1万亿美元蒸发的那一天——为什么“智能”算法让情况变得更糟
我正和团队通电话时，有人分享了一张日经指数的截图。它下跌了8%。然后是10%。接着是12.4%。
那是2024年8月5日。日本市场经历了自1987年黑色星期一以来最糟糕的一天。恐慌指数（VIX）——衡量华尔街恐慌程度的指标——飙升至65.73，这是我们在2008年金融危机和新冠疫情最初几周之外从未见过的水平。仅在人工智能和科技股中，就有一万亿美元的市值蒸发。
我记得我的一位工程师半开玩笑地说：“所以算法又在互相交易了。”
他没说错。而那句话——互相交易——是人工智能行业里没人愿意大声说出的潜台词。现在，全球60%到70%的交易由算法执行。这些算法大多数是概率系统——它们根据历史数据中的模式预测下一步最可能的走势。它们不理解正在发生什么。它们不知道日元为何升值，也不知道套息交易平仓对流动性意味着什么。它们只是看到价格信号并做出反应。
在8月5日，它们都在同一时间、朝同一方向，对一个部分属于技术伪影的信号做出了反应。结果是引发了任何单一的人类交易员都不可能造成的连锁反应。
那天改变了我对我们在Veriprajna构建的产品的看法。它证实了我多年来一直主张的观点：没有确定性护栏的概率人工智能不仅不可靠——它还是危险的。
8月5日到底发生了什么？
表面上的故事是宏观经济的。日本央行出人意料地加息了0.25%。就在同一周，一份疲软的美国就业报告触发了“萨姆规则”——一个基于失业率上升的衰退指标。两个数据点。从其本身来看，这两个数据都不具灾难性。
但在这些头条新闻的背后，是十多年来一直在积累的巨大杠杆押注：日元套息交易。
简而言之，就是这样。日本多年来一直将利率保持在接近零的水平。美国联邦储备委员会将利率推高至5.5%。因此，对冲基金、机构投资者，甚至散户交易员，都以低成本借入日元，并将这些资金投入收益率更高的资产——美国科技股、新兴市场、加密货币。只要日元保持疲软，这种利率差就是免费的钱。
经济学理论表明这不应该奏效。利率平价理论预测汇率变动应该抵消利率收益。但在实践中，存在一个有据可查的异常现象，称为远期溢价之谜：高息货币在短期内往往会升值，这使得套息交易更加有利可图。因此，这种头寸越积越多。不断增长。
当日本央行加息并且日元在一周内升值7.7%时，“套息”变成了亏损。追加保证金通知接踵而至。去杠杆化的过程非常剧烈。
但让我困扰的是：宏观触发因素也许只能解释一半的故事。这规模——速度、蔓延程度、万亿美元的蒸发——这些都是算法造成的。
恐慌指数在撒谎
这就是至今仍让我夜不能寐的部分。
每个人都视为衡量市场恐慌程度的权威指标VIX，并不是根据实际交易价格计算出来的。它是从标准普尔500指数期权的中间报价推导出来的——即买方出价和卖方要价之间的中间值。
在8月5日的盘前时段，流动性枯竭了。做市商为了保护自己而扩大了买卖价差。由于期权价格不能低于零，并且最低出价通常固定在5美分左右，这种价差的扩大机械地推高了中间报价。在市场开盘之前，VIX就飙升了180%。
VIX飙升不是因为恐慌程度高了180%。它飙升是因为流动性减少了180%。而数以千计的算法无法分辨其中的区别。
波动率目标基金、商品交易顾问（CTA）——这些系统被编程为当隐含波动率上升时抛售股票。它们看到了VIX的数字。它们卖出了。它们的抛售进一步压低了价格，从而触发了更多算法去卖出，这又将VIX推得更高。
这是一个建立在测量伪影上的反馈回路。“恐慌指标”在某种程度上正在测量它自身的倒影。
在接下来一周的团队会议上我提出了这个问题，我们的一位数据科学家调出了国际清算银行的分析，正是这一分析准确地证实了这个机制。我记得房间里安静了下来。我们一直在为企业客户——税务合规、建筑物流——构建神经符号系统，但那一刻我意识到，同样的架构缺陷正处于全球金融的核心位置。
为什么“智能”的人工智能系统没有发现这一点？
人们总是问我这个问题。如果人工智能如此强大，为什么它没有阻止这场崩盘？为什么交易算法没有识别出VIX的异常情况？
因为它们的设计初衷并非如此。它们被设计用来对信号做出反应，而不是去推理它们。
今天大多数由人工智能驱动的交易系统就是我所说的概率包装器。它们是构建在大型语言模型或统计预测引擎之上的薄界面。它们非常擅长模式匹配——在历史数据中寻找相关性，预测短期价格走势。但是它们没有关于事物为什么会发生的内部模型。
