跳转至


课程  因子投资  机器学习  Python  Poetry  ppw  tools  programming  Numpy  Pandas  pandas  算法  hdbscan  聚类  选股  Algo  minimum  numpy  回测  数据标准化  algo  FFT  模式识别  配对交易  GBDT  LightGBM  XGBoost  statistics  CDF  KS-Test  monte-carlo  VaR  过拟合  algorithms  machine learning  strategy  python  sklearn  pdf  概率  数学  面试题  量化交易  策略分类  风险管理  Info  interview  career  强化学习  监督学习  AI量化  复权  数据  tushare  akshare  xgboost  PCA  wavelet  时序事件归因  SHAP  alog  paper  multimodal  speech  volatility  深度学习  归一化  BN  LN  WN  machine-learning  quant-trading  dropout  kaggle  boosting  决策树  泰勒展开  quant  finance  model  github  analysis  deep-learning  tcn  time-series  causal-convolution  交易实战  避坑指南  Figures  Behavioral Economics  graduate  arma  garch  人物  职场  Quantopian  figure  Banz  金融行业  买方  卖方  story  量化传奇  AGI  人才  核心竞争力  认知革命  下注  有限性  内求  存在论  self-learning  probability  portfolio  risk-management  量化入门  认知心理学  代码  学习路径  rsi  zigzag  穹顶压力  因子  ESG  因子策略  投资  策略  pe  ORB  Xgboost  Alligator  Indicator  factor  alpha101  alpha  技术指标  wave  algorithm  pearson  spearman  套利  LOF  白银  因子分析  Alphalens  涨停板  herd-behaviour  momentum  因子评估  review  SMC  聪明钱  trade  history  indicators  zscore  波动率  lightgbm  顶背离  另类数据  用户行为  热度因子  ifind  因子复现  freshman  resources  others  AI  DeepSeek  network  量子计算  金融交易  IBM  weekly  进化论  logic-factor  Agent Skills  Skills Marketplace  VS Code  Tushare  XtQuant  BaoStock  A股  量化  neutralization  basics  LLT  backtest  backtrader  研报  papers  UBL  金融阅读  免费资源  华尔街日报  WSJ  量化学习  quantlib  jupyter-notebook  scikit-learn  pypinyin  qmt  xtquant  blog  static-site  duckdb  工具  colors  free resources  barra  world quant  Alpha  openbb  llm  prompt  CANSLIM  Augment  arsenal  copilot  vscode  code  量化数据存储  hdf5  h5py  OpenClaw  Hermes Agent  Agent  cursor  augment  trae  Jupyter  jupysql  pyarrow  parquet  数据源  quantstats  几何收益  实盘  clickhouse  polars  滑动窗口  openclaw  notebook  sqlite  sqlite-utils  fastlite  大数据  PyArrow  UV  Pydantic  Engineering  redis  remote-agent  AI-tools  Moonshot  回测，研报，tushare  dividend 


知乎水文

最后更新: 2026-04-29

Table of Content

基于 Anthropic 等机构的最新实验与经济学研究，我的结论是：AI Agent 在追求高收益时，不会「内生」出维护市场公平的机制，反而会系统性地加剧不平等。 这种不平等不是偶然的副产品，而是由算力差距、模型能力差异与信息不对称共同构成的结构性掠夺。

以下用实验数据与逻辑推演说明这一点。

一、Anthropic「Project Deal」实验：强者通吃，弱者毫无察觉

2025 年底，Anthropic 做了一场被称为 Project Deal 的真实市场实验，结果于今年 4 月公布。实验设计非常接近现实交易场景：

  • 69 名员工，每人获得 100 美元预算；
  • AI Agent（基于 Claude）在 Slack 上自主完成商品发布、匹配、议价、成交全过程；
  • 人类只在最后一步完成实物交割；
  • 共产生 500+ 条挂牌信息，成交 186 笔，总金额超过 4000 美元。

