※ 引述《nicefl2001 (@keissendo)》之銘言：
: ※ 引述《nicefl2001 (@keissendo)》之銘言：
: : 透過 AI的深度與機器學習能力，
: : 使其能夠自動適應市場條件，不斷更新、優化交易策略、進行再平衡。
: : AI在投資組合管理方面也展現出卓越的能力，
: : 通過精准地管理和適當地調整投資組合，實現最佳的多元化和風險控制。
: : 目前華爾街許多大型投資機構、對沖基金、法人投行都已經全面導入AI Fintech
: : 演算法程式交易
: 這邊提到的AI演算法量化交易，
: 和大家過去所認知的 "自動化程式交易" 是不一樣的概念
: AI演算法量化交易 (Quantitative and Algorithmic Trading，簡稱 QAT)
: 主要是華爾街如美林、高盛、大小摩等那幫大型機構投行
: 以及中大型像黑石、橋水、文藝復興等對沖基金所使用
: AI QAT演算法量化交易，依賴於複雜的數學或統計學模型，
: 結合類似 Bloomberg Terminal 的雲端大數據來進行大資料分析。
: 其核心在於通過模型去挖掘歷史資料中的規律，並基於這些規律做出投資決策。
: 透過Machine/Deep Learning使得QAT具有更強的資料處理能力和策略優化空間。
: 能隨市場變化進行投資組合調整與再平衡
: 另一種一般人以為的"AI"則是傳統的自動化程式交易
: 使用類似 Multichart/TradeStation/MT5這類下單交易軟體
: 來按照使用者寫好的策略進行自動下單交易
: 不同於 AI QAT 能夠通過機器學習等技術自我優化策略，
: 可以不斷地從歷史資料中學習並調整策略，
: 以提高交易的盈利性和風險控制能力。
: 而傳統程式交易的策略優化與調整
: 則需要使用者手動進行，
: 軟體本身不具備自我學習和調整的能力。
真的不用神話華爾街的中大型機構，他們的績效明明白白的就是那樣，
純粹的量化交易公司通常還是比較強的，但多數的量化交易公司都還在成長的道路上，
小公司佔了大多數。
量化交易的數學模型也不見得複雜，愈是高頻的交易策略愈是簡單，
也更加穩定，但低延遲的軍備競賽卻在不斷拉高成本，
造成的結果是，高頻交易不是穩賺不賠的。
而到了低頻交易，交易策略的開發成本會變高，交易策略的穩定性會變低，
也不是機器就一定比人類強。
總之事情不是那麽簡單的，不然量化交易發展了快要半個世紀，
散戶的世界末日早就來到了。
真正改變格局的，還是算力成本的下降，AI 的優勢也才逐漸增強，
不斷加速交易策略的迭代，不過也還沒有做到隨著市場變化而自動調整，
交易策略的開發，到現在還是主要靠人工，AI 只是輔助，
完全依賴 AI 自我優化策略的全自動化交易，仍然是科幻而不是現實。
這跟全自動駕駛的困境是類似的，或者說所有全自動 AI 代理系統都有同樣問題，
面對未知的情境，我們沒有辦法確信 AI 可以做得比人類還好。
而交易市場比許多其他應用更困難，它是複雜適應系統，或者說是混沌系統，
道路不太會變動，但虧錢的交易策略一定會消失。AI 解決不了三體問題，
AI 也不會是交易市場的必然贏家。
所以現在的問題其實不是 AI, 而是算力成本的下降太快了，
HPC 的衝擊大於 AI 的發展，哪怕只用傳統的市場微結構分析，
算力夠強都可以把低頻策略搞成高頻策略，不用 AI 算法就能獲得優勢，
只是我們現在都混成一談，什麼都說是 AI。
我認為最可能的劇本是，量化交易公司遲早會衝擊傳統的華爾街機構，
甚至讓華爾街改朝換代，而不是華爾街機構用量化交易打敗所有其他人，
傳統金融和量化交易是兩回事，看看現在最聰明的人做金融是去哪些地方就知道了，
從一開始的文藝復興，到現在百花齊放的各個量化交易公司，
這幾年在台灣唸 CS 的畢業首選，甚至已經不是豬屎屋而是 Quant。
而散戶一樣可以依賴價值投資而長期獲利，但傳統的技術分析，
和沒有高算力的程式交易，哪怕用上再先進的 AI 模型，
收益很可能都會逐步遞減，市場波動的多數獲利，最終都由量化交易公司拿走，
然後這些量化交易公司再拚命內卷。