一个在历史VIX数据上训练出来的概率系统会学到：“当VIX超过40时，卖出股票。”这在正常市场中是一个有用的启发式方法。在8月5日，这就如同火上浇油。系统不会问：“等等——这次VIX的飙升是由已实现的波动率驱动的，还是在低流动性环境中基于报价的测量伪影驱动的？”这个问题需要因果推理。它需要理解市场微观结构。它需要我们所说的确定性逻辑——而概率模型没有这个。
曾有一位投资者直截了当地对我说：“用GPT就行了。用市场数据对它进行微调。”我试图解释，一个预测下一个可能标记的语言模型，与一个能够强制执行“不要执行由偏离实际波动率超过3个标准差的VIX读数触发的卖出订单”这一约束的系统，有着根本的不同。他看着我，好像我在把事情复杂化。
8月5日是一场价值1万亿美元的反驳。
对于市场而言，“深度人工智能”究竟意味着什么？
在Veriprajna，我们使用“深度人工智能”这个术语，以将我们构建的系统与充斥市场的众多人工智能包装器区分开来。这并非营销术语——这是一种架构承诺。我在我们研究的交互式版本中深入探讨了这一理念，但核心思想是这样的：
神经网络用于感知。符号逻辑用于真相。
我们称之为“神经符号三明治”。神经网络摄取数据——价格馈送、新闻、订单簿动态。它在这方面表现出色。模式识别正是神经网络为之而生的。但在该神经输出到达任何决策层之前，它需要经过一个符号约束引擎——一个强制执行不可变规则的确定性层。
那些规则并非从数据中学习得来。它们是被明确编码的。保证金要求。流动性阈值。监管限制。时间逻辑——理解7月份日本央行的利率决定与8月份的追加保证金通知在因果关系上处于上游，即使它们出现在不同的数据块中。
在神经符号系统中，真相并非一种统计上的可能性。它是一种经过验证的、有逻辑支撑的确定性。神经网络说“这种模式看起来像一个卖出信号。”符号层会问“这个卖出信号是否违反了我们已知为真的任何约束？”如果回答是肯定的，该信号就会被拦截。没有商量的余地。
这并不是理论。我们已经为税务合规构建了这些约束引擎，在其中人工智能代理实际上不可能推荐违反成文法的申报立场，无论提示有多么令人信服。同样的架构也适用于交易：一个代理不能执行由它能够识别为异常的VIX读数触发的交易。
为什么当前的人工智能系统在这方面会失败？
有一种特定的技术故障模式解释了8月5日发生的许多问题，而且这也是我在市场上几乎每一个“由人工智能驱动”的金融产品中看到的相同的故障模式。
它叫做朴素RAG——检索增强生成。这个想法很简单：采用一个大型语言模型，将其连接到一个文档数据库（市场报告、新闻、文件），并让它在生成答案之前检索相关的上下文。
问题在于“相关上下文”是如何被选择的。大多数RAG系统将文档切分成固定大小的块，将它们转换为数值向量，并检索在数学上与查询最相似的块。这造成了三个灾难性的盲点：
时间盲区。一个关于2010年“市场崩盘”的数据块和一个关于2024年“市场崩盘”的数据块作为向量看起来几乎一模一样。模型无法区分历史事件和正在发展的事件。在8月5日，人工智能新闻分析工具将十年前的政策反应与实时情况混为一谈。
叙事碎片化。分块破坏了一个正在发展的故事的线索。日本央行的利率决定、日元的升值以及对冲基金的追加保证金通知，是三篇不同文章中的三个独立数据块。人工智能无法将它们联系起来。
多跳推理失败。套息交易崩盘需要传递逻辑：日本央行加息 → 日元升值 → 套息交易头寸变得无利可图 → 强制平仓冲击美国科技股 → VIX飙升 → 波动率目标基金抛售更多。这是一个由六个步骤组成的因果链。朴素RAG做不到这一点。
我们用知识图谱来替代它——这是经济主体、货币、工具和监管机构之间关系的明确地图。当日本央行的利率决定进入系统时，知识图谱已经知道它与日元套息交易头寸相连，后者又与美国股票敞口相连，而美国股票敞口又与对VIX敏感的基金相连。这种推理是结构性的，而不是统计性的。
如何在蔓延发生之前对其进行建模？
这就是图神经网络——GNN——改变我对应对金融风险看法的切入点。
传统风险模型将资产视为独立的数据点，或者使用静态相关矩阵。这些矩阵是在市场平静时期校准的。在闪崩期间，相关性飙升至1——所有东西都在被同时抛售——模型就崩溃了。
GNN将市场视为其本来面目：一个网络。节点是资产。边是它们之间信息流动的强度。日经225指数与美元/日元相连，美元/日元与英伟达相连，英伟达与VIX相连。GNN不仅学习每个节点的状态，还学习冲击如何通过边传播。
