一兆美元蒸發的那天——以及為什麼「聰明」的演算法讓情況更糟

當有人分享日經指數的截圖時，我正在與團隊通話。它下跌了 8%。接著是 10%。然後是 12.4%。

那天是 2024 年 8 月 5 日。日本股市經歷了自 1987 年黑色星期一以來最糟糕的一天。VIX——衡量華爾街恐慌程度的指數——飆升至 65.73，這是我們在 2008 年金融危機和 COVID 初期之外從未見過的水平。僅僅是 AI 和科技股，就有高達一兆美元的市值蒸發。

我記得我的一位工程師半開玩笑地說：「所以演算法又在互相交易了。」

他沒有說錯。而那句話——互相交易——是 AI 業界沒人願意大聲說出來的秘密。全球現在有 60% 到 70% 的交易是由演算法執行的。這些演算法大多是機率系統——它們根據歷史數據的模式來預測下一個可能的走勢。它們不理解正在發生的事情。它們不知道為什麼日圓正在升值，也不知道平倉套利交易對流動性意味著什麼。它們只看價格信號並做出反應。

在 8 月 5 日，它們都在同一時間、朝同一個方向對一個部分是技術假象的信號做出了反應。結果引發了沒有任何單一人類交易員可以造成的連鎖反應。

那一天改變了我對我們在 Veriprajna 所建立事物的看法。它證實了我多年來一直主張的觀點：沒有確定性護欄的機率性 AI 不僅不可靠——它很危險。

8 月 5 日到底發生了什麼事？

表面的故事是總體經濟。日本央行出人意料地將利率提高了 0.25%，震驚了市場。同一週，疲軟的美國就業報告觸發了「薩姆規則」（Sahm Rule）——這是一個基於失業率上升的衰退指標。兩個數據點。單獨來看，都不是災難性的。

但在這些頭條新聞之下，是一個已經累積了十多年的大規模槓桿賭注：日圓套利交易。

簡單來說是這樣的。日本多年來一直將利率維持在接近零的水平。美國聯邦準備理事會則將利率推高至 5.5%。因此，避險基金、機構投資者，甚至散戶交易員，都以低成本借入日圓，並將這筆錢投入高收益資產——美國科技股、新興市場、加密貨幣。只要日圓保持弱勢，利率差就是免費的錢。

經濟理論認為這不應該行得通。利率平價理論預測，匯率變動應抵消利率收益。但在實務中，有一個有據可查的異常現象，稱為遠期溢價難題：高利率貨幣在短期內傾向於升值，使得套利交易更加有利可圖。於是這個倉位越來越大。越來越大。

當日本央行升息，日圓在短短一週內升值 7.7% 時，這個「套利」變成了虧損。保證金追繳令隨之而來。去槓桿化的過程非常劇烈。

但讓我困擾的是：總體經濟觸發因素可能只解釋了一半的故事。這個規模——速度、蔓延程度、一兆美元的蒸發——那是演算法造成的。

恐慌指標在說謊

這部分至今仍讓我難以入眠。

被大家視為市場恐慌最終衡量標準的 VIX，並不是從實際交易價格計算出來的。它是從標準普爾 500 指數選擇權的中間報價得出的——即買方出價和賣方要價之間的中間值。

在 8 月 5 日的盤前時段，流動性枯竭了。造市商擴大了他們的買賣價差以保護自己。因為選擇權價格不能低於零，且最低出價通常固定在 5 美分左右，這種價差擴大機械性地推高了中間報價。在市場甚至還沒開盤之前，VIX 就飆升了 180%。

VIX 飆升並不是因為恐慌程度高了 180%。它的飆升是因為流動性薄弱了 180%。而數以千計的演算法無法分辨這兩者的差別。

波動率目標基金、商品交易顧問（CTA）——這些系統被編程為在隱含波動率上升時拋售股票。它們看到了 VIX 的數字。它們賣出了。它們的賣壓進一步壓低了價格，這觸發了更多演算法的拋售，進而推動 VIX 升得更高。

這是一個建立在測量假象上的回饋迴圈。這個「恐慌指標」在某種程度上測量的是它自己的倒影。

在接下來一週的團隊會議上，我提出了這個問題，我們的一位資料科學家調出了國際結算銀行的分析報告，該報告確切地證實了這個機制。我記得房間裡鴉雀無聲。我們一直在為企業客戶——稅務合規、建築物流——建立神經符號系統，但那一刻我意識到，同樣的架構缺陷正處於全球金融的核心。

為什麼「聰明」的 AI 系統沒有發現這個問題？

人們總是問我這個問題。如果 AI 如此強大，為什麼它沒有阻止崩盤？為什麼交易演算法沒有識別出 VIX 的異常？

因為它們不是為此設計的。它們被設計用來對信號做出反應，而不是對信號進行推理。

今天大多數由 AI 驅動的交易系統，我稱之為機率性包裝器。它們是建立在大型語言模型或統計預測引擎之上的輕量級介面。它們非常擅長模式匹配——在歷史數據中尋找相關性，預測短期價格走勢。但它們沒有解釋事情發生的原因的內部模型。

