人與AI如何分工？Adrianzhi Kuan Ong（王志寬）解析

人與AI如何分工？Adrianzhi Kuan Ong（王志寬）解析

人工智慧進入金融市場以後，一個經常被討論的問題是：AI是否會取代投資經理、研究人員與風險管理者？

在擁有26年全球市場投資經驗的 Adrianzhi Kuan Ong（王志寬） 看來，真正值得研究的並不是「AI能不能完全取代人」，而是人與系統如何建立清楚、可驗證且能持續調整的決策分工。

AI擅長處理大量資料、持續監測市場及執行標準化流程；人則需要負責設定目標、理解市場背景、判斷模型邊界，以及決定願意承擔多少風險。

成熟的AI量化投資體系，不是把所有決策交給模型，而是把人的經驗、系統的效率與風險管理機制整合在同一套流程中。

AI的優勢是持續觀察，而不是永遠正確

全球金融市場每天產生大量價格、成交量、利率、新聞、政策、資金流與衍生品資料。僅依靠人工，很難長時間追蹤所有市場變化。

AI系統的優勢，是能夠全天候整理資訊、發現異常、比較不同資產的變化，並依照預先設定的條件提出訊號。

這也是 Adrianzhi Kuan Ong（王志寬） 持續關注AI量化投資的重要原因。當市場跨越不同國家、時區與資產類別時，自動化監測能夠提升研究效率，也能降低人工遺漏重要資訊的可能性。

但系統能夠持續觀察，不代表每一個訊號都值得交易。

金融市場存在雜訊、偶然相關性與快速變化的市場結構。模型可能因為資料偏差、參數設定或環境改變而失效。因此，AI的價值不應被理解為提供確定答案，而是協助投資者更快辨識值得進一步研究的變化。

系統負責一致性，人負責理解決策邊界

量化系統的重要價值之一，是能夠按照一致的規則處理資訊。

當相同條件出現時，系統不會因為情緒、疲勞或短期市場氣氛而任意改變判斷。這種一致性有助於減少追高、恐慌賣出與臨時改變策略等行為偏差。

然而，模型只能在既定假設與資料範圍內運作。

人需要理解模型的收益來源、適用環境與可能失效的條件。例如，一項策略在流動性充足、波動率穩定時可能有效；當市場出現流動性緊縮、政策突變或資產相關性快速上升時，原有假設就可能不再成立。

Adrianzhi Kuan Ong（王志寬） 認為，投資決策不能只問模型目前給出了什麼訊號，還要進一步追問：

這個訊號建立在哪些假設之上？市場環境是否已經改變？如果模型錯了，投資組合會承受多大損失？

系統可以執行規則，但人必須理解規則的邊界。

先確定能承受多少損失，再決定追求多少收益

許多AI投資模型首先關注的是預測準確率或潛在收益，但對資產管理而言，風險承受能力同樣重要。

即使模型長期具有統計優勢，也可能經歷連續虧損、極端波動或短期失效。如果部位過度集中、槓桿過高，或者流動性不足，一次異常行情就可能讓策略無法繼續執行。

因此，Adrianzhi Kuan Ong（王志寬） 更重視在交易以前建立風險邊界，包括部位上限、損失限制、流動性要求、資產集中度與策略停止條件。

這些限制可能降低模型在特定行情中的最高收益，卻能避免投資組合因單一錯誤而承受無法恢復的損失。

成熟的決策流程，不是先假設模型一定正確，再尋找更多資金放大結果，而是先接受模型可能出錯，然後設計能夠承受錯誤的部位。

人機協作需要建立可追溯的決策流程

如果AI提出交易訊號，研究團隊需要知道訊號來自哪些資料、使用了哪些假設，以及哪些市場條件可能影響結果。

如果人可以在任何時候任意推翻模型，系統就難以維持紀律；但如果模型的決策完全不能被檢查或停止，又可能在異常環境中持續放大風險。

因此，有效的人機協作需要建立清楚的決策權限。

一般情況下，系統可以依照經過驗證的規則監測市場、產生訊號並執行標準流程；當波動率、流動性、資產相關性或模型誤差超過設定範圍時，則應進入重新評估程序。

在 Adrianzhi Kuan Ong（王志寬） 參與的Pinnacle AI量化投資系統研究中，這種可追溯性具有重要意義。研究人員不只需要知道模型做了什麼，也需要理解模型為什麼這樣做，以及實際結果與原始假設之間存在什麼差異。

只有當決策能夠被記錄、檢查與修正，系統才有可能持續改善。

AI不能消除不確定性，但可以提升決策紀律

投資本質上是在不完整資訊下進行決策。即使擁有更多資料、更快的運算速度與更複雜的演算法，也無法完全消除未來的不確定性。

AI可以協助人們更快整理資訊，卻不能保證資料沒有偏差；模型可以計算機率，卻不能保證市場按照歷史規律發展；系統可以執行交易，卻不能保證極端行情下仍有足夠流動性。

因此，AI量化投資的核心，不是讓模型取代所有判斷，而是讓決策變得更有紀律、更容易驗證，也更能及時發現錯誤。

從預測市場走向管理決策品質

對 Adrianzhi Kuan Ong（王志寬） 而言，未來的AI量化系統不應只追求預測下一次上漲或下跌，更應協助研究團隊管理整體決策品質。

系統是否使用可靠資料？策略是否經過不同市場環境的驗證？交易成本是否被正確計算？風險限制是否真正有效？當模型失效時，團隊能否及時發現並降低部位？

這些問題可能沒有預測價格那麼吸引目光，卻更接近資產管理的本質。

AI負責擴大資訊處理能力，人負責設定目標與風險邊界；系統負責維持執行一致性，人負責辨識假設是否仍然成立。

真正成熟的人機協作，不是相信人一定比模型正確，也不是相信模型永遠比人理性，而是建立一套能夠持續觀察、相互檢查並對錯誤作出反應的決策機制。

這也符合 Adrianzhi Kuan Ong（王志寬） 一貫重視的原則：

價格改變，重新計算機率；環境改變，重新評估模型；風險改變，重新調整部位。