你的演算法在有人按下取消前就賣出了 14 億美元。你解釋得出為什麼嗎？
有一個問題，往往還沒真正開始，就終結了大多數的監理檢查。它問的不是「你有沒有控管機制？」——人人都有控管機制。它比那更安靜，也更棘手：
「帶我一步步走過，八月五日早上九點四十七分，這套演算法究竟做了什麼。」
我看過聰明、資金雄厚的公司在這個問題面前僵住。他們調得出委託單日誌，也能秀出成交紀錄。但他們做不到的，是重建決策鏈——為什麼模型把部位規模抓成那樣，為什麼風險門檻設在那個位置，為什麼三週前的一次程式碼變更沒觸動任何人的警覺。而在 2026 年，這道落差就是整場勝負的關鍵。演算法交易合規已經悄悄地從「證明你有護欄」轉變為「證明你能在事後解釋機器所做的每一個動作」。
我想告訴你我是怎麼開始相信這一點的，因為我一開始就搞錯了——而且錯得很昂貴——我犯錯的方式，正是這個產業至今大多數人仍在犯的方式。
那筆順利通過的 1,890 億美元
先從花旗集團（Citigroup）說起，因為這是我所知最清楚的一課。
2022 年 5 月，一位花旗交易員本打算賣出一籃子價值 5,800 萬美元的股票。因為一個手動操作失誤，他們反而建立了一籃子價值4,440 億美元的部位。花旗的交易前控管確實發揮了作用——大致上。它攔下了 2,550 億美元。但有 1,890 億美元溜過了控管，抵達一套交易演算法，這套演算法盡責地把它切成賣單，在有人按下取消之前，將約 14 億美元推入歐洲市場。它在多個歐洲交易所引發了閃電崩盤。
接下來這一段，應該讓合規長們夜不成眠。當德國聯邦金融監理總署（BaFin）和英國監理機關進場時，那個致命的問題不是「發生了什麼」。花旗答得出來。真正的問題是為什麼——為什麼控管放了 1,890 億美元通過，以及為什麼那些門檻被校準在那個水準？花旗秀得出委託單。但他們無法充分重建演算法的推理，也無法為主宰它的參數辯護。
那道落差讓他們付出代價。BaFin 對花旗開罰 1,297.5 萬歐元；兩天前，英國監理機關就同一事件加罰 6,160 萬英鎊。總計約9,200 萬美元，只因一次演算法失靈，橫跨三個司法管轄區。
失敗的不是控管本身。無法解釋這些控管，才是真正的失敗。
我一再回想這一點，因為它顛覆了大多數公司編列預算的方式。他們把錢花在建置更多控管上，卻幾乎不花錢在能夠於宣誓作證下陳述說明這些控管的能力上。
檢查員真正會問什麼？
當我開始與中型市場銀行和資產管理公司的合規主管交談時——也就是那些在頂級投行層級以下的公司——我會請他們和我一起角色扮演一場檢查。它總是以同樣的三個步驟瓦解。
「給我看你的演算法清冊。」這是開場白，也是一個安靜的殺手。英國金融行為監理總署（FCA）在 2025 年 8 月對十家自營交易公司進行了跨機構審查，發現大多數公司的文件不完整或過時——沒有一份清楚的清冊，載明每套演算法由誰負責、它在哪些市場交易、由哪些風險參數主宰。有些公司甚至在自我評估中漏掉了整段 RTS 6 要素。（RTS 6 是 MiFID II 針對演算法交易公司的規則手冊——涵蓋治理、測試、風險控管。）如果你拿不出一份即時、完整、載明各策略負責註冊人員的清冊，這場檢查實質上就到此為止了。依 FINRA 的規則，設計或重大修改交易演算法的人員必須註冊為證券交易員（Securities Traders）——所以「這套演算法由誰負責」不是一道冷知識題，而是一個帶著名字的監理問題。
「帶我走過這一套那天早上做了什麼。」這就是花旗集團的那個問題。大多數公司秀得出委託單。幾乎沒有一家能重建那個決策。而如果你是資產管理公司而非券商，這個問題就不會落在交易台上——它會落在你的量化研究團隊身上，一個被埋在模型裡、遭到竄改的單一參數，可以數個月未被察覺地運行。（Two Sigma 就是慘痛地學到這一點；稍後細談。）
「你的合規人員在技術上如何審查這些演算法？」FCA 對他們在這裡所發現的情況，有一個絕妙外交辭令：「合規部門的技術知識參差不齊」。翻譯過來，意思是合規團隊看得懂一份警示報告，卻無法質詢模型的邏輯、挑戰某個風險參數，或驗證上一次衝刺（sprint）的程式碼變更沒有悄悄開出一個新的監理漏洞。這個產業的答案是聘用具備量化素養的合規人員——只不過，真正同時懂得 CFTC 市場准入規則又懂圖神經網路架構的人少之又少，而且他們拿的薪水，就跟那些同樣想要他們的避險基金一樣高。
