跳到主要內容
AI 會取代你的投資判斷嗎？讀完量化投資六十年歷史後，我的結論可能讓你不舒服。

AI 會取代你的投資判斷嗎？讀完量化投資六十年歷史後，我的結論可能讓你不舒服。

你打開券商 APP，發現又多了一個「AI 智能選股」的按鈕。

你的 LINE 群組每天有人貼 AI 推薦的標的。投資論壇隔幾天就有人問「AI 選股到底有沒有用」。有個網友的回答讓我笑了很久：「大家都用 AI，誰輸錢？」

這個問題比你以為的深。

因為它的答案藏在六十年前一個數學教授的輪盤賭實驗裡、一個對沖基金的 世紀爆倉裡、和一間你買不到股票的公司年均 66% 的回報紀錄裡。我讀了五本書和一堆 2026 年的 AI 交易數據，試著回答這個問題。結論可能讓你不舒服。

先說結論：AI 確實能打敗市場。但歷史上唯一持續做到的案例，恰好證明了你不可能複製它。

從輪盤賭到華爾街：第一個用數學打敗市場的人

1961 年，MIT 數學教授 Edward Thorp 帶著一台穿戴式電腦走進拉斯維加斯的賭場。這台機器能即時計算輪盤球的落點機率，讓 Thorp 在賭桌上穩定獲利。賭場很快禁了他。

Thorp 沒有生氣。他把同樣的邏輯搬到華爾街。

他的想法很簡單：如果我能用數學在賭場找到定價錯誤，那市場裡一定也有。他開發了對沖策略，他的基金 Princeton Newport Partners 年化報酬率大約 20%，維持了將近二十年。

Thorp 是量化投資的起點。他證明了一件事：市場不是完全有效率的，數學能找到裂縫。

但他同時做了另一件事：他親眼見證了這個信念的致命後果。

諾貝爾獎得主的 44% 暴跌

1998 年，一家叫 Long-Term Capital Management（LTCM）的對沖基金差點摧毀全球金融體系。

LTCM 的創辦團隊包括兩位諾貝爾經濟學獎得主。他們用的是跟 Thorp 相同的核心邏輯：用數學模型找到市場定價錯誤，然後下注價格會回歸正常。

模型說，每一百個交易日裡最多只有一天會虧超過 1.16 億美元。至於整個基金倒閉？那是「十個標準差事件」，機率趨近於零。

1998 年 8 月 21 日，俄羅斯債務違約。LTCM 一天虧了 5.5 億美元，佔資本的 15%。到月底，虧損達 19 億美元（44%）。最後需要聯準會出面協調十四家銀行的救援，才避免了系統性崩盤。

模型哪裡錯了？

它假設市場參與者是獨立的。但當恐慌蔓延時，所有持有類似部位的基金同時被迫清算，彼此的賣壓加速了彼此的崩潰。Renaissance Technologies 的數學家 Nick Patterson 後來說了一句話，我認為是理解量化投資最重要的一句話：

「LTCM 的根本錯誤是相信模型反映真理。我們從不相信模型反映現實——只是現實的某些面向。」

記住這句話。它會在後面變得更重要。

年均 66%：唯一打敗市場的人為什麼不能被複製

Jim Simons 在 1988 年創立了 Medallion Fund。從 1988 年到 2018 年的三十年間，這支基金的平均年化回報率大約 66%（扣除管理費和績效費前）。沒有任何基金、任何策略、在任何可比的時間跨度裡接近這個數字。

你第一個反應可能是：「那我能不能複製他的方法？」

不能。而且你不能的原因本身就是最有價值的判斷。

Simons 做的事情跟 LTCM 表面上看起來很像，都是用數學模型在市場裡找機會。但有幾件事讓 Renaissance 完全不可複製：

他不請金融人。 Renaissance 的員工是數學家、物理學家、天文學家、語音辨識工程師。Peter Brown 和 Robert Mercer 從 IBM 的語音辨識部門加入，他們把市場資料當成「需要被翻譯的語言」，不是用經濟理論解釋市場，而是讓機器自己從數據裡找 pattern。

他們故意交易「講不通」的訊號。 大部分量化基金（像 D.E. Shaw）會要求交易訊號必須有「直覺上合理的經濟解釋」。Renaissance 反過來。Mercer 說過：「我們最賺錢的訊號毫無道理⋯⋯如果有道理，別人早就找到了。」競爭對手不敢碰的訊號，就是 Renaissance 的印鈔機。