在歷史 VIX 數據上訓練的機率系統將學到：「當 VIX 超過 40 時，賣出股票。」這在正常市場中是一個有用的啟發式規則。但在 8 月 5 日，這就像是火上澆油。系統無法發問：「等等——這次 VIX 的飆升是由實際波動率驅動的，還是在低流動性環境中基於報價的測量假象？」這個問題需要因果推理。它需要理解市場微觀結構。它需要我們所說的確定性邏輯——而機率模型沒有這個。

曾經有一位投資者坦白地告訴我：「只要使用 GPT。在市場數據上微調它。」我試圖解釋，一個預測下一個可能詞彙的語言模型，與一個能夠執行「不執行由偏離實際波動率超過 3 個標準差的 VIX 讀數觸發的賣單」這樣限制條件的系統，有根本的不同。他看我的眼神，彷彿我在把事情複雜化。

8 月 5 日就是一兆美元的反駁。

「Deep AI」對市場究竟意味著什麼？

在 Veriprajna，我們使用「Deep AI」這個詞來區分我們所建立的東西與充斥市場的 AI 包裝器浪潮。這不是一個行銷詞彙——它是一個架構承諾。我在我們研究的互動版本中深入探討了這個理念，但核心思想是這樣的：

神經網路是用來感知的。符號邏輯是用來求真的。

我們稱之為「神經符號三明治」。神經網路接收數據——價格資訊流、新聞、訂單簿動態。它在這方面非常出色。模式識別就是神經網路與生俱來的本領。但在這些神經輸出到達任何決策層之前，它會經過一個符號約束引擎——這是一個執行不可變規則的確定性層。

這些規則不是從數據中學來的。它們是明確編碼的。保證金要求。流動性門檻。監管限制。時間邏輯——理解 7 月日本央行的利率決策，是 8 月保證金追繳令的因果上游，即使它們出現在不同的資料區塊中。

在神經符號系統中，真相不是統計上的可能性。它是一個經過驗證、有邏輯支持的確定性。神經網路說「這個模式看起來像是一個賣出信號。」符號層問「這個賣出信號是否違反了我們已知為真的任何限制？」如果是，該信號將被阻擋。沒有妥協的餘地。

這不是理論。我們已經為稅務合規建立了這些約束引擎，在這種情況下，AI 代理實質上無法建議違反成文法的報稅立場，無論提示詞多麼具說服力。同樣的架構適用於交易：一個無法執行由它可以識別為異常的 VIX 讀數所觸發的交易的代理。

為什麼目前的 AI 系統會在此失敗？

有一種特定的技術故障模式，可以解釋很多 8 月 5 日出錯的地方，這也是我在市場上幾乎每個「AI 驅動」的金融產品中看到的相同故障模式。

它被稱為單純的 RAG——檢索增強生成。這個想法很簡單：採用一個大型語言模型，將其連接到一個文件資料庫（市場報告、新聞、申報文件），並讓它在生成答案之前檢索相關的上下文。

問題在於如何選擇「相關的上下文」。大多數 RAG 系統將文件切割成固定大小的區塊，將它們轉換成數字向量，並檢索在數學上與查詢最相似的區塊。這造成了三個災難性的盲點：

時間盲區。 一個關於 2010 年「市場崩盤」的區塊和一個關於 2024 年「市場崩盤」的區塊，作為向量看起來幾乎一模一樣。模型無法區分歷史事件和正在發展的事件。在 8 月 5 日，AI 新聞分析工具將十年前的政策反應與即時狀況混為一談。

敘事碎片化。 區塊化破壞了正在發展中的故事線索。日本央行的利率決策、日圓升值，以及避險基金的保證金追繳，是三篇獨立文章中的三個獨立區塊。AI 無法將它們連結起來。

多跳推理失敗。 套利交易崩盤需要遞移邏輯：日本央行升息 → 日圓升值 → 套利交易部位變得無利可圖 → 強制拋售打擊美國科技股 → VIX 飆升 → 波動率目標基金拋售更多。這是一個六個步驟的因果鏈。單純的 RAG 做不到這一點。

我們用知識圖譜來取代它——這是經濟參與者、貨幣、工具和監管機構之間關係的明確映射。當日本央行的利率決策進入系統時，知識圖譜已經知道它與日圓套利交易部位有關聯，而日圓套利交易部位又與美國股票曝險有關聯，美國股票曝險又與對 VIX 敏感的基金有關聯。這種推理是結構性的，而非統計性的。

你如何在蔓延發生前進行建模？

這就是圖神經網路（GNN）改變了我對金融風險看法的地方。

傳統的風險模型將資產視為獨立的資料點，或使用靜態的相關性矩陣。這些矩陣是在市場平靜時校準的。在閃崩期間，相關性飆升至 1——所有資產都同時遭到拋售——然後模型就崩潰了。

GNN 將市場視為它的真實面貌：一個網路。節點是資產。邊是它們之間資訊流動的強度。日經 225 指數連接到美元/日圓，再連接到輝達（Nvidia），再連接到 VIX。GNN 學到的不僅是每個節點的狀態，還有衝擊如何透過邊來傳播。