這三個問題背後的監理方向一點都不隱晦。SEC 和 CFTC 在 2024 年合計提起了創紀錄的253 億美元執法行動。歐盟《人工智慧法》（EU AI Act）要求高風險金融 AI 系統必須在2026 年 8 月 2 日之前具備技術文件、風險管理，以及人為監督能力。DORA——歐盟的營運韌性制度——自 2025 年 1 月起已經上路。而在印度，SEBI 如今要求每一套策略在上線前都必須取得唯一的 Algo-ID 及交易所核准。問題已不再是你的演算法會不會被檢查，而是它們能否撐過那場檢查。
我做出來卻沒人想要的那個東西
於是我跑去做了一個更好的偵測器。
這就是我的錯誤，而我想誠實面對它有多誘人。大家抱怨得最大聲的買家痛點，就是警示疲勞——在一項針對銀行與券商的調查中，70% 的機構在其交易監控中回報誤報率高於 25%。合規團隊淹沒在雜訊裡，追著幽靈般的坐盤（spoofing）警示跑。所以我們打造了一個真正擅長削減誤報的東西：行為情境、市場狀態感知、自適應門檻。在測試中它乾淨又快速。我為它感到驕傲。
接著我們把它拿到一位真正的中型市場合規長面前跑。她看著儀表板，點頭附和，然後問了一個引爆我三個月心血的問題：
「這很不錯。但當檢查員問，模型為什麼觸發——或者為什麼沒有觸發——我要拿什麼給他們看？」
產品裡我沒有答案。我們打造了一個更快產生警示的方式，卻沒有打造一個解釋它們的方式。而我坐在那裡才意識到，我複製出了監理機關正在懲罰的那個東西：一個產出結果、卻沒有可重建推理鏈的黑箱。一個更好的黑箱，仍然是個黑箱。
那是轉捩點。偵測從來就不是那個未被滿足的需求。未被滿足的需求是稽核準備度——把演算法的決策轉化為解釋，讓一位非量化背景的合規長能夠審查、挑戰，並帶進檢查室裡。我們拋開了原本的框架，從頭來過。
為檢查員而建，而非為警示而建
我們最終打造出來的系統——也就是我們現在部署的演算法交易合規情報層——是從一個不同的第一原理出發：一套正式上線的演算法所做的每一個決策，都應當留下一份稽核可用、附有時間戳記的說明，解釋為什麼，而不只是做了什麼。
這聽起來理所當然，直到你真的動手去做。第一個設計難題是，需要這份解釋的人讀不懂模型。所以這些解釋必須把演算法的邏輯——它的輸入、它加權的市場訊號、它據以測試的門檻、人為的覆寫——翻譯成一種合規長不必讀原始碼就能質詢的東西。不是一個信心分數，而是一份對推理過程的交代。
第二個難題是清冊本身。我們對待演算法清冊的方式，就像工程團隊對待程式碼：每一套上線的策略都帶著它獲准的市場、部位限額、註冊的負責人，以及一份完整的變更歷史，於是「給我看你的清冊」這個問題，就變成了一次查詢，而不是一場消防演習。同一套骨幹會把每一項控管同時對應到多個監理框架——SEC 規則 15c3-5、MiFID II 的 RTS 6、歐盟《人工智慧法》、DORA、SEBI 的 Algo-ID 制度——因為中型市場公司跨境交易，而沒有任何一家既有供應商能從單一平台把控管對應到所有這些框架。如今大多數跨司法管轄區的公司，得為每個監理機關拼湊出各自獨立的合規流程。那種冗餘，正是軟體應當吞掉的那類工作。
第三個難題是斷路開關（kill switch）。花旗的控管並非不存在——它們攔下了 2,550 億美元。它們只是不夠分級。大多數的斷路器是二元的：開或關。所以我們打造了智慧型、多層級的斷路器——由行為異常偵測觸發一個成比例的回應，而不是單一的恐慌按鈕，這正是攔下 2,550 億美元、與攔下那筆溜過去的 1,890 億美元之間的差別。
為什麼大家不乾脆買個平台就好？
這是我最常聽到的反對意見，而它值得一個實在的回答。
交易監控市場正從 2025 年約 13 至 30 億美元，邁向 2033 年的 42 至 93 億美元，而前五大供應商掌握了其中的 55 至 59%。NICE Actimize、Nasdaq 的 Surveillance AI、Eventus 的 Validus——這些都是真正有實力的平台。我不是來告訴你它們不管用的。
我是來告訴你它們的代價，以及它們止步於何處。一套完整的 NICE Actimize 部署，一年要花100 萬到 500 萬美元以上，其定價與架構都是為第一級（Tier-1）機構打造的。它們在跨資產偵測上極為出色，卻正好在檢查員如今所要求的那件事上薄弱：演算法決策的可解釋性，以及統一的跨監理對應。Nasdaq 的平台以交易所為中心，是為賣方而建。Eventus 則偵測優先。它們沒有一個是圍繞著合規長在檢查日當天的那個問題來設計的。
