你的算法在有人按下取消前已卖出 $1.4 billion。你能解释为什么吗？

有一个问题，往往在大多数监管检查真正开始之前，就已让它们结束。它不是“你们有控制措施吗？”——人人都有控制措施。它比那更安静，也更糟：

“请具体讲讲，这个算法在 8 月 5 日上午 9:47 到底做了什么。”

我见过一些聪明、资金充裕的公司在这个问题面前僵住。他们能调出订单日志，能给你看成交记录。他们做不到的，是重构决策链——为什么模型把仓位规模定成那样，为什么风险阈值就设在那个水平，为什么三周前的一次代码改动没有触动任何人的警觉。而在 2026 年，这道鸿沟就是全部胜负所在。算法交易合规已经悄然从“证明你设有护栏”，转向“证明你能在事后解释你的机器所做的每一个动作”。

我想告诉你我是如何相信这一点的，因为我一开始就搞错了——代价高昂地搞错了——而我犯错的方式，正是当下这个行业大多数人仍在犯错的方式。

那笔蒙混过关的 $189 billion

先从花旗集团（Citigroup）说起，因为这是我所知道的最清楚的一课。

2022 年 5 月，花旗的一名交易员本想卖出一篮子价值 $58 million 的股票。由于一次人工操作失误，他们创建的却是一篮子价值$444 billion的交易。花旗的交易前控制发挥了作用——大体上是。它们拦下了 $255 billion。但有 $189 billion 溜过了控制，抵达了一套交易算法，算法尽职地把它切成一笔笔卖单，在有人按下取消之前，已将大约 $1.4 billion 推入了欧洲市场。这在多家欧洲交易所引发了一场闪崩。

接下来这一部分，才是应该让合规官夜不能寐的地方。当德国联邦金融监管局（BaFin）和英国监管机构介入时，那个致命的问题并不是“发生了什么”。花旗能回答这个。真正的问题是为什么——为什么控制系统放行了 $189 billion，又为什么阈值恰好校准在那个水平？花旗能出示订单，却无法充分重构算法的推理，也无法为支配它的参数辩护。

这道鸿沟让他们付出了代价。BaFin 对花旗处以 €12.975 million 罚款；两天前，英国监管机构已就同一事件追加 £61.6 million。合计大约$92 million，只因一次算法故障，横跨三个司法管辖区。

失败的不是控制措施。无法解释这些控制措施，才是失败。

我一再回到这一点，因为它颠覆了大多数公司的预算方式。他们把钱花在建立更多控制措施上，却几乎不投入于能够叙述——在宣誓作证之下把它们讲清楚的能力上。

审查员实际上会问什么？

当我开始与中端市场银行和资产管理公司——那些位于顶级投行梯队之下的公司——的合规负责人交谈时，我会请他们和我一起演练一场检查。结果总是以相同的三个步骤崩解。

“把你们的算法清单给我看。”这是开场白，也是个悄无声息的杀手。2025 年 8 月，英国金融行为监管局（FCA）对十家自营交易公司做了一次多机构评审，发现大多数公司的文档不完整或已过时——没有一份清晰的清单来说明每套算法归谁所有、在哪些市场交易、受哪些风险参数约束。有些公司在自评中干脆遗漏了整套 RTS 6 要素。（RTS 6 是 MiFID II 针对算法交易公司的规则手册——涵盖治理、测试、风险控制。）如果你拿不出一份最新、完整、指明每套策略责任注册人的清单，检查实际上就到此为止了。按照 FINRA 的规则，设计或重大修改交易算法的人必须注册为证券交易员——所以“这套算法归谁所有”不是一道冷知识题，而是一道带着名字的监管题。

“带我看看这一套那天早上做了什么。”这就是花旗式的问题。大多数公司能出示订单，几乎没有一家能重构那个决策。而如果你是资产管理公司而非经纪自营商，这个问题落不到交易台上——它落在你的量化研究团队身上，在那里，一个被篡改、埋藏在模型里的参数可以数月不被发现地运行。（Two Sigma 就是吃了大亏才明白这一点；后文再详述。）

“你们的合规人员在技术层面是怎么审查这些算法的？”对于他们在这里的发现，FCA 有一个极为委婉的说法：“合规部门的技术知识参差不齐”。翻译过来就是：合规团队能读懂一份警报报告，却无法拷问模型的逻辑、质疑某个风险参数，或核实上一个冲刺周期的代码改动没有悄悄捅开一个新的监管窟窿。这个行业给出的答案是招聘懂量化的合规人员——只是那些真正同时理解 CFTC 市场准入规则和图神经网络架构的人少之又少，而且他们的薪酬和同样想要他们的对冲基金看齐。