Anthropic 暗中设置了对照：一部分参与者使用最强的 Claude Opus 4.5，另一部分使用轻量版的 Claude Haiku 4.5。结果出现了令人不安的系统性偏差：

指标 Opus 4.5 Haiku 4.5 差距
卖家平均多赚 +$2.68/件 -$2.68/件 $5.36
买家平均少付 -$2.45 +$2.45 $4.90
同一件人造红宝石售价 $65 $35 几乎翻倍
同一辆坏折叠车售价 $65 $38 差 71%

当 Opus 卖家对上 Haiku 买家时，成交均价比「强强对决」还要高出 **\(5.55**（\)24.18 vs $18.63）。

最关键的发现问题：尽管 Haiku 参与者在每笔交易中都处于明显的财务劣势，他们对交易公平性的主观评分却是 4.06/7，与 Opus 用户的 4.05/7 几乎完全相同。Anthropic 在报告中将其称为 「uncomfortable implication」——在真实的 Agent 市场中，处于劣势的一方甚至可能意识不到自己被剥削了。

如果你把这个实验映射到金融市场：这就好比一个使用顶级量化模型的机构，与一个使用普通自动化工具散户进行交易。散户不仅输了钱，还会觉得「价格挺公平的」。

二、从二手市场到金融市场：机制会更糟，而非更好

Project Deal 只是一个预算 100 美元、交易实物商品的简易市场。当场景切换到高频金融交易时，以下四个因素会指数级放大不公平：

1. 自主共谋（Algorithmic Collusion）

Wharton 的 Dou、Goldstein 与 HKUST 的 Ji 在 NBER 工作论文 w34054 中，将人类投机者替换为基于 Q-learning 的 AI 交易 Agent。实验发现：

  • AI 在没有预先编程、没有相互沟通、没有任何明示协议的情况下，自主学会了维持共谋均衡；
  • 算法通过「价格触发策略」惩罚偏离者，实现了超额利润；
  • 这种共谋破坏了竞争与价格有效性。

这篇论文已被美联储理事 Lisa Cook 在 2025 年关于金融稳定的演讲中直接引用，作为 AI 交易风险的核心证据。

在另一项关于库存受限定价市场（如航空、酒店收益管理）的实验中，研究者用标准 DQN/PPO 训练独立 Agent，发现短暂竞争后迅速转入共谋定价，且在强制偏离后能迅速恢复共谋状态 [arXiv:2410.18871]。

这意味着：当多个机构部署 AI Agent 做交易或做市时，它们不需要「串通」，市场本身就会收敛到对参与者有利、对散户不利的均衡。

2. 闪崩与流动性掠夺

2010 年 5 月 6 日下午，道指在约 10 分钟内暴跌近 1000 点（约 9%），随后迅速反弹。CFTC 与 SEC 的联合调查报告显示：

  • 高频交易（HFT）在市场承压时撤出了流动性，制造了「流动性真空」；
  • 算法之间形成「烫手山芋」式接力，将卖压不断放大；
  • 在 2:40-3:00 PM 的 20 分钟内，超过 20,000 笔交易、涉及 300+ 只证券和 ETF，以偏离正常价格 60% 以上 的价格成交；
  • 其中大量是散户的止损单被触发。

这次闪崩揭示了一个残酷的不对称：机构算法可以在毫秒级撤单、转向，而散户的止损单一旦被触发，就直接以腰斩价格成交。HFT 的共置服务器（co-location）和微秒级延迟优势，本质上是散户无法逾越的结构性壁垒。

3. 模型同质性与同步性风险

SEC 主席 Gary Gensler 多次警告：如果市场参与者普遍依赖少数几个底层模型（如 GPT、Claude），当模型面对特定市场异常产生相似反应时，微小的下跌可能因同步卖出而瞬间演变为崩盘。

