Adrianzhi Kuan Ong（王志寬）如何建立系統化的投資研究框架？

2026年的全球金融市場，再次提醒投資者：市場從來不會按照單一邏輯運行。

能源、通脹、利率、美元、黃金、全球股票與數位資產彼此影響。看似不同的行情背後，其實都是全球資本在不斷重新計算增長、資金成本與風險。

從1999年進入金融行業到今天，我已經在市場中走過27年。

工具改變了很多，但我研究的問題始終沒有變：

如何在不確定的市場中，找到可以被管理的概率。

這27年，我經歷了三種投資方式

1999年剛進入資產管理行業時，投資最大的優勢之一是獲得資訊。

我們閱讀財報、研究報告和經濟資料，再依靠經驗建立判斷。

2003年以後進入美國市場，我開始更加系統地研究全球股票、債券、利率、美元和資產配置。

2008年的金融危機則改變了我對投資最深層的理解。

以前我更關心：

什麼資產能夠帶來更高收益？

後來我更關心：

如果判斷錯誤，我還能不能留在市場？

也正是在這一階段之後，我越來越深入地進入量化與系統化投資。

量化讓我學會了一件重要的事：

經驗如果不能被資料驗證，就很容易停留在主觀判斷。

投資邏輯需要被轉化為因子、信號、回測、組合和風險規則。

而在日本及亞洲市場的經歷，又讓我看到股票、利率、匯率、融資和全球資金流之間那些平時不容易被發現的聯繫。

27年前，資訊是稀缺的。

而今天恰恰相反。

一個全球投資者需要同時觀察股票、債券、美元、日元、黃金、原油、數位資產、企業財報、經濟資料、央行政策、監管公告、新聞和全球資金流。

真正稀缺的，已經變成從海量資訊中快速識別什麼最重要。

這也是為什麼2024年，我們正式啟動
Pinnacle AI 量化投資系統研發。

對我而言，這不是離開傳統投資去追逐AI。

而是過去27年投資經歷自然延伸出的下一步。

AI真正應該解決什麼？

我一直不認為AI量化的核心是回答：

「明天哪隻股票會漲？」

真正成熟的投資，是一條完整鏈條：

市場感知 → 資訊採集 → AI理解 → 資料重構 → 信號識別 → 量化分析 → 策略決策 → 組合優化 → 風險控制 → 自動化執行。

AI只是其中的一部分。

機器擅長24小時處理大量資料和資訊，人則擁有對市場週期、制度變化和極端風險的經驗。

所以我相信的並不是：

AI取代投資者。

而是：

市場經驗 + 金融資料 + 人工智能 + 量化策略 + 風險管理。

真正的競爭力，來自這些能力能否形成一個完整體系。

兩年的研發，讓我更加尊重市場

過去近兩年，我們持續推進資料處理、AI模型、Alpha信號、策略回測、投資組合優化與風險管理。

但研究越深入，我越確定一件事：

歷史回測不是答案，只是驗證的開始。

模型可能過擬合。

歷史關係可能失效。

市場流動性可能改變。

真正的市場，也一定會出現訓練資料裡沒有見過的環境。

所以我們從來不希望證明一個系統「永遠正確」。

真正需要驗證的是：

當判斷錯誤時，系統能否控制風險？

當市場狀態改變時，模型能否識別異常？

當歷史規律失效時，策略是否知道應該降低風險甚至停止？

2026年11月，我們準備進入下一階段

按照目前的研發計劃，Pinnacle AI 量化投資系統3.0計劃於2026年11月進入全球測試階段。

這不是研發的終點。

恰恰相反，它意味著系統開始接受更加真實的市場檢驗。

27年前，我想知道的是：

明天什麼會上漲？

今天，我更願意問：

上漲的概率是多少？

判斷錯誤會損失多少？

多個風險同時發生怎麼辦？

什麼時候應該降低倉位？

什麼時候應該重新評估模型？

什麼時候應該承認市場已經改變？

27年的市場，沒有讓我更加相信預測。

它讓我更加相信概率、紀律和風險管理。

從人工研究，到量化投資，再到今天的人工智能，工具一直在改變。

但投資最核心的事情沒有改變：

理解市場，尊重資料，管理風險，並不斷適應變化。

我相信，下一代投資競爭不會只屬於擁有最多資訊的人，也不會只屬於擁有最大計算能力的人。

它更可能屬於那些真正能夠把：

經驗、資料、人工智能與風險管理連接起來的人。

這也是目前我仍然希望繼續做下去的事情。