市场每秒都在报价，一个研究 agent 一天可以对几千只股票各给出上百个判断，决策几乎免费；但每一次下单都要付手续费、承担亏损且无法撤回。所以 AI Trading 不是让模型产生更多决策，而是决定哪些决策有资格变成行动，并在想法到下单再到复盘之间留下可审计的证据链。

传统量化是人先把判断固化成规则再让机器执行，换手率、策略容量等在写规则那一刻就定了，责任只确认一次；AI Trading 则持续读取新闻、公告、电话会议、社交媒体等非结构化数据，决策不断冒出来，因此需要一个类似闸门（harness）的机制持续为决策把关。

吴浩哲把系统分为数据对齐、harness、模型、人四类。模型决定能想到什么，独家数据决定别人有没有想到，数据对齐决定想到的是否为真，harness 决定想错了能否被拦住。实践中的坑包括价格是否复权、单位是千美元还是美元、EM 被误解为月线或分钟线、小交易所数据源降级导致金额差六七个数量级，以及回测必须严格处理 Point-in-Time 数据、缺数据时 agent 应主动暂停而非静默使用。

在大家都能拿到的日线与另类数据上，可被找到的规律已经被价格吃掉；数据真正的价值是让命题可被检验，很多想法失败只是数据不够或口径没对齐。个人与小团体在数据广度上无法与机构竞争，可行方向是数据对齐质量以及把不同数据结合起来的想法。

「财报后漂移」这一学术现象在 2006 年后的美国指数中已基本消失，AI 普及后消化速度可能缩短到几秒；当所有人都能一键跑因子，单因子的 Alpha 会快速消失，机会转移到跨 desk 的数据同时拿到、对齐与拼接；而 AI 生成的假消息（如此前五角大楼爆炸假新闻导致美股短跌）会更快传导到价格，监管层面还面临模型厂、使用者、交易所责任如何确权的问题。

它优化的是金融里本来就便宜的那一侧——决策，把不值钱的东西变得更不值钱；而且它不擅长的数学计算、日期处理、噪音与误导文本，恰恰是金融材料的本来面目；只给概率不给分析链条，很难让人长期把真金白银托付给它。它更适合做大批量、低风险的信息初筛，像门口的「分拣员」，而不是把整条链递到门口的快递员。