做决策”切入，而不是一步到位搞全自动。

（示例）一个实际的用法：用大模型实时解读公告、研报、舆情，生成每日的交易简报和风险提示，但最终按不按下单键，还是人说了算。这样你用到了AI处理非结构化信息的能力，又避免了黑盒决策在极端行情下爆雷的风险。

五、避坑清单：量化AI落地的常见死法

下面这份清单，是我从自己踩过的坑、以及帮客户复盘时反复看到的模式里提炼出来的。对号入座一下，撞上两三条的，你大概率需要先停下来想清楚再动手。

这些坑里，回测过拟合和忽视交易成本是最高发的两种。我服务过的量化团队里，几乎每一个在早期都在这两点上交过学费——你现在可能还没感觉，等实盘亏了再回头看，就会知道我今天说的是什么。

六、FAQ

Q1. 我的量化模型最近半年胜率从 55% 掉到 48%，是不是该直接推倒重来？

不一定。先做三件事： ① 做因子归因：看胜率下降是市场风格切换导致的（比如动量因子集体失效），还是你自己的模型信号分布变了； ② 检查数据源：是不是行情接口升级、或者上游数据提供商改了数据清洗逻辑，导致输入实质上漂移了； ③ 拉一下最大回撤区间，和中国 A 股市场主要指数的同期表现对照，如果是全市场缩量博弈期间，胜率下降是普遍现象，不一定是模型废了。

Q2. 现在搞AI量化，是不是不砸几百万买算力就没戏？

完全不是。算力贵的场景是大模型训练和高频交易。对于大多数中小策略，一张消费级显卡甚至云GPU按量付费就够了。我在一线观察到，很多稳定盈利的AI策略跑在成本不到2000元/月的云服务器上。关键在于因子质量和数据清洗深度，而不是参数量有多大。

Q3. 大语言模型直接预测股价涨跌，这个方向靠谱吗？

现阶段我持保留态度，至少我看到实盘验证走通的很少。语言模型的核心能力是语义理解和生成，而股价预测是典型的时序数值预测问题，两个的底层结构不匹配。与其让它直接预测，不如让它处理财报、公告、新闻里的非结构化文本，输出结构化的情绪评分或者事件标签，作为一个新因子喂进你已有的量化模型中——这条链路是目前更务实、我也在多个项目中验证过可跑通的。

七、结尾

AI量化这个赛道，远没到“出清”的地步，但确实到了拼硬功夫的阶段。靠几个公开因子搭积木、躺着吃夏普的日子过去了，现在能留下来的，要么有独特的数据壁垒，要么在工程化和衰减管理上做得比别人更细更狠。

如果你正在考虑上AI交易系统，又怕砸了钱最后做成“没人用的摆设”，不妨找一个自己踩过坑、也帮不同行业客户避过坑的人，先陪你想清楚两件事：① 你的信息优势到底在哪，② 这个模型上线后，如何判断它是正常衰减还是彻底失效。 这些坑你大概率也会遇到，提前避开比事后拿着亏损单复盘，省下的不光是钱，更是信心和团队耐心。

关于作者

15 年互联网老兵 · 懂技术懂运营懂自媒体 · 以前写代码，现在主力用 AI 开发产品，五十多个 AI 产品全部在线 · 帮珠三角十几个行业落过地。独立操盘 50+ AI 产品，横跨自媒体、电商、线上团购平台、金融股票、数据分析、知识付费、教育、口腔医疗、智能制造等十多个行业。提供企业 AI 落地咨询、项目陪跑、定制开发与 AI 实战训练营。作品与落地案例可在图灵科技官网作品页点开验货：https://wuhuaturing.com/works.html 。以上为一线实操复盘，欢迎交流。