这三个问题背后的监管方向并不含糊。2024 年，SEC 和 CFTC 合计提起了创纪录的$25.3 billion执法处罚。欧盟《人工智能法案》（EU AI Act）要求高风险金融 AI 系统在2026 年 8 月 2 日之前具备技术文档、风险管理和人工监督能力。DORA——欧盟的运营韧性制度——自 2025 年 1 月起已经生效。而在印度，SEBI 如今要求每一套策略在上线前都必须有唯一的 Algo-ID 并获得交易所批准。问题已不再是你的算法会不会被检查，而是它们能否挺过检查。

我打造出的那件没人想要的东西

于是我跑去打造了一个更好的探测器。

这是我的错误，我想坦诚说说它有多诱人。买家抱怨得最响的痛点是警报疲劳——在一项针对银行和经纪自营商的调查中，70% 的机构报告其交易监控的误报率高于 25%。合规团队淹没在噪声里，追逐幻影般的幌骗警报。于是我们打造了一件真正擅长削减误报的东西：行为情境、市场状态感知、自适应阈值。测试中它干净又快速。我为它感到骄傲。

然后我们把它摆到一位真正的中端市场合规官面前。她看着仪表盘，一边点头，一边问出了那个把三个月的工作炸得粉碎的问题：

“这很好。但当审查员问，模型为什么触发——又或者，它为什么没有触发——的时候，我该拿什么给他们看？”

产品里我给不出答案。我们建立的是一种更快生成警报的方式，却没有建立一种能够解释它们的方式。而坐在那里，我意识到，我复制出的正是监管者正在惩罚的那种东西：一个只产出结果、却没有可重构推理链的黑箱。一个更好的黑箱，仍然是黑箱。

那是转折点。探测从来都不是那个未被满足的需求。未被满足的需求是审计就绪——把算法决策转化为一位非量化背景的合规官能够审阅、质疑并带进检查室的解释。我们抛弃了原先的框定，从头再来。

为审查员而建，而非为警报而建

我们最终打造的系统——如今我们部署的这套算法交易合规智能层——始于一条不同的第一性原理：生产环境中的算法所做的每一个决策，都应留下一份可供审计、带时间戳的解释，说明其为什么，而不仅仅是做了什么。

这话听起来理所当然，直到你真去做。第一个设计难题是：需要这份解释的人读不懂模型。所以这些解释必须把算法的逻辑——它的输入、它加权的市场信号、它据以检验的阈值、人工的手动干预——翻译成合规官无需阅读源代码就能拷问的东西。不是一个置信度分数，而是一份对推理过程的交代。

第二个难题是清单本身。我们像工程团队对待代码那样对待算法清单：每一套投入生产的策略都带着它获批的市场、仓位限额、注册责任人以及完整的变更历史，于是“把清单给我看”这个问题就变成了一次查询，而非一场消防演习。同一套骨干将每一项控制同时映射到多个监管框架——SEC Rule 15c3-5、MiFID II 的 RTS 6、EU AI Act、DORA、SEBI 的 Algo-ID 制度——因为中端市场公司跨境交易，而没有哪家现有厂商能在同一处把控制映射到所有这些框架。如今大多数跨司法辖区的公司只能针对每个监管机构东拼西凑出各自独立的合规流程。这种冗余，恰恰是软件应当吞掉的那类工作。

第三个难题是紧急停止开关。花旗的控制并非缺失——它们拦下了 $255 billion。它们只是不够分级。大多数熔断机制都是二元的：开或关。于是我们打造了智能的多层熔断机制——通过行为异常检测触发一个成比例的响应，而不是单一的恐慌按钮，这正是拦下 $255 billion 与拦下那溜走的 $189 billion 之间的差别。

为什么大家不干脆买个平台就好？

这是我听到最多的反对意见，它值得一个真正的回答。

交易监控市场正从 2025 年约 $1.3–3 billion 迈向 2033 年的 $4.2–9.3 billion，而前五大厂商占据了其中的 55–59%。NICE Actimize、Nasdaq 的 Surveillance AI、Eventus 的 Validus——这些都是真正有实力的平台。我不是来告诉你它们不管用的。

我是来告诉你它们的成本，以及它们止步于何处。一套完整的 NICE Actimize 部署，每年的花费高达$1–5 million 甚至更多——其定价与架构都是面向一级（Tier-1）机构的。它们在跨资产检测上极为出色，却恰恰在审查员如今所要求的那件事上很弱：算法决策的可解释性，以及统一的多监管映射。Nasdaq 的平台以交易所为中心，是为卖方打造的。Eventus 则以检测为先。它们当中没有一个是围绕合规官在检查当天的难题来设计的。

