股市怪談 · 2026-10 · 一篇讀完會睡不好的筆記
同一隻鬼，
換了五張臉
從聽老師、聽小道消息、買別人的策略，到今晚讓 Agent 爬兩百支商用策略回來逆向 — 五十年來散戶撞的其實是同一隻鬼。這篇講它的來歷、它為什麼在 AI 時代長得更壯，以及走出那棟房子的路。
序 · 一封信
二〇二六年秋天，有人這樣寫
先讀這封信。它不是我編的，只是把名字拿掉了。
過去半年，我建立了一套夜間自動化的 AI 研發流程，讓 Agent 自動抓取全球的量化文獻與公開策略進行自主開發。半年內成功產出了三支上線策略，不過近期在開發效率上遇到了瓶頸。
今天換個思路，注意到市面上有許多附帶回測數據的商用策略，便指派 Agent 把這些公開資訊與回測報告全部爬回來，根據文字描述直接做逆向推導。第一階段先測了 15 支，以 PF 超過 1.2 作為過濾門檻，竟然有 8 支通過，之後好好分析應該可以做到 PF 1.5。這類商用策略多半已驗證過具備市場 Edge，重點只在於如何還原並優化出適合自己的調校方式。目前佇列裡還有 200 多個策略等待驗證。
#然後我最近被虐的很慘
整封信裡，只有最後一行是樣本外資料。
怪談的規矩是這樣的：鬼不會第一頁就出來。它先讓你看見一個很合理的人，做一件很合理的事。信裡的人很勤奮、有流程、有門檻、有佇列。問題不在他哪一步做錯，而在他走的那條路，前面已經有人走過很多次。
第一話 · 五張臉
它每一次出現，都換一張臉
把過去幾十年關於散戶的研究排成一列，會看見一件事：散戶一直在做同一件事，只是換了供應商。
-
自己看線、自己選股的臉
Barber & Odean（2000）·「Trading Is Hazardous to Your Wealth」· 台灣資料 Barber, Lee, Liu & Odean（2009）
交易越頻繁，賠得越多。用台灣全市場的資料算，散戶每年因交易淨損失約相當於 GDP 的 2%，錢流向法人與交易成本。它第一次出現時，長得像「我比別人勤奮」。
-
聽老師的臉
Metrick（2000）· Jaffe & Mahoney（1999）· 投顧電子報研究
投資電子報整體沒有選股能力，去年表現好的，明年不會持續。老師唯一穩定的收入，是訂閱費。它這次長得像「有人比我懂」。
-
聽小道消息的臉
內線交易法 · pump-and-dump 文獻
真的內線違法；合法的消息，到你這一站時早已在價格裡。你以為你是知情者，其實你是出貨的對象。它長得像「我有別人沒有的管道」。
-
買別人策略的臉
McLean & Pontiff（2016）· Harvey, Liu & Zhu（2016）
學術異常報酬在樣本外少掉約四分之一，論文發表後少掉一半以上。因子論文多到統計學家要求 t 值超過 3 才算數。商用策略附的回測，是行銷素材，它只證明「樣本內好看」。它長得像「這是已驗證的」。
-
讓 AI 寫程式選股的臉
López de Prado（2018）·「The 7 Reasons Most Machine Learning Funds Fail」
回測過擬合、多重測試、沒有樣本外。信裡的人正站在這裡。它長得像「這次有工具了」。
五張臉底下是同一個骨架：把判斷外包給一個你無法驗證的來源，然後用對來源的信任，代替對 edge 的驗證。老師、群組、策略商、Agent，都是「來源」。信裡的人信任的對象，從「策略商的回測」變成「Agent 還原的回測」，信任的理由還是那份回測好看。這跟二十年前訂電子報的人，沒有本質上的差異。
第二話 · 真名
鬼的名字叫「相對位置」
怪談裡，知道鬼的真名就能制住它。這隻鬼的真名寫在三篇很老的論文裡。
Grossman & Stiglitz（1980）：如果市場完全有效，就沒人願意花錢研究；沒人研究，價格就不會有效。所以市場一定會留一點 edge，當作研究成本的報酬 — 而且只留剛好夠的那一點。
Sharpe（1991）：扣掉成本之前，所有主動投資人合起來的報酬，等於大盤。有人贏，就一定有人等量地輸。這是算術，不是理論。
Lo（2004）的 Adaptive Markets 把前兩個講成生態學：edge 像食物，吃的人越多，消失得越快。
在多數領域，知識普及讓人人都接近專家。股市是例外，因為股市裡的「專家」不是一種知識狀態，是一個相對位置。
一萬個人同時拿到同樣的武器，不會產生一萬個贏家，只會產生一萬個分析品質相同的人，然後市場重新分配誰輸誰贏。醫學知識普及，人人更健康；選股知識普及，價格只是更快變得正確，然後沒人賺到錢。
所以「AI 讓人人成為研究員」是真的。「AI 讓人人成為贏家」在邏輯上不可能。這就是為什麼那封信的敘事，在第一行就已經寫定了結局。
第三話 · 鏡子
房間裡有一面會說好話的鏡子
