376%。一個叫 Polystrat 的 AI 代理（AI agent）在一個月內做出的單筆最高報酬。
六十年量化投資史上每一代散戶被收割前，都有一個類似的數字。
你的 LINE 群組每天有人貼 AI 推薦的標的。有個網友的回答讓我笑了很久：「大家都用 AI，誰輸錢？」
這個問題讓我掉進一個矛盾裡想了好幾天。三十年連續打敗市場、年均 66% 的 Renaissance Medallion，是人類史上最成功的量化基金。它的創辦人 Jim Simons 給散戶的建議，是買指數基金。
最會用 AI 打敗市場的人，告訴你不要試。這不是謙虛——讀完六十年量化投資史我才看懂，這是他從自己的實戰裡算出來的數學。
1961 年，一個在 MIT 教數學的教授帶著一台穿戴式電腦走進拉斯維加斯的賭場。他叫 Edward Thorp。那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，基金 Princeton Newport Partners 年化報酬率大約 20%，維持了將近二十年。
二十年年均 20%。我讀到這個數字時停下來算了一遍：一個從賭場學會找裂縫的數學家，用同一套邏輯在華爾街複利二十年，能把投資人的錢變成原本的 38 倍。這不是「策略運氣好」的數字。他證明了一件事：市場不是完全有效率的，數學能找到裂縫。
但他同時證明了相反的一件事：他親眼見證了這個信念炸掉整個市場的樣子。
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。整個基金倒閉，是「十個標準差事件」，機率趨近於零。
我把這段讀了兩次。諾貝爾獎得主建的模型告訴你這件事幾乎不可能發生——然後它在四年內發生了。
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。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：
「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。」
讀完這句話我停了兩分鐘。「相信模型反映真理」跟「相信模型反映現實的某些面向」，差一個字，差 19 億美元。這個字後面會一直回來。
模型算得很準。算的東西是錯的。
有個數學家覺得金融市場跟密碼破譯是同一個問題（Jim Simons），他在 1988 年創立了 Medallion Fund。三十年間，這支基金的平均年化回報率大約 66%（扣除費用前）。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。
那我能不能複製他的方法？
Renaissance 的團隊裡沒有一個金融背景的人。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，把市場資料當成需要被翻譯的語言，讓機器自己找出人類看不到的模式。大部分量化基金（像 D.E. Shaw）會要求交易訊號有「直覺上合理的經濟解釋」；Mercer 剛好相反：「我們最賺錢的訊號毫無道理⋯⋯如果有道理，別人早就找到了。」別人不敢碰的訊號就是他們的印鈔機。
每一次下單本身會推高價格、吃掉利潤。這叫滑價（slippage）。他們建了一套極精密的模型來壓縮這個成本，內部叫「The Devil」。這套系統比大多數基金的整個交易模型複雜。正因為 The Devil 的限制，Medallion 的資金規模被鎖死在大約 50 億美元。多一塊錢，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。華爾街從來沒有一家基金主動把客戶的錢趕走。
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，離職後獎金鎖定數年。Renaissance 的知識留在 Renaissance。
三十年的數據、幾百位 PhD、十億美元的基礎設施、終身鎖定的團隊。所有這些加在一起，Gregory Zuckerman 在書裡記了一個數字。
Medallion 只有勉強超過 50% 的交易是賺錢的。
勝率勉強超過丟硬幣。66% 的年化報酬配上 50% 勝率，這個組合我讀了兩次才讀懂。他們能在數百萬次微小的勝率優勢上穩定執行。而你做不到數百萬次。
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。」
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 的兩位共同執行長，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：
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。真正要問的是：什麼時候聽 AI，什麼時候覆蓋它。
什麼時候該聽系統、什麼時候該覆蓋它——這個「什麼時候」，沒有任何模型能教你。
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%。」
然後你要做一個 AI 做不了的事：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 不知道你昨晚因為房貸利率漲了 0.3% 而失眠。
AI 算的是「可能性」，你秤的是「行動的代價」。這兩件事在 Power and Prediction 被 Ajay Agrawal 拉開來講。創投決定要不要投一家新創，AI 能算成功機率，但 AI 算不出「你的基金、你的 LP、你的職涯風險，這筆冒險值不值」。
我在寫 AI 學習曲線那篇時讀到的 BCG 實驗，在這裡又出現了。Co-Intelligence 記錄：菁英顧問使用 AI 輔助做判斷，正確率從 84% 降到 60%。AI 很準。人拿到預測之後，以為自己不用判斷了。
投資社群裡有人用更生動的方式講同一件事：「AI 會順著你的問題回答你喜歡的答案。」
論壇上有人分享用 ChatGPT 做台股分析的心得，一句話講完：「很好用，也很難用。你必須時時提醒它你說過的資訊，不然它會套回錯誤的資訊給你分析。」底下有人回：「主力也知道你的 AI 能算。」
你帶著既有的判斷去問 AI，AI 在你的框架內找到最像答案的東西，你更確信自己是對的。感覺「有根據」，但 AI 只是在放大你的確認偏誤。
這裡有個反直覺的結論：AI 降低了預測的成本，但提高了判斷的價值。 預測變便宜了，每個人都能拿到差不多的預測。差異化來自你用預測做什麼決定。
「我用 AI 只是參考，不會完全聽它的。」這句話聽起來很穩——直到你看這三個故事。