于是，一家二级（Tier-2）银行或一家中型资产管理公司，要以摩根大通（JPMorgan）零头的预算、且完全没有内部量化团队，去面对与摩根大通相同的监管标准。他们的选择一直是：为一个并不合身的企业级平台多花冤枉钱；或者自己动手建，花费$2–10 million，外加每年一百万美元的维护费，同时还要与对冲基金的薪酬争夺人才；又或者聘请一家四大（Big Four）事务所——而以我的经验，四大会就“该建什么”给你出主意，递给你一份 PowerPoint 目标运营模式方案，然后又去找那个它本来就会推荐的一级厂商。

在这个市场的中间地带，有一片真空：那些背负着顶级投行般的义务、却只有中端市场预算的公司，无人问津。

那片真空，正是我们的服务对象。定制化的合规智能，价位不是企业级的天价勒索，也没有厂商锁定。

更棘手的问题正在到来：自主智能体

如果说可解释性是今天的问题，那么代理式 AI 就是明年的问题，而几乎没有人为此做好了准备。

大约44% 的财务团队预计在 2026 年使用代理式 AI——增幅超过 600%——而且已有一家公司报告在生产环境中运行着 60 个自主智能体，并计划再增加 200 个。这些系统可以自动化多达 70% 的人工合规工作。它们也能自行触发交易、调整风险模型、批准交易。

对任何经历过检查的人来说，真正令人恐惧的是接下来会发生什么。整个行业所依赖的治理框架——美联储（Fed）和货币监理署（OCC）的 SR 11-7 模型风险指引——是在 2011 年为行为稳定、确定性强的模型而写的。正如 GARP 的风险分析师在 2026 年初所说，SR 11-7“仍是模型治理为数不多的稳定参照点之一”——而代理式 AI 打破了它的核心假设，引入了不透明性、随机性和自主性，且往往依附于可以不经通知就发生变化的第三方基础设施。你无法重构一个每次决策都不一样、又依赖于你无法掌控的厂商模型的系统所做的决策。

把我们实际所处的位置说清楚：FMSB 的从业者评审指出，面向市场的 AI 尚未自主运作——它嵌入在交易基础设施中，处于人工监督之下。这很好。这就是那扇窗口。为自主交易智能体构建治理的正确时机，是在它们尚未自主交易之前，而不是在事后的复盘里。我们现在就把这层可解释性与监督能力设计进去，好让审计线索在监管者开口索要之前就已存在。

这里也存在真正可用的技术杠杆。基于图的模型——绘制交易对手风险敞口之网的图神经网络——在研究环境中检测风险传染时，AUC-ROC 分数已达到约 0.891，远远领先于传统方法，并将早期预警的提前量延长了近十二天。几乎没有哪家监控厂商把基于图的传染分析作为标准功能提供。对一家存在相互关联的交易对手风险的公司来说，这就是“看见一场级联正在逼近”与“在一份执法令里读到它”之间的差别。

“这不就是又一款合规软件吗？”

有人会用这句话的某个版本问我，而公道的回答是：如果建得对，就不是。

合规之所以让人感觉是纯粹的成本——大型银行每年为此花费超过$200 million，而员工在这上面花的时间在十年里增长了 61%——是因为其中大部分都是在人工重构那些系统本该自动记录下来的东西。当解释在算法运行的同时被生成时，检查就不再是一场考古挖掘。清单是一次查询。决策链早已写下。跨司法辖区的映射是一个模型，而不是五个。

人们问的另一件事，是可解释性会不会拖慢算法——你是不是在用微秒去换文书工作。并不会。推理捕获与执行并行；它是一条记录，而不是一道刹车。真正解决了这个问题的公司，不再把合规当作对速度征收的税，而是开始把它当作系统的一种属性——从第一行代码起就在场，而不是在审计前才临时拴上去。

在这里我会想到 Two Sigma 的案子。一名资深研究员在将近两年的时间里悄悄改动了十四个投资模型——每次只是轻推一个参数——在被人发现之前造成了 $165 million 的客户损失；该公司支付了 $90 million 达成和解。这些模型并非名义上无人监督。它们是在实践中无法解释。没有人能实时看到，推理已被污染。这不是一次检测失败。这是一次披着检测失败外衣的可解释性失败。

花旗那名交易员 $444 billion 的失误，几秒钟就能铸成，却要打上数年的官司。把一个尴尬的错误变成 $92 million 的错误的，并不是那一篮子的规模。而是当监管者俯身逼问为什么时，答案只是耸耸肩。

每一家运行算法的公司，都离那个问题只差一个糟糕的早晨。将来能安然无恙的，不是那些拥有最多控制措施或最昂贵平台的公司。而是那些——当审查员指向上午 9:47 时——能调出那个决策并逐行讲解的公司；也是那些把这种能力构建进了合规层、且远在需要它之前就已如此的公司。趁机器还在交易时，就把解释写下来。等到有人开口来问，才开始动笔记录，就已经太迟了。