当人人都有强 AI，量化交易还怎么赚钱？
量化方法的普及与超额收益的竞争
假如每个人都能请到一个几乎免费的 AI：财报看得快，新闻读得准，还能写代码、找规律、测试交易策略，股市里还有谁能比别人多赚一点？
这个问题，比“AI 能不能炒股”更值得想。
量化作为一种方法，可能越来越普遍；靠它获得超额收益，却可能越来越难。 工具的普及和利润的增长，不是一回事。
会做分析，不等于拥有优势
量化交易并不神秘。它是把判断变成明确规则，再用数据检验：哪些条件下参与，承担多少风险，什么时候退出。
AI 可以降低这件事的门槛。过去需要查资料、整理表格、反复写代码的工作，现在更容易完成。更多人能认真研究，也更容易复制别人已经公开的方法。
问题恰好出在“更多人”上。
如果一条公开消息意味着某只股票被低估，而大量投资者都能迅速看懂，他们就可能提前买入，把价格推高。你读懂了消息，却未必还能按原来的便宜价格成交。
判断可以依然正确，剩下的利润却已经变少。
McLean 和 Pontiff 在 2016 年发表的一项研究，考察了 97 个已公开发表的股票收益预测变量。相关组合发表后的平均收益，比原研究样本中的收益低了约 58%。研究支持这样一种解释：方法传播后，交易竞争会侵蚀原有优势。研究原文
这不是 AI 造成的衰减，也不是所有策略未来都要打同一个折扣。它提示的是：一个规律被发现，并不意味着它在被广泛使用后，还能带来同样的收益。
人人看法相同，仓位也会相同吗？
有人进一步推想：如果人人用同样强的 AI，对公司的估值就会一致，股市是不是连交易都没了？
这里跳过了几步。读到同一条消息，对未来形成同样的判断，愿意付出同样的价格，最后买入同样多的股票，是四件不同的事。
想象两名投资者。他们对一家公司的前景判断完全一样，但一个下个月需要用钱，另一个可以持有多年；一个已经持有很多同类股票，另一个几乎没有。即使都足够理性，两人的仓位也可能不同。
同一个 AI 可以帮助他们理解信息，却不会让他们拥有相同的资金期限、风险承受力和现有持仓。
不过，这个例子也不能反过来证明“只要大家仓位不同，我就有钱赚”。另一方可能只是需要现金，或者需要分散风险。他愿意成交，不代表他判断错了，更不代表你能从这笔交易里稳定获利。
同样，信息被更充分地理解，也不要求所有公司拥有相同的市盈率。增长前景和经营风险不同，价格本来就可以不同。更值得关注的是：价格差异里，还有多少尚未被竞争消化、又能实际兑现的收益。
股价还会波动，为什么未必能赚到超额收益？
再强的分析能力，也不自动等于提前知道未来。
AI 可以估计新药研发成功的概率，却未必知道哪一次试验最终成功；可以分析需求，却未必提前知道明年的每一笔订单。未来的新信息仍会出现，价格也仍会变化。
一个更快消化信息的市场，甚至可能在消息到来时迅速跳到新的价格。
对投资者而言，难点在于：消息发生之后，大家都知道价格为什么变了；消息发生之前，自己是否掌握了别人没有的、足以改善决策的信息？
波动说明结果还在变化，不说明这些变化能够被你提前预测并转化成利润。 事后看见一段大涨，和事前拥有可交易的优势，距离很远。
模型猜得准，账户未必赚得多
关于 AI 炒股，最容易引人误解的往往是“准确率”。
Lopez-Lira 和 Tang 的新闻研究发现，大模型能够识别新闻与股票价格反应之间的关系。论文里约 90% 的命中率，指的是组合日层面对新闻初始反应方向的判断，而且作者明确说，这部分初始反应不可交易。它不是“买十只股票，九只赚钱”，也不是实盘胜率。研究原文
他们还发现，新闻之后的短期价格变化具有一定预测性。但这是美国股票的历史研究，能否利用，仍取决于交易时点、费用和执行条件，不能直接换算成个人账户的回报。
这里有一个很朴素的区别：模型回答“可能涨”，交易还要回答“现在买得到吗，买入价格是多少，卖出之后还剩多少”。
一个模型可能抓住很多小幅上涨，却在少数判断错误时损失很大；也可能预测本身不错，但交易太频繁，价差和手续费吃掉了收益。回测里显示的价格，实际下单时也未必能成交。
Jensen 等人在 2026 年的研究，把交易成本直接纳入机器学习与组合选择。他们发现，忽略成本的方法容易依赖转瞬即逝的信号，费用前的表现和费用后的结果可能差得很远。这是带成本模型的历史回测证据，不能当成实盘保证。研究原文
还有一种更隐蔽的问题：用今天的 AI 去分析几年前的新闻，模型可能已经在训练中接触过后来的结果。看起来像提前预测，实际可能混入了事后知识。