他們有一個叫「魔鬼」的指標。 理論上賺錢的交易，在執行的瞬間會因為你的買入推高價格而減少利潤，這叫 slippage。Renaissance 建了極精密的模型來衡量和減少這個成本，他們叫它「The Devil」。光是這套執行系統就比大多數基金的整個交易模型複雜。

容量上限是硬天花板。 正因為 The Devil 的存在，Medallion Fund 的資金規模被限制在大約 50 億美元。再多，他們自己的交易量就會摧毀自己的策略。Simons 不斷把錢退還給投資人。這是華爾街史上唯一一家主動把客戶的錢趕走的基金。

離職代價是終身的。 員工被綁在 East Setauket（長島一個偏僻的小鎮），簽終身保密和競業禁止協議，離職後獎金要鎖定數年。這不是矽谷那種兩年一跳的文化。Renaissance 的知識留在 Renaissance。

讀完 Gregory Zuckerman 的書，我對一個數字印象最深：Medallion 只有勉強超過 50% 的交易是賺錢的。 連他們都只有 barely 過半的勝率。他們的優勢不是預測能力，是在數百萬次微小的勝率優勢上穩定執行。

所以呢？跟你有什麼關係？

如果你看到「AI 投資回報 376%」的新聞然後想跟進，你需要知道一件事：歷史上每一個試圖複製量化優勢的散戶，都成了提供免費利潤的對手方。Thorp 說得更直白：「高頻交易的電腦不斷從市場中抽取利潤，方法是插在買家和賣家之間。我們交易得越多，作為一個群體就輸給電腦越多。」

你信系統，還是信自己？

2007 年 8 月，全球量化基金同時崩盤。歷史上稱為「Quant Quake」。

起因跟 LTCM 類似：太多量化基金用了太相似的模型。當某些基金因為次貸危機被迫平倉，它們的賣壓觸發了其他量化基金的風控，引發連鎖清算。

Medallion 在一週內虧了超過 10 億美元，跌了 20%。Renaissance 的另一支較大的基金 RIEF 暴跌將近 30 億美元。Morgan Stanley 的量化部門兩天虧了 6 億。Goldman Sachs 被迫緊急注資 30 億美元拯救自己的量化基金。

在 Renaissance 內部，一場你在任何教科書裡都找不到的辯論爆發了。

Peter Brown 和 Robert Mercer，Renaissance 的兩位共同 CEO，堅持不應該人為干預。他們的邏輯很硬：「你信系統，還是不信？」一位研究員甚至說：「如果模型在虧錢時你就不聽它的，那你一開始幹嘛建模型？」

Jim Simons 做了相反的決定。他手動覆蓋了算法，強制減倉、增加現金部位。他的理由只有一句：「我們的工作是活下來⋯⋯如果判斷錯了，以後再加回來就好。」

事後證明 Simons 是對的。Medallion 在那年底回到正報酬。

這個故事讓我想了很久。因為它打破了兩個對立的幻覺：

論壇上有人說「AI 不會騙人」。也有人說「試過，沒用」。兩種說法都錯在同一個地方：它們都假設 AI 投資是一個 0 或 1 的選擇。但 Renaissance 的歷史告訴你：連最成功的量化團隊，也需要在系統和人類判斷之間切換。問題不是「要不要用 AI」，而是「什麼時候聽 AI，什麼時候覆蓋它」。

而這個「什麼時候」，沒有任何算法能告訴你。

人類棋子與機器棋子對弈

預測和判斷是兩件不同的事

Ajay Agrawal 在 Power and Prediction 裡提出了一個框架，是我認為理解 AI 投資最有用的思考工具：

AI 是預測機器。判斷需要人。

預測是「可能性的計算」，這支股票明天漲的機率是 62%。判斷是「行動代價的評估」，考慮到我的風險承受度、已有部位、人生階段，我該不該加碼。

AI 能做第一件事。第二件事必須你來。

聽起來很抽象？舉一個 Agrawal 書裡的例子。創投在決定要不要投一家不符合他們通常投資標準的新創公司時，AI 可以提供「這家公司成功的機率」這個預測。但 AI 無法告訴你「考慮到你基金的存續期限、LP 的期待、你已有的投資組合、以及你的職涯風險，這個不確定的報酬是否值得追」。那是判斷。

