AI 金融：為什麼它會做出瘋狂的投資
第三是非人性化：AI 不會「心軟」。它不會因為某檔股票是國民品牌就多給它一次機會，也不會因為市場氣氛而調整倉位。它只認數字。這種純粹的理性，在多數時候是優點，但在市場極端時刻，卻可能變成摧毀流動性的最後一根稻草。
二、瘋狂投資的技術根源：資料、模型與獎勵機制
如果說上一節談的是「AI 為什麼有本事做出大動作」，這一節要談的是「AI 為什麼會做出錯誤的大動作」。說到底，AI 不是魔法，它是一套從資料中找規律、再根據規律做預測的系統。而這套系統，有三個天生的弱點。
資料偏差與歷史包袱：AI 學會了錯誤的市場觀
機器學習的第一課：垃圾進，垃圾出（Garbage In, Garbage Out）。如果你的訓練資料來自過去十年的牛市，模型就會學到「買進並持有就會賺錢」；如果你只餵給它 2008 年金融海嘯前後的資料，它可能學到「市場隨時會崩盤，現金為王」。
更隱蔽的問題是「倖存者偏差」。假設你訓練一個模型來預測哪些新創公司會成功，資料集裡只有「已經上市或被併購」的公司，那麼模型永遠學不會辨識那些默默倒閉的公司長什麼樣子。它會過度樂觀，因為失敗者從未出現在它的世界裡。
還有一種情況是「資料探勘偏誤」（Data Snooping）。研究員用幾百種技術指標去回測歷史資料，總會找到某個組合在過去十年「完美獲利」。但這很可能只是巧合，一旦放到未來，績效立刻崩壞。AI 特別擅長這種「找到虛假規律」的遊戲，因為它的運算能力遠超人類，能在浩瀚的資料中挖出無數條毫無意義的相關性。
於是我們看到一種荒謬的場景：一個模型在回測中創下年化報酬 40% 的神話，實盤上線三個月後虧損 25%。投資人以為 AI「壞掉了」，其實它從頭到尾都在做同一件事——只是它學到的規律，本來就不存在。
獎勵函數錯配：追求短線指標的後果
強化學習是近年 AI 交易系統的熱門技術。它的核心概念很簡單：給定一個「獎勵函數」，讓系統在與環境互動的過程中，學會最大化這個獎勵。聽起來很合理，但魔鬼藏在「獎勵函數怎麼定義」。
如果獎勵函數只考慮「每日報酬」，AI 就會學會承擔極高的風險，因為短線的高波動往往伴隨高報酬。它不會考慮「最大回撤」，不會考慮「尾部風險」，更不會考慮「這筆交易會不會引發市場恐慌」。它只會像一個被設定成「分數越高越好」的遊戲玩家一樣，用盡一切手段刷分。
更麻煩的是，金融市場的獎勵是「延遲」且「有雜訊」的。一筆交易的好壞，可能要幾個月後才能論斷，而且結果混雜了大量運氣成分。AI 在這種環境下學習，很容易把「運氣」誤判為「能力」，於是它會不斷加碼自己「擅長」的策略，直到某一天市場結構改變，這套策略瞬間失效。
這就像一個只靠「按讚數」來學習的內容創作者：它會不斷產出更容易爆紅的內容，卻可能偏離了原本的價值觀。AI 投資也一樣，當獎勵函數只衡量短期績效，它就會做出短期看起來很聰明、長期卻很危險的決定。
模型幻覺與不可解釋性：當 AI 開始「編故事」
生成式 AI 有一個廣為人知的毛病：幻覺（Hallucination）。當它不知道答案時，它不會說「我不知道」，而是會用極度自信的語氣，編造一個聽起來天衣無縫的答案。
把這個特性放到金融場景，後果相當嚴重。一個 AI 投資顧問可能在分析某家公司時，引用了一條根本不存在的財報數字，或者把兩家不同公司的業務混為一談，然後給出一個「強力買進」的建議。使用者如果沒有能力查證，就會被一套流暢的錯誤邏輯牽著走。
更根本的問題是「不可解釋性」。深度學習模型動輒數百萬、數十億個參數，即使是開發者，也往往無法清楚說明「模型為什麼做出這個決策」。當一筆投資虧損時，你很難判斷是資料錯了、模型錯了、還是市場真的出現了無法預期的變化。這種黑箱特性，讓風險管理變得極其困難。
於是我們看到一種奇特的現象：人類把錢交給了一個自己無法理解的系統，然後在虧損之後，用「AI 失靈」四個字草草結案。沒有人真正學到教訓，因為沒有人真正搞懂發生了什麼。
「AI 不會說謊，但它會用你聽得懂的語言，說出它自己也不確定的結論。」——這是許多量化研究員在論壇上反覆提醒的一句話。
三、市場層面的連鎖災難：從個體失誤到系統性風險
單一 AI 模型出錯，影響可能只是某檔基金的淨值。但當數百、數千個 AI 模型同時在市場上運作，而且它們的邏輯又高度相似時，問題就會從「個體失誤」升級為「系統性風險」。
