AI 在交易链路的六个位置——辅助与替代的边界

一、问题起点：为什么讨论“边界“先于讨论“模型“

加密市场的高波动、多数据源与快节奏执行，使信息处理成本长期偏高。人工智能进入这一领域后，常被赋予两种互相对立的期待：要么被视为能够替代研究与择时的“智能交易员“，要么被贬低为与实盘无关的聊天工具。两种极端都不利于建立可持续的工作方式。

更贴近实务的视角，是把 AI 视为交易流程中的辅助节点，而不是决策主体。节点可以加速信息整理、帮助把直觉写成可检验的假设、生成回测代码框架、对照风控清单、整理复盘记录，并在下单前复述计划；但来源真伪、统计是否成立、是否承担仓位与点击下单的责任，仍应留在人工一侧。第一课的任务，不是介绍具体产品或提示技巧，而是先画出一张链路地图，避免在错误环节过度授权。

二、链路划分：六个位置及其功能属性

若将一次从研究到执行再到复盘的周期拆开，AI 较适合落在以下六个位置。每一位置都对应不同的输入、输出与风险类型。

• 位置一：信息整理。市场信息分散在交易所公告、项目文档、链上数据、宏观日历与社交媒体之中。AI 可以按时间线汇总、做摘要、并列不同来源的说法。但这一位置的输出默认是“待核实草稿“，不是事实认定。摘要必须能回溯到一手来源，并标注日期与口径；无法附出来源的陈述，不应进入交易理由。

• 位置二：假设生成。交易往往始于一个可讨论的判断，例如某种宏观环境下波动率上升、某类资产相对强势。AI 可以把模糊想法写成“若 A 成立，则预期 B；若 C 出现，则假设失效“的结构，并列出需要补充的数据字段。假设的价值在于可证伪；不能在未来一段时间内用数据检验的叙事，应停留在研究层，而不进入仓位决策。

• 位置三：回测与统计辅助。AI 适合生成回测代码、解释夏普比率与最大回撤等指标、提示常见统计陷阱。但数据清洗是否正确、是否包含已退市资产、手续费与资金费率是否计入、是否存在前视偏差，需要独立审计。代码能够运行，只说明语法无误，并不说明策略成立。

• 位置四：风控检查。可以把单笔风险上限、杠杆上限、重大数据窗口是否临近等，整理成开仓前清单，由 AI 对照持仓与计划做扫描。风控的本质是硬约束；AI 适合提醒与列举，不适合在无长期验证的前提下自动放行。参数是否仍适应当前波动环境，以及是否在恶劣环境下行使否决权，必须保留人工判断。

• 位置五：日志与复盘。零散笔记可以整理为统一格式，按错误类型归类，并对比“计划与实际“的差异。复盘应基于真实成交记录，而不是记忆；改进项宜少而可执行，区分策略失效与执行失效。复盘的目标是流程迭代，而不是生成看似专业的事后解释。

• 位置六：执行前核对。在终端下单前，复述方向、数量、止损、保证金模式与是否仅减仓，检查是否与事件日历、现有持仓冲突。执行层错误成本最高；AI 可以降低遗漏，不能替代点击与责任承担。

三、辅助与替代：分工的制度含义

六个位置共同构成一条原则：AI 可以扩展信息与计算能力，但不应承接账户能力。下表所表达的不是技术限制，而是责任结构。

• 信息整理环节，AI 负责摘要与编排，人负责真伪与时效。

• 假设环节，AI 负责结构化表述，人决定是否交易及仓位上限。

• 回测环节，AI 负责框架与说明，人负责数据、费用与样本外检验。

• 风控环节，AI 负责清单扫描，人负责否决与参数适用性。

• 复盘环节，AI 负责格式化，人负责记录真实性与改进行动。

• 执行环节，AI 负责计划复述，人负责终端确认。

若跳过核对直接采用模型给出的方向性结论，往往是在用流畅语言替代证据链；若在未附数据与费用假设的情况下相信“回测很好“，属于把叙事当作结果；若将 API 与自动化脚本置于无限额、无确认的状态，则会把操作风险成倍放大。这些误用模式在后续课程中会分别展开。

四、加密场景为何放大边界问题

与传统股票研究相比，加密数据噪声更高，链上标签与社媒信息混杂，假新闻与旧图新用并不罕见。市场节奏快，流动性与规则可在短窗口内切换。工具链横跨交易所、链上与衍生品，同一指标在不同平台的口径可能不一致。自动化门槛相对较低，脚本权限一旦过大，错误会被连续执行。

因此，在加密场景下，“模型是否足够强“并非首要问题；“在哪个环节使用、保留哪些人工闸门“更为关键。第一课建立的，是后续讨论数据质量、回测纪律、事件解读与自动化安全的前提。

五、本课总结

• AI 在交易中的正确定位是链路辅助，而非决策替代；

• 六个位置分别对应信息、假设、回测、风控、复盘与执行核对，责任分工不同；

• 加密市场的高噪声与快节奏，使边界管理优先于模型选择。

理解这一分工结构，是后续把 AI 纳入工作流而不放大错误的前提。下一课将进一步讨论：输入数据如何分级、提示如何约束输出形态，以及如何避免把未验证摘要当作交易依据。