現在把場景換成你：你用 AI 分析了一支股票，它告訴你「根據歷史數據和目前基本面，這支股票被低估 15%」。你要決定的是：15% 的潛在報酬，考慮到你可能判斷錯誤的機率、你的生活費需求、你能不能承受短期 30% 的下跌，值不值得？

AI 沒辦法替你做這個決定。因為它不知道你昨晚因為房貸利率漲了 0.3% 而失眠。

但問題比這更深。

我在寫 AI 學習曲線那篇時引用過一個數據：Ethan Mollick 在 Co-Intelligence 裡記錄的 BCG 實驗發現，當菁英顧問使用 AI 輔助做判斷時，正確率從 84% 降到了 60%。不是 AI 不準，是 AI 讓人以為不需要自己判斷了。

投資社群裡有人用更生動的方式描述了同一件事：「AI 會順著你的問題回答你喜歡的答案。」

這是確認偏誤的放大器。你帶著既有的判斷去問 AI，AI 給你一個看起來有根據的答案，你更確信自己是對的。但這個「有根據」的感覺是假的。AI 不是在驗證你的判斷，它只是在你的框架內找到了最像答案的東西。

Agrawal 的框架解釋了為什麼：AI 降低了預測的成本，但提高了判斷的價值。 當預測變便宜，每個人都能拿到差不多品質的預測時，真正的優勢來自你用這些預測做什麼決定。你的判斷力不是被取代了，它變得更重要了。

量化墳場：每一代的「這次不一樣」

在你覺得「我用 AI 只是參考，不會完全聽它的」之前，讓我告訴你幾個數字。

Amaranth Advisors（2006）： 交易員 Brian Hunter 的風控模型說，他最大月虧損不會超過 3 億美元。他持有的天然氣期貨部位佔了整個交易所 70% 的十一月合約和 60% 的一月合約。當價格反轉，根本沒有對手方願意接單。一天虧 5.6 億，最後整個基金 60 億美元蒸發。

Citadel（2008）： Ken Griffin 的量化策略嚴重依賴放空對沖。SEC 暫時禁止放空後，他的數學對沖瞬間失效。兩支旗艦基金暴跌 55%，蒸發 90 億美元。

1987 股災： 電腦化的「投資組合保險」策略在股價下跌時自動賣出期貨，形成致命的正反饋迴路。根據標準鐘形曲線模型，那天的跌幅發生的機率是 10 的 160 次方分之一。這個數字大到什麼程度？宇宙才存在大約 120 億年。你需要幾十億個十億年，才會統計上「期待」發生一次。

有人在論壇說「拿歷史資料訓練本質上還是看後照鏡開車」。這句話比大多數學術論文對量化交易的批評都精準。因為模型做的就是：假設未來長得像過去。當這個假設崩潰時——而它每十年左右就會崩潰一次——後照鏡裡看到的路跟你前面的完全不同。

每一代都有新的技術承諾「這次不一樣」。1980 年代是投資組合保險。1990 年代是 LTCM 的套利模型。2000 年代是量化因子投資。2020 年代是 AI 選股。

另一位網友總結了這整段歷史，只用了七個字：「風口上豬都會飛。」

2026 年的 AI 交易員：376% 的背後

但也許你會說：2026 年的 AI 跟以前不一樣。現在有 LLM、有 AI agent、有自主交易系統。

確實不一樣。讓我告訴你不一樣在哪。

CoinDesk 2026 年 3 月的報導指出，在 Polymarket 預測市場上，一個叫 Polystrat 的 AI agent 在一個月內執行了超過 4,200 筆交易，單筆最高回報 376%。Valory 的 CEO David Minarsch 說，37% 的 AI agent 實現了正報酬，而人類交易者只有 7% 到 13%。

看起來很厲害？

讓我告訴你報導裡另一句話——通常被跳過的那句：「直接用現成 LLM 模型去預測市場，結果跟丟硬幣差不多。」

376% 的 AI agent 不是「買一個 APP 按一下」就能用的東西。它是經過專門訓練、用結構化資料餵養、在特定市場環境下運作的系統。它跟你在券商 APP 裡看到的「AI 智能選股」的距離，大概跟 SpaceX 的火箭和你家後院的沖天炮差不多。

而且別忘了那 63% 虧錢的 AI agent。（順帶一提，這些數據來自 Valory 自己，也就是 Polystrat 的開發商。開發商報自己產品的績效，你自己判斷公信力。）

同時，機構端的故事更清醒。2026 年超過七成的對沖基金正在部署 AI agent，但不是用來「選股」，而是用來做文件閱讀、風險監控、催化劑追蹤這些「預測」工作。真正的投資判斷，仍然是人在做。