羊群效應與同質化模型
人類有羊群效應，AI 也有。而且 AI 的羊群效應可能更嚴重，因為它們的「思考方式」高度同質化。
想像一下：市場上有一百家量化基金，它們的模型都使用類似的資料來源（財報、新聞、價格）、類似的特徵工程（動能、均值回歸、波動率）、類似的訓練方法（梯度提升樹、LSTM）。當市場出現某個訊號時，這一百個模型可能同時做出相同的判斷，於是它們在同一時間買進、同一時間賣出。
人類交易員至少還會因為「我覺得不對勁」而收手。AI 不會。它只看數字，數字說買，它就買。當所有人都用同一套邏輯時，市場的多樣性被侵蝕，流動性在最需要的時候瞬間消失。
這正是 2010 年「閃崩」（Flash Crash）事件後，監管機構與學術界反覆討論的核心問題之一：當市場上充斥著邏輯相似的演算法，市場是否還具備吸收衝擊的能力？
閃崩、流動性枯竭與回饋迴路
閃崩的機制，可以用一個簡單的回饋迴路來理解。假設某個大型演算法因為某個原因開始大量賣出，價格下跌。其他演算法偵測到價格下跌與成交量異常，基於「動能策略」或「風險控制規則」，也開始賣出。更多的賣壓導致價格進一步下跌，於是觸發更多演算法的停損機制。
這個過程在人類市場中本來就會發生，但 AI 讓它快了幾個數量級。人類的恐慌需要幾分鐘到幾小時醞釀，AI 的恐慌只需要幾毫秒。當所有演算法同時湧向同一個方向，市場的買方瞬間消失，價格會跌到一個完全脫離基本面的位置，然後在幾分鐘後又戲劇性地反彈回來。
這種「閃崩」對 AI 本身可能只是資料庫裡的一筆異常紀錄，但對槓桿交易者、對退休基金、對一般散戶來說，卻可能是無法挽回的損失。更諷刺的是，許多閃崩的觸發點，事後調查往往只是一個微小的人為輸入錯誤，或是一則未經查證的假新聞。
2013 年，美聯社的 Twitter 帳號被駭，發布了一則「白宮遭到攻擊，歐巴馬受傷」的假消息。市場瞬間暴跌，道瓊指數在幾分鐘內蒸發超過 1300 億美元市值。雖然這則假新聞很快被澄清，但演算法早已完成了一輪廝殺。這件事清楚地說明：AI 不會查證消息真假，它只會反應。而它的反應，會被其他 AI 放大。
四、真實世界的瘋狂案例盤點
理論說完了，來看幾個真實發生過的案例。這些案例不是要嚇唬你，而是要讓你理解：AI 投資出錯時，錯誤會以什麼形式呈現。
Knight Capital 的 45 分鐘毀滅
2012 年 8 月 1 日，美國證券市場出現了一場著名的演算法事故。Knight Capital Group，當時美國最大的股票交易商之一，在開盤後的 45 分鐘內，因為一套部署錯誤的交易演算法，送出了數以百萬計的異常委託單，累計虧損約 4.4 億美元，幾乎把公司自身的資本吃光。最終，公司被競爭對手收購。
事後調查顯示，問題出在一次軟體更新。工程師在部署新版本時，遺漏了一台伺服器，導致舊版的測試程式碼仍然在運行。這段程式碼原本是八年前為了測試而寫的，早就應該被移除，卻因為部署流程的疏漏而被重新啟用。當天早晨，它開始以異常的價格與數量大量下單，其他演算法偵測到這些異常訊號，開始跟進或避險，整個市場瞬間陷入混亂。
這起事件的教訓極其清楚：AI 系統的風險，不只在於模型本身，更在於人與系統的交接處。一個小小的部署失誤，就足以讓一個設計良好的系統變成市場殺手。
2010 年閃崩與 AI 嫌疑
2010 年 5 月 6 日下午，道瓊工業指數在短短幾分鐘內暴跌近 1000 點，創下當時的盤中最大跌幅紀錄，隨後又迅速反彈。這場「閃崩」讓全球市場震驚，也讓監管機構開始正視演算法交易的系統性風險。
美國證券交易委員會（SEC）與商品期貨交易委員會（CFTC）的聯合調查報告指出，事件的觸發因素之一，是一筆來自大型交易商的大額賣單。這筆賣單本身並不違法，但它啟動了一連串演算法之間的連鎖反應：高頻交易演算法為了控制風險而快速撤單，流動性瞬間枯竭，價格在真空中自由落體。
值得注意的是，在這場事件中，許多 AI 系統並沒有「壞掉」，它們只是「忠實地執行」了預先設定的風險控制規則。問題在於，當所有人都用同一套規則時，市場就失去了緩衝。這是一個典型的「合成謬誤」：對個別系統而言理性的行為，對整體市場而言卻可能是災難性的。
加密貨幣交易機器人的暴走
加密貨幣市場是 AI 交易的另一個極端實驗場。這個市場 24 小時交易、缺乏統一的監管、流動性分散在數百個交易所，對演算法來說既是天堂也是地獄。