回測是一面鏡子。它照的不是未來，是你問它的方式。
要用統計分辨一個策略是有本事還是運氣，需要的時間比多數人想的久得多。t 值大約等於 Sharpe 乘上年數的平方根：
Sharpe 1.0 的策略
4 年
才達到 t ≈ 2
Sharpe 0.5 的策略
16 年
才達到 t ≈ 2
隨機試 200 支策略
3.3σ
最好那支預期會有多好看（√(2 ln N)）
最後一格是 Bailey 與 López de Prado 的 False Strategy Theorem：試的次數越多，「最好的那一支」就越好看，而它可能完全沒有 edge。信裡的 200 支佇列，正是在製造這面鏡子。15 支裡 8 支 PF 超過 1.2，在樣本內、沒扣足滑價與手續費的情況下，一點都不令人意外；「之後優化到 1.5」是再對著鏡子多擬合一層。
這整套流程裡有一個數字，是所有東西的底：
0
兩百支策略，樣本外資料的筆數。信的最後一行，是唯一一筆。
第四話 · 更壯
為什麼它在 AI 時代長得更壯
AI 沒有改變股市的物理學，它只做了一件事：把分析變免費。但分析從來不是散戶輸錢的原因。散戶輸錢是因為資訊劣勢、交易成本、行為偏誤 — 這三樣 AI 一樣都沒碰到。AI 真正改變的是兩件事，而且都是變糟。
自欺變便宜了
以前騙自己要花幾週做一份回測，現在一個晚上兩百份。看起來像量化證據的東西變多了，實際通過統計檢定的比例沒變。鏡子說好話的速度，從每月一次變成每分鐘一次。
錯誤變同步了
同樣的模型讀同樣的論文、爬同樣的公開策略，產出高度相關的部位。2007 年 8 月的 Quant Quake 是一群量化基金同時被迫平倉；這一次，排隊進同一條走廊的人會更多，而且他們彼此不認識。
至於「最後下單的都是人，所以學術假設不變」— 其實現在大部分成交量早就是演算法在下了。假設的核心從來不是人或機器，而是資訊與誘因。AI 改變套利的速度，不改變結構。結局大致不變：多數人的 alpha 被壓縮，少數人在容量很小的角落賺點小錢。比較確定會賺到錢的，是賣鏟子的人。
終話 · 出口
走出那棟房子
定期定額買大盤、守一個股債比，是學術上唯一有共識的答案。它的本質是承認自己沒有 edge，然後拿走市場的 beta。這不是放棄，這是知道鬼的真名之後，不再跟它玩它設計的遊戲。
在這個前提下，AI 還有幾種用法。它們的報酬，比找 alpha 確定得多。
-
讓 AI 當否決者，不當產生器
把問題反過來：不是「幫我找策略」，而是「幫我證明這個策略是假的」。算 Deflated Sharpe、數我總共試了幾次、找回測沒包含的那台壓路機、幫我寫預先登記書。AI 在這件事上的價值，遠高於在產生策略上。
-
吃行為 alpha — 散戶唯一確定拿得到的 alpha
Vanguard 估算，光靠紀律（再平衡、不追高殺低、成本與稅務控制、恐慌時不賣）能帶來每年約 3% 的差距，比絕大多數選股策略的真實 alpha 大。AI 能做的事很具體：監測你的交易頻率、算你的全成本、在你想動手時把你過去的紀錄丟回你面前。
-
做規劃，不做預測
提領率、股債滑翔梯、保險覆蓋、現金流壓力測試、稅務結構。這些題目的解不是「漲還是跌」，而是「各種情境下我都撐得住嗎」。預測是零和，規劃不是；AI 在規劃上的能力也遠高於預測。
-
讀懂你持有的東西
費用結構、ETF 的追蹤誤差、結構型商品裡藏的賣權、財報附註。多數散戶虧的錢不是選錯，是被收費或被包裝。AI 當盡職調查的助手，是在減少被收割的機率，這本身就是報酬。
-
把量化研究當學習，不當提款機
記帳、設上限、年底結清。如果它是學費，付得起就付；如果它是收入，數據會告訴你。不要讓一個遊樂場帳戶不知不覺變成資產的一大塊 — 那一天市場一個轉身就會重傷你。
-
最大的報酬率在人力資本
對多數還在工作的人，薪資和職涯才是最大的資產。AI 讓你的工作產出翻倍的報酬率，是任何 alpha 都比不上的，而且沒有對手盤。這正是「人人用 AI 成為專家」在其他領域成立、在股市不成立的原因：在工作上，你不是跟全世界對賭。
-
真的想在市場靠 AI 賺錢？賣鏟子
資料清理、回測基礎設施、驗證工具、掃描器服務。淘金潮裡確定賺錢的只有賣鏟子的人；AI 時代尤其成立，因為想挖金的人正在以指數成長。
跋
AI 沒有改變股市的物理學，它只是讓「看起來有 edge」變得便宜。稀缺的東西因此移到了別處：真實的資訊優勢、承擔別人不願承擔的風險、長時間的樣本外紀錄，還有紀律。前兩項大多數人沒有；後兩項，才是 AI 真正幫得上手的地方。
那封信的作者如果讀到這裡，我想對他說的只有一句：你的流程沒有錯，你只是在一棟很多人進去過的房子裡，用更快的速度走同一條走廊。先把「#被虐的很慘」那一行當成資料存起來。那是你手上唯一真的東西。