最聰明的判斷，也許是判斷自己不該判斷

讀完這些來源後，我發現了一件讓我很不舒服的事。

Thorp、Fox、Mallaby，三個花了數年研究量化投資歷史的作者，結論驚人地一致：普通投資人的最佳策略是買低成本指數基金。

Justin Fox 在 The Myth of the Rational Market 裡說：「唯一合理的起點是假設市場比你聰明。」

Thorp——那個說效率市場假說信徒是「地平說成員」的人——給散戶的建議竟然是：把主動投資的部位換成年費低於 0.2% 的大盤指數基金。

Mallaby 在研究了整本對沖基金歷史後的結論：「對一般儲蓄者來說，便宜追蹤指數的共同基金仍然是最佳選擇。」

等一下。如果 AI 讓預測能力提升、判斷更重要了，為什麼最佳策略是放棄判斷？

因為判斷的價值上升是「對有能力判斷的人」。如果你不能投入 Simons 級別的資源——幾百位 PhD、三十年的乾淨數據、十億美元的基礎設施——來建立判斷框架，那最聰明的判斷恰好是：判斷自己不該判斷。

Thorp 用一個概念說得更清楚：Circle of Competence（能力圈）。 只在你確定自己有資訊優勢的極窄領域做判斷。對其他一切——也就是你投資組合的大部分——承認市場比你聰明，買指數。

我之前寫指數化投資那篇時已經到了類似的結論。但 AI 時代讓這個結論更激進了：散戶主動投資的預期回報比以前更低，因為你的對手變強了。 你不只是在跟其他散戶競爭，你在跟有 AI 加持的機構投資人競爭。有人在論壇的直覺又是對的：「散戶乖乖買 ETF 的時代到了。」

三個判斷，一個你現在就能做的決定

所以 AI 會取代你的投資判斷嗎？

我自己的答案是這樣的：券商 APP 上的「AI 智能選股」按鈕，我點進去看過，然後退出來了。不是因為技術不好，是因為我不相信券商會做一個真的幫我賺錢的功能。這跟十年前銀行理專推儲蓄型保險和新興國家基金是同一件事——包裝得很漂亮，但賺錢的是賣你產品的人。我寧可自己花時間讀來源、累積判斷，也不要把這件事外包給一個有利益衝突的按鈕。

讀完五本書和一堆 2026 年的 AI 交易數據，我的三個判斷：

一、AI 能打敗市場，但你不能因此打敗市場。 Renaissance 是唯一持續做到的案例。它的成功來自不可複製的條件——不是算法本身，是三十年的數據、執行系統、文化、和人才鎖定。看到 AI 投資的成功案例就想跟進，在歷史上從來沒有好下場。

二、AI 沒有取代判斷，它讓判斷更重要了。 當預測變便宜，差異化來自你用預測做什麼決定。但大多數人的反應是反過來的，他們用 AI 來逃避判斷。如果你用 AI 選股只是為了讓自己「感覺有做研究」，你不是在投資，你是在買安慰劑。

三、在 AI 時代，最聰明的投資判斷可能是承認自己不需要判斷。 定期定額買全球指數（VT 或 VWRA），讓市場替你做判斷，把省下來的時間拿去做你真正有能力圈的事。這不是放棄——這是讀完六十年量化歷史後最理性的結論。

有人在論壇早就知道了：「機器人理財有用大家都不用工作了。」

你現在就能做一件事：打開你的券商帳戶，算一下你的主動投資部位佔多少比例。然後問自己，對每一個部位，「我有什麼是機構和 AI 沒有的資訊優勢？」

如果答不出來，你知道該怎麼做。

你的投資群組裡一定有人在推薦 AI 選股工具。把這篇丟進去，然後看看有多少人能說出自己的「能力圈」在哪。

本文讀了這些來源：

書：

文章：

Podcast：

聲明： 以上內容為個人閱讀量化投資歷史與 AI 交易文獻後的整理與觀點分享，不構成證券投資建議，作者未持有相關證券分析師或投資顧問執照。文中提及的基金績效、歷史案例和交易數據僅供說明量化投資的歷史脈絡，不應作為買賣任何證券的依據。任何投資決定請自行評估風險，並在必要時諮詢持牌的投資顧問。

你可能也想讀：

新文章上線時通知你

有新主題才通知，僅此而已。