2020 年 3 月，COVID-19 疫情引發全球市場恐慌，加密貨幣市場出現歷史級別的暴跌。比特幣在一天內腰斬，許多交易所的訂單簿瞬間被清空。事後檢討發現，借貸協議中的自動清算機制、交易所的槓桿交易機器人、以及跨交易所套利演算法，在極端行情下形成了惡性循環：價格下跌觸發清算，清算導致更多賣壓，賣壓導致價格進一步下跌。
更早之前，也有交易所因為 API 異常，導致交易機器人在短時間內重複下單，把某個小幣種的價格推高數十倍，然後在幾秒內崩回原點。這些事件對旁觀者來說像是「AI 在亂搞」，但實際上，它們只是演算法在極端條件下的正常反應，只是市場結構本身就是一個沒有煞車的系統。
五、人類與 AI 的責任邊界：誰該為瘋狂投資買單？
當 AI 做出瘋狂的投資決策，虧損發生時，責任該由誰承擔？這個問題在法律、倫理與實務上，都有極大的灰色地帶。
首先，AI 不是法律主體。它不會被罰款，不會坐牢，也不會道歉。責任最終還是要回到「人」身上——但問題是，哪個人？是寫程式的工程師？是設定參數的交易員？是批准上線的主管？還是提供資料的第三方？
這就帶出了「責任稀釋」的問題。在一個高度自動化的系統中，決策鏈被拉得很長，每個環節的人都只負責一小部分，沒有人能夠掌握全貌。當災難發生時，所有人都可以說「這不是我的錯」。這種責任的模糊化，正是許多金融監理機構頭痛的地方。
目前國際間的監管趨勢，大致朝三個方向發展。第一是演算法可解釋性：要求金融機構能夠說明其 AI 系統的決策邏輯，至少在事後能夠回溯。第二是演算法備案與煞車機制：要求系統在異常情況下能夠自動停止，或由人工介入。第三是壓力測試與情境模擬：要求機構在部署前，模擬各種極端市場情境，確認系統不會失控。
但監管永遠趕不上技術的演進。當 AI 模型越來越複雜、越來越像黑箱，監理機構要如何在「不扼殺創新」與「保護市場穩定」之間取得平衡，仍是一個未解的難題。
對一般投資人而言，更實際的問題是：我該如何判斷一個 AI 投資系統是否可靠？我的建議很簡單——永遠不要投資你無法理解的東西。如果一個 AI 系統無法清楚說明它的投資邏輯、無法提供透明的績效紀錄、無法解釋它在極端市場下的行為，那麼無論它的回測數字多漂亮，你都應該保持高度懷疑。
六、如何與 AI 共處：理性投資者的生存指南
說了這麼多 AI 的「瘋狂」，並不代表我們應該拒絕它。AI 在金融領域的價值是真實的：它能處理人類無法消化的大量資料、能消除部分情緒偏誤、能在重複性任務上提供穩定品質。關鍵在於，我們要用對的方式使用它。
把 AI 當成一個「能力很強但需要監督的實習生」，而不是一個「不會犯錯的神」。這是目前最務實的心態。
具體來說，有幾個原則值得記住。第一，分散你的信任。不要把所有資金交給單一 AI 模型或單一平台。雞蛋不要放在同一個籃子裡，這個古老的原則在 AI 時代依然適用。
第二，保留人類的最終決策權。AI 可以提供建議、可以執行交易，但在重大的資產配置決策上，人類應該保留否決權。這不是不信任 AI，而是承認任何系統都有其盲點。
第三，持續監控與檢視。AI 模型會隨著市場變化而「漂移」（Model Drift）。今天有效的模型，半年後可能就失效了。定期檢視績效、重新訓練模型、調整參數，是使用 AI 投資的必要功課。
第四，理解尾部風險。AI 模型通常在「常態市場」表現良好，但在極端市場中可能完全失效。投資人應該主動了解：我的 AI 系統在市場崩盤、流動性枯竭、黑天鵝事件發生時，會怎麼反應？
最後，回到「雅寶社區 · 頂客論壇」的討論精神：社群裡最有價值的，從來不是某個「必勝」的 AI 策略，而是彼此提醒風險、分享失敗經驗的過程。AI 會做出瘋狂的投資，很多時候不是因為它笨，而是因為設計它、使用它的人，低估了市場的複雜性，也高估了模型的能力。
當我們願意用更謙卑的態度面對 AI，用更嚴謹的流程管理風險，用更開放的態度討論失敗，那麼 AI 就不會是那個「做出瘋狂投資的失控機器」，而會是一個真正有價值的工具。瘋狂的從來不是 AI，而是我們對它的幻想。
下一次，當你看到某個 AI 模型又在市場上「失心瘋」，不妨先問三個問題：它的訓練資料是什麼？它的獎勵函數怎麼定義？它的失控會被誰買單？想清楚這三件事，你就不會被那些華麗的績效數字沖昏頭，也不會在下一次災難中成為那個被犧牲的流動性。