2006 年，Amaranth Advisors 的交易員 Brian Hunter 看著他的風控模型：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。天然氣價格反轉那天，根本沒有對手方願意接單。一天虧 5.6 億。整個基金 60 億美元蒸發。
你可能覺得：一個交易員太貪心，佔了七成合約，活該。
然後是 Ken Griffin 的 Citadel。2008 年，他用的是完全不同的策略，量化對沖，嚴重依賴放空。SEC 突然宣布暫時禁止放空，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。Griffin 沒有貪心，模型也很分散。監管環境一變，整套對沖就不存在了。
再往前推。1987 年股災那天，電腦化的「投資組合保險」策略在股價下跌時自動賣出期貨，賣壓觸發更多賣壓，形成致命的正反饋迴路。那套系統沒有「主動判斷」這件事，就是一段寫死的規則在執行。根據標準鐘形曲線模型，那天跌幅發生的機率是 10 的 160 次方分之一。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。
三個案例，三個不同的策略，三個不同的年代。我把筆記本翻回第一頁，發現一件事：每次的教訓長得都一樣，被炸的人都覺得自己這次不一樣。
有人說「拿歷史資料訓練本質上還是看後照鏡開車」。模型做的就是假設未來長得像過去。這個假設每十年左右就會崩潰一次。後照鏡裡看到的路跟前面的完全不同。
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。」
2020 年代的風口叫 AI。你站在上面的東西，跟他們站的是同一個假設。
但也許你會說：2026 年的 AI 跟以前不一樣。現在有大型語言模型（LLM）、有 AI 代理、有自主交易系統。
確實不一樣。
CoinDesk 2026 年 3 月的報導指出，在 Polymarket 預測市場上，那個叫 Polystrat 的 AI 代理在一個月內執行了超過 4,200 筆交易，單筆最高回報 376%。Valory 的執行長 David Minarsch 說，37% 的 AI 代理實現了正報酬，而人類交易者只有 7% 到 13%。
看起來很厲害。
報導裡通常被跳過的那句：「直接用現成的大型語言模型去預測市場，結果跟丟硬幣差不多。」
376% 的 AI 代理不是「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 代理。（這些數據來自 Polystrat 的開發商 Valory 自己——我看到這點就把這個數字從我的判斷裡拿掉了。開發商報自己產品的績效，跟你問業務員他家的產品好不好沒兩樣。）
機構怎麼用 AI？比散戶想像的保守。2026 年超過七成的對沖基金部署了 AI 代理，但用在文件閱讀、風險監控、催化劑追蹤這些「預測」工作，不是「選股」。真正的投資判斷，還是人在做。
台灣也一樣。金管會數據：機器人理財已有 24 萬客戶、資產規模 161 億元。但有個用戶用了阿爾發投顧兩年半，AI 在 2022 年債券已經瀑布般下滑時還建議投入 40% 到美國綜合債券 ETF。結果連 1% 定存都不如。你把錢鎖在 AI 的建議裡兩年半，績效輸給什麼都不做。模型看的是歷史配置比例，看不到聯準會正在升息。
有一件事跟我的直覺矛盾。
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 是那個說效率市場假說信徒是「地平說成員」的人。他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。
只在你真正有資訊優勢的極窄領域下注，其他一切承認市場比你聰明，買指數。Thorp 給這件事取了個名字：Circle of Competence，能力圈。
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。有人的直覺又是對的：「散戶乖乖買 ETF 的時代到了。」（但如果你決定不買 ETF 而是用槓桿——那篇會告訴你為什麼那更危險。）
AI 會不會取代你的投資判斷，取決於你先回答三個問題。
你有 Renaissance 級別的資源嗎？ 幾百位 PhD、三十年的數據、十億美元的基礎設施、終身鎖定的團隊。有這些，Medallion 的勝率勉強超過 50%。你能拿什麼出來比。
退一步問：你的能力圈在哪？ Thorp 的回答很具體：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，承認市場比你聰明。如果你寫不出你的能力圈，你沒有能力圈。
前兩個都答不出來的話：你用 AI 是在逃避判斷，還是擴大判斷？ 如果你用 AI 選股是為了讓自己「感覺有做研究」，你在買安慰劑。如果你用 AI 分析你已經深入了解的領域，那是判斷的放大器。差別在你能不能回答前兩個問題。
券商 App 上的「AI 智能選股」按鈕，我點進去看過，然後退出來了。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。
我自己的能力圈是讀書和整理，不是選股——所以我把大部分資金交給 ETF，把讀完的書變成這樣的文章。這不是謙虛，是我算過一遍自己能帶什麼到牌桌上。
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。對每一個部位問自己：「我有什麼是機構和 AI 沒有的資訊優勢？」
如果答不出來，定期定額買全球指數（VT 或 VWRA），把省下來的時間拿去做你真正有能力圈的事。六十年量化歷史指向的就是這個方向。
開頭那個讓我笑很久的網友問：「大家都用 AI，誰輸錢？」六十年量化史的答案很清楚：以為自己也能用 AI 打敗市場的人。把這篇丟進你的投資群組，問他們同一個問題。
本文讀了這些來源：
書：
文章：
資料：
Podcast：
這三篇是同一個論證：
三篇的結論是同一件事：「不用想」是把判斷外包給機制，而那個機制你根本不理解。
這篇文章下了三個可驗證的判斷，正在被時間驗證。未來有新事件（AI 基金績效研究、量化基金崩盤、AI-assisted retail 統計）時，這個區段會自動更新結案結果。對的會留下、錯的也會留下。
三條追蹤中 · 最早預期結案：2028-04（AI agent 績效觀察期滿）
Valory vs CoinDesk
LTCM 傳統派 vs Nick Patterson
Ajay Agrawal vs Thorp/Fox/Mallaby
這個區段會由站點 automation 每月自動更新。看所有追蹤
你可能也想讀：
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。