因此，可信的量化研究需要检验当时真正可见的信息、可成交的条件，以及规则固定之后的后续表现。模型有多聪明，不能替这些问题作答。
承担风险赚的钱，和选股本事是两回事
谈量化有没有未来，还要说清楚究竟在讨论哪一种收益。
股票投资的收益，可能来自企业成长和分红，也可能包含投资者为承担不确定性所要求的风险补偿。即使 AI 没有带来额外预测优势，这些经济活动和风险分担需求也未必消失。
但风险补偿不是选股本事。
一种方法如果通过更高的杠杆、更多难以卖出的资产，或更大的极端亏损风险取得较高收益，不能只看账户涨得多，就认定模型更优秀。风险补偿本身也会变化，并不保证每段时间都有正收益。
研究中常说的“alpha”，可以理解为：选择合适的比较对象，考虑相应风险，再扣掉交易成本之后，仍然多出来的那部分收益。比较对象选错了，或者漏掉了某种风险，就可能把承担风险的钱，误认为预测能力的钱。
所以，“股市仍可能带来回报”和“普通人凭公共信息、通用模型，仍能持续获得净超额收益”，需要分别讨论。
AI 会让市场更理性，也可能让交易更拥挤
AI 对市场的影响，可能同时朝两个方向发展。
一方面，信息处理更快，遗漏更少，价格可能更及时地反映消息。另一方面，如果很多资金依赖相似的数据和模型，就可能在相近时点作出同向交易，退出时也一起挤向同一个出口。
金融稳定理事会在 2024 年的报告中，将服务商集中、市场关联和模型风险列为 AI 可能放大的脆弱性。这是一份风险评估，不能据此断言 AI 必然引发市场危机。报告原文
拥挤也不是唯一可能的结果。Hansen 和 Lee 在美联储工作论文系列发表的实验研究发现，某些条件下，AI 代理比人类更少追随群体；改变目标和提示条件后，也可能出现羊群行为。这是作者的实验结论，既不是美联储的官方预测，也不是实盘证据。论文介绍
更有效地处理信息，与压力时期更集中的交易，可以同时存在。不能因为 AI 更理性，就忽略拥挤；也不能因为市场可能拥挤，就认定总有机会留给自己。
量化的未来，不一定是量化利润的未来
如果未来人人都能以接近零的成本获得同样及时的信息、同样强的模型，还拥有相近的交易与融资条件，那么依靠这些公共信息、可复制预测获得的净超额收益，确实可能接近零。
这是一种有条件的推演，并不是现实市场已经到达的终点。现实中的数据、资金期限和执行能力仍有差异；只是这些差异能否变成利润，不能靠一句“市场永远有机会”来证明。
更值得认真对待的可能是一个较早发生的变化：市场还没有完全有效，一些人的研究优势却已经小到不足以覆盖成本。量化行业继续存在，并不保证每一条策略、每一种研究方式都值得继续投入。
AI 可以让更多人完成分析，但它无法让所有人同时比所有人更有优势。
往后判断一项量化方法的价值，关键仍然是：它究竟带来了什么新增信息，承担了什么风险，又在真实交易条件下留下了多少收益。
量化作为方法可以越来越常见；能够经受验证的优势，仍然需要逐项证明。
主要来源
- McLean、Pontiff（2016）：Does Academic Research Destroy Stock Return Predictability?。已发表预测变量的历史研究，衰减数字不是 AI 的因果影响。
- Lopez-Lira、Tang（2026 期刊版本）：Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models，另见开放稿。美国股票新闻研究，初始反应命中率不等于可交易胜率。
- Jensen、Kelly、Malamud、Pedersen（2026）：Machine Learning and the Implementable Efficient Frontier。将交易成本纳入学习与组合选择的历史研究。
- 金融稳定理事会（2024）：The Financial Stability Implications of Artificial Intelligence。金融系统潜在风险评估。
- Hansen、Lee（2025）：Financial Stability Implications of Generative AI: Taming the Animal Spirits。作者工作论文与实验研究。
资料检索截至 2026 年 10 月 11 日。本文讨论公开研究与条件情景，不构成投资建议。