於是一家第二級（Tier-2）銀行或一家中型資產管理公司，面對的是與摩根大通（JPMorgan）相同的監理標準，卻只有其零頭的預算，也完全沒有內部的量化人才板凳。他們的選項一直是：為一個不合身的企業級平台多付冤枉錢、自己動手打造花掉200 萬到 1,000 萬美元、外加每年一百萬美元的維護費，同時還得與避險基金的薪酬爭奪人才，或者聘請一家四大會計師事務所——依我的經驗，這些事務所會就該建什麼提供建議、交給你一份 PowerPoint 目標營運模式簡報，然後轉頭去找那家它本來就會推薦的第一級供應商。
這個市場的中間地帶有一個空洞：那些揹著頂級投行等級義務、卻只有中型市場預算的公司，無人服務。
那個空洞，正是我們所服務的對象。量身打造的合規情報，以一個不是企業級勒索的價格，而且沒有供應商鎖定。
更難的問題即將到來：自主代理
如果說可解釋性是今日的問題，那麼代理型 AI（agentic AI）就是明年的問題，而幾乎沒有人準備好面對它。
大約有44% 的財務團隊預期將在 2026 年使用代理型 AI——一個超過 600% 的躍升——而已經有一家公司回報有 60 個自主代理正在運行中，並計畫再增加 200 個。這些系統能自動化多達 70% 的人工合規工作。它們也能自行觸發交易、調整風險模型，並授權交易。
讓任何坐過檢查的人感到恐懼的，是接下來會發生的事。整個產業所倚賴的治理框架——聯準會（Fed）與 OCC 的 SR 11-7 模型風險指引——是在 2011 年為行為穩定、具確定性的模型所寫的。正如 GARP 的風險分析師在 2026 年初所言，SR 11-7「仍是模型治理少數幾個穩定的參考基準之一」——而代理型 AI 打破了它的核心假設，引入了不透明性、隨機性與自主性，且往往搭載在可能未經通知就變動的第三方基礎設施之上。你無法重建一套每次都做出不同決策、又依賴於一個你無法掌控的供應商模型的系統的決策。
把我們實際所處的位置說清楚：FMSB 的從業者審查指出，面向市場的 AI 尚未自主運作——它嵌入在人為監督之下的交易基礎設施中。很好。那就是那扇窗口。為自主交易代理建立治理的正確時機，是在它們自主交易之前，而不是在事後檢討時。我們現在就把那個可解釋性與監督層設計進去，好讓稽核軌跡在監理機關開口要求之前就已存在。
這裡也有真正可用的技術槓桿。以圖為基礎的模型——那些把交易對手曝險網絡對應出來的圖神經網路——在研究情境中偵測風險傳染的 AUC-ROC 分數已達到約 0.891，遠遠領先傳統方法，早期預警的提前時間延長了將近十二天。幾乎沒有任何一家監控供應商把以圖為基礎的傳染分析當作標準功能提供。對一家交易對手風險彼此交織的公司而言，那就是「看見一場串聯崩盤正要來臨」與「在一紙執法命令裡讀到它」之間的差別。
「這不就是又一套合規軟體嗎？」
有人會用各種說法問我這個問題，而公道的答案是：如果建對了，就不是。
合規之所以感覺像是純粹的成本——大型銀行每年在這上面花費超過2 億美元，而員工投入其上的時間，十年間增長了 61%——是因為其中大部分都是在人工重建那些系統本應自動記錄下來的東西。當那份解釋是在演算法運行的同時生成的，檢查就不再是一場考古挖掘。清冊是一次查詢。決策鏈早已寫下。跨司法管轄區的對應是一套模型，而不是五套。
人們還會問的另一件事，是可解釋性會不會拖慢演算法——你是不是在用微秒去換取文書作業。並不會。推理擷取是與執行並行的；它是一份紀錄，不是一個煞車。把這件事解決的公司，不再把合規當作對速度課的稅，而開始把它當作系統的一種內在屬性，從第一行程式碼起就存在，而不是趕在稽核前才拴上去的。
我在這裡會想到 Two Sigma 那個案子。一位資深研究員在將近兩年裡，悄悄地更改了十四個投資模型——輕輕撥動一個單一參數——在有人察覺之前，造成了 1.65 億美元的客戶損失；該公司支付了 9,000 萬美元和解。那些模型並不是名義上無人監督。它們是實務上無法解釋。沒有人能即時看出，那份推理已經被腐化了。那不是一次偵測失敗。那是一次穿著偵測失敗外衣的可解釋性失敗。
那位花旗交易員的 4,440 億美元失誤，用了幾秒鐘造成，卻花了數年來訴訟。把一個難堪的錯誤變成一個 9,200 萬美元的錯誤的，不是那一籃子的規模。而是當監理機關逼近、問起為什麼時，得到的答案是一個聳肩。
每一家運行演算法的公司，都離那個問題只有一個糟糕的早晨之遙。那些將會安然無恙的公司，不是擁有最多控管、或最昂貴平台的那些。而是當檢查員指向早上 9 點 47 分時，能夠調出那個決策、並一行一行走過它的那些公司——而且他們早在需要之前，就把那個能力建進了合規層裡。趁機器還在交易時，就把解釋建好。等到有人開口問的那一刻，才開始把它寫下來，已經太遲了。