我們的研究顯示，GNN 在預測波動率方面達到了 0.0025 的均方誤差和 0.050 的均方根誤差——顯著優於傳統的循環神經網路，甚至 Transformer。原因是結構性的：GNN 捕捉到了多跳互動。它們可以識別出對日圓的衝擊會透過套利交易部位傳播到美國科技股，而這發生在價格變動出現在時間序列中之前。

但是——這才是重要的一點——我們不會讓 GNN 單獨行動。它的輸出會輸入到符號約束層。GNN 說：「從日圓蔓延到那斯達克（Nasdaq）的機率正在升高。」符號引擎會檢查：「目前的套利交易部位是否高於我們風險規則中編碼的門檻？VIX 的行為是否與實際波動率一致，還是基於報價的異常？」只有在通過這兩項檢查之後，系統才會產生建議。

沒有符號約束的 GNN 是一個非常準確的恐慌按鈕。帶有符號約束的 GNN 是一個風險管理系統。

如需此架構的完整技術分析——包括我們用於具備保證金意識的交易代理的強化學習框架——請參閱我們的研究論文。

黑盒子問題不僅僅是技術上的——也是法律上的

有一件事並沒有得到足夠的關注：監管機構正在針對不透明的 AI 採取行動。

美國商品期貨交易委員會（CFTC）和美國證券交易委員會（SEC）越來越關注演算法交易的透明度。一個執行了一億美元賣單卻無法解釋原因的黑盒子，不僅僅是技術風險——更是合規責任。國際結算銀行已經發布了關於監管機構應如何處理金融市場中 AI 可解釋性的明確指引。

我們從一開始就將可解釋性建構到架構中。我們的符號約束層本質上是可解釋的——你可以將每個決策追溯到允許或阻擋它的具體規則。對於神經元件（GNN、強化學習代理），我們應用事後技術：顯示哪些變數推動了預測的 SHAP 值，以及顯示不同輸入將如何改變輸出的反事實解釋。

我曾與一家中型基金的合規主管交談，她告訴我他們目前的 AI 交易系統產生的建議是他們無法稽核的。「我們只是信任它，」她說。「直到它出錯為止，然後我們就必須向董事會解釋為什麼我們信任它。」

這就是一句話道出的合規危機。這就是為什麼我們讓每一個部署都與 NIST AI 風險管理框架保持一致——這不是為了打勾交差，而是作為一個營運架構。該框架的四大支柱（治理、對應、衡量、管理）直接對應到我們的建置方式：內建於系統中的監督政策、每個資料相依性的風險對應、模型漂移的持續衡量，以及當系統偵測到它在可靠範圍外運作時的確定性終止開關。

關於「只要加入更多數據」的論點怎麼說？

人們會反對神經符號方法。他們會說：「如果機率模型在 8 月 5 日失敗了，答案就是更好的機率模型。更多的訓練數據。更大的上下文視窗。在危機情境上進行微調。」

我理解這種吸引力。它比較簡單。它符合目前的工具鏈。但它是錯的。

2024 年 8 月的套利交易平倉是一個前所未有的事件。日本央行升息、薩姆規則觸發、VIX 報價異常，以及數兆美元的槓桿部位同時平倉的具體組合——這種確切的配置以前從未發生過。再多的歷史訓練數據都不包含它。

機率模型從過去推斷。確定性約束引擎則編碼了支配現在的規則。保證金要求的規則在危機期間不會改變。VIX 計算的機制在危機期間不會改變。利率差和套利交易獲利能力之間的因果關係在危機期間不會改變。這些是符號層可以執行的事物，無論這種具體情境以前是否見過。

你無法透過訓練來擺脫一場前所未有的危機。你只能透過推理來度過它——而推理需要機率模型所缺乏的結構。

包裝器時代已經結束

過去幾年，我一直在看著 AI 產業在同樣的機率基礎上建立越來越複雜的門面。在 GPT-4 上的薄介面。實際上只是呼叫 API 的提示範本的「AI 驅動」儀表板。顧問界稱這些為「AI 解決方案」。我稱它們為建立在流沙上的包裝器。

2024 年 8 月 5 日是流沙移動的一天。一兆美元消失了，不是因為基本面崩潰，而是因為演算法無法對它們進行交易的世界進行推理。它們無法區分流動性假象和真正的恐慌。它們無法追蹤從東京到華爾街的六步因果鏈。它們無法根據 VIX 計算的基本機制來檢查自己的輸出。

我們建立了能夠做到這一點的系統。不是因為我們比較聰明——而是因為我們做出了不同的架構選擇。我們選擇不將 AI 視為偶爾會走運的預測引擎，而是視為一個工程系統，在這個系統中，每一個輸出都對照著明確的、可稽核的邏輯進行驗證。

AI 淘金熱獎勵了速度。下一個時代將獎勵真相。而在任何重要的領域——金融、法律、醫療、基礎設施——真相需要的不能只有機率。它需要證明。

這不是對沖。這是一個基礎。