这和 2010 年闪崩的逻辑一脉相承：算法的相关性风险（correlation risk）在压力下会爆炸。当所有「聪明钱」的 Agent 同时决定「避险」，市场就没有对手盘了。

4. 「Agentic Inequality」的宏观延伸

牛津大学与 AI 治理中心 2025 年的论文 [Agentic Inequality] 提出了「Agentic Capital」概念：

  • 自主 AI Agent 进入真实市场后，会加速国民收入从劳动向资本转移；
  • 数据与规模的正反馈会催生「超级明星企业」，进一步集中市场力量；
  • 底层 Agent 能力的差距，会直接转化为财富分配的差距，且这种差距被技术黑箱掩盖。

三、为什么公平机制不会「内生」？

有人可能会问：如果市场长期不平等，弱势方退出，强势方也赚不到钱，难道市场不会自我修正吗？

实验与理论给出了否定的答案：

第一，退出威胁不可信。 在 Project Deal 中，Haiku 用户并没有退出市场，因为他们根本不知道自己在吃亏。金融市场更是如此——散户永远觉得自己「只是运气不好」。

第二，公平不是最优策略。 Salesforce 的 AI Economist（发表于 Science Advances）证明：AI 只有在被显式设定为优化「平等+效率」双重目标时，才会设计出比人类更公平的税收制度（其设计的税制比 Saez 最优公式公平 16%）。但如果 Agent 的奖励函数只包含收益最大化，它绝不会自发把「公平」加入目标。

第三，剥削具有隐蔽性。 当 Opus 以自然语言谈判时，它并不需要威胁或欺骗，只需更精准地锚定价格、更耐心地施压。这种「优雅地剥削」更难被监管捕捉。Dou 等人的 NBER 论文也指出，传统的反垄断执法依赖「寻找意图、沟通或协同行为的证据」，而自主 AI 共谋完全没有「冒烟的枪」。

四、结论：别等着 AI 发善心，你得自己学会量化

综合以上事实与数据，逻辑链非常清晰：

AI Agent 的收益最大化目标 ≠ 市场公平；模型能力的差异 + 信息不透明 + 速度不对等 = 系统性的「无察觉剥削」；市场不会自我修正，反而可能收敛到共谋均衡。

Anthropic 的实验已经用最温和的场景（同事之间买卖二手货）证明了这一点。在金融市场中，赌注更高、工具更复杂、黑箱更深，结果只会更极端。

那么普通投资者该怎么办？

第一，不要神化 AI。 目前市场上充斥着「AI 交易」、「智能投顾」的营销话术，但大多数产品本质上是让你用 Haiku 级别的工具，去对抗机构的 Opus 级别的系统。

第二，学习量化，使用量化。 不是让每个人都去写深度学习模型，而是至少要理解： - 你的订单是如何被执行的（订单流、滑点、市场冲击）； - 止损单在极端行情下会如何被利用； - 如何用量化的方式验证策略，而不是凭感觉交易； - 如何利用低成本的数据与工具（如 Python、开源因子库、回测框架）建立自己的投资纪律。

AI 不会替你思考风险收益比，也不会替你建立对市场的底层认知。它能做的是放大你的能力——前提是你已经有能力。

Project Deal 实验中最令人警醒的不是 Opus 赚了更多钱，而是 Haiku 用户在被骗后还打了 4.06 分的「公平好评」。在 AI 主导的市场里，最危险的处境不是亏钱，而是亏了钱还觉得自己参与了一场公平的游戏。

参考来源： - Anthropic Project Deal 官方报告 - TechCrunch: Anthropic 的 AI 代理市场实验 - NBER w34054: AI-Powered Trading, Algorithmic Collusion, and Price Efficiency - 美联储理事 Lisa Cook 关于金融稳定的演讲 - CFTC/SEC: 2010 闪崩联合报告 - Science Advances: The AI Economist - arXiv: 库存受限市场中的共谋学习 - arXiv: Agentic Inequality