我们的研究表明，GNN在波动率预测中实现了0.0025的均方误差和0.050的均方根误差——显著优于传统的循环神经网络甚至Transformer。原因是结构性的：GNN捕获了多跳交互。它们可以在价格变动在时间序列中显现之前，识别出对日元的冲击将通过套息交易头寸传播到美国科技股。
但是——这也是最重要的一点——我们并不让GNN单独行动。它的输出会被馈送到符号约束层。GNN说“从日元到纳斯达克的蔓延概率升高了。”符号引擎进行检查：“当前的套息交易头寸是否高于我们风险规则中编码的阈值？VIX的表现是否与实际波动率一致，还是基于报价的异常？”只有在这两项检查都通过后，系统才会生成建议。
没有符号约束的GNN是一个非常精确的恐慌按钮。带有符号约束的GNN是一个风险管理系统。
有关该架构的完整技术分解——包括我们用于具有保证金意识的交易代理的强化学习框架——请参阅我们的研究论文。
黑盒问题不仅是技术性的——它也是法律性的
以下是一些未受到足够重视的事情：监管机构正将目光投向不透明的人工智能。
美国商品期货交易委员会（CFTC）和美国证券交易委员会（SEC）越来越关注算法交易的透明度。一个执行了1亿美元卖出订单却无法解释原因的黑盒，不仅是一种技术风险——也是一种合规责任。国际清算银行已经发布了关于监管机构应如何对待金融市场中人工智能可解释性的明确指导。
我们从一开始就将可解释性构建到架构中。我们的符号约束层本质上是可解释的——你可以将每一个决定追溯到允许或阻止它的特定规则。对于神经组件（GNN、强化学习代理），我们应用事后技术：显示哪些变量驱动了预测的SHAP值，显示不同输入将如何改变输出的反事实解释。
我曾与一家中型基金的合规官员交谈，她告诉我，他们当前的人工智能交易系统生成的建议是他们无法审计的。“我们只能相信它，”她说，“直到它出错，然后我们必须向董事会解释为什么我们相信了它。”
用一句话说，这就是合规危机。这也是为什么我们将每一次部署与NIST人工智能风险管理框架对齐的原因——这不是一个打勾的练习，而是一个运营架构。该框架的四个支柱（治理、映射、测量、管理）直接映射到我们的构建方式上：将监督政策融入系统，对每一个数据依赖进行风险映射，对模型漂移进行持续测量，以及当系统检测到自身在可靠范围外运行时启动的确定性终止开关。
关于“只需添加更多数据”的论点又如何呢？
人们对神经符号方法进行反击。他们说：“如果概率模型在8月5日失败了，那么答案就是更好的概率模型。更多的训练数据。更大的上下文窗口。在危机场景上进行微调。”
我理解这种吸引力。它更简单。它符合当前的工具链。但它是错误的。
2024年8月的套息交易平仓是一个前所未有的事件。日本央行加息、萨姆规则被触发、VIX报价异常以及数万亿美元规模的杠杆头寸同时平仓——这种特定的组合以前从未发生过。再多的历史训练数据也无法包含它。
概率模型从过去中推断。确定性约束引擎编码了支配现在的规则。保证金要求的规则在危机期间不会改变。VIX的计算机制在危机期间不会改变。利差与套息交易盈利能力之间的因果关系在危机期间也不会改变。无论之前是否见过特定场景，这些都是符号层可以强制执行的东西。
你无法通过训练摆脱一场前所未有的危机。你只能通过推理度过它——而推理需要概率模型所不具备的结构。
包装器时代已经结束
过去几年里，我看着人工智能行业在相同的概率基础之上构建越来越精致的外墙。GPT-4上的薄界面。“由人工智能驱动”的仪表板，其实只不过是访问API的提示词模板。咨询界将这些称为“人工智能解决方案”。我称它们为流沙上的包装器。
2024年8月5日，是流沙移动的日子。一万亿美元消失了，不是因为基本面崩溃，而是因为算法无法对它们进行交易的世界进行推理。它们无法区分流动性伪影和真正的恐慌。它们无法追踪从东京到华尔街由六个步骤组成的因果链。它们无法根据VIX的计算基本机制来检查自身的输出。
我们构建了能够做到这些的系统。不是因为我们更聪明——而是因为我们做出了不同的架构选择。我们选择将人工智能不视为一个偶尔会碰运气的预测引擎，而是将其视为一个工程系统，在这个系统中每一个输出都会对照明确的、可审计的逻辑进行验证。
人工智能的淘金热奖励了速度。下一个时代将奖励真相。而在任何重要的领域——金融、法律、医学、基础设施——真相需要的不仅仅是概率。它需要证明。
那不是一种对冲。那是基础。
