HKEJ Column

如果未來中環多家基金的智能體（AI agent），能在同一秒內讀完中央銀行聲明、業績電話會議紀錄與全球新聞，並據此作出方向相近的交易判斷，市場究竟會變得更有效率，還是更脆弱？這已不是科幻想像，而是正迅速逼近金融業的現實。

現階段而言，生成式人工智能（GenAI）多用於概括研究報告、整理資訊、撰寫程式及分析文本；但當這些能力進一步結合記憶、推理、規劃、工具使用與持續執行模組，並嵌入投資研究、風險管理及交易流程，金融機構便會由「信號生成」走向自主程度更高的AI智能體系統（agentic AI system）。【註1、6、8】

這個轉變催生了所謂的「阿爾法焦慮」（alpha anxiety）現象。阿爾法亦即超額回報（alpha），有關焦慮不在於AI是否比人更聰明，而在於它正迅速降低部分投資研究工作的複製成本。過去需要研究團隊長時間完成的公開資訊整理、文本解讀、持倉追蹤與風格識別，如今愈來愈可以由模型自動化處理。【註4】有研究指出，AI僅根據公開持倉披露與宏觀數據，已能模仿頂尖資產管理人相當比例的交易行為。【註2】

當更多機構都能從相似數據中提取相近信號，原本稀缺的資訊優勢便更容易被競爭侵蝕，超額回報也更難持久。AI未必會終結阿爾法，但它確實正在縮短阿爾法的半衰期，迫使機構投入更多算力、更昂貴數據與更複雜架構，只為維持原有回報。這正是一場典型的「紅皇后競爭」（Red Queen competition）。

比單一模型出錯更值得警惕的，是大量模型同時「做對同一件事」。當不同機構依賴相近的基礎模型、相似的新聞來源、相同的市場數據、類似的風險約束與優化目標，表面上彼此競爭，實際上卻可能在壓力時刻收斂為高度一致的交易反應。生成式AI一方面降低資訊不對稱，把過去分散於文本、語音與敘事中的非結構化訊息迅速轉化為可交易信號。但另一方面，也可能令市場參與者在更短時間內得出更接近的判斷，從而提高策略趨同與模型同質性的風險。【註1、6、7 】

正常市況下，這種技術進步有助加快價格發現；但一旦市場受壓，其順周期性（procyclicality）也可能被強化。若愈來愈多模型驅動的交易者以相近邏輯解讀央行措辭、盈利指引與宏觀數據，並在相近的止蝕、保證金要求與風險值（value at risk）限制下同步調整持倉，市場流動性便可能在短時間內同步收縮。既有研究表明，演算法交易在正常時期固然有助提升價格發現與資訊反映速度，在壓力情境下卻可能加劇流動性脆弱性。若不同策略日益依賴相似信號與相近執行規則，市場效率的提升，或會以更脆弱的微觀結構為代價。這正是AI金融的一個悖論：微觀層面的理性優化，未必能轉化為宏觀層面的穩定。【註3、7 】

正因如此，筆者提出「負責任的阿爾法」（responsible alpha）這個概念。未來有價值的阿爾法，不應只是在短期內跑贏市場，而應置於可解釋、可審計、可干預，且不致過度放大系統性風險的邊界內。換言之，「負責任的阿爾法」不把風險控制視為附帶條件，而是把可管治性內生為阿爾法的一部分。當信號提取日益商品化，真正稀缺的能力，將不再只是建出更不透明的黑盒，而是證明自己的AI何以可信：它用了什麼數據、經過什麼工作流程、誰可以覆核、出了問題誰能中止。當阿爾法愈來愈像可複製的公共技術，管治能力、審計能力與人手介入能力，反而可能成為新的私人護城河。【註5】

香港近兩年的政策方向，恰好為這種「負責任的阿爾法」提供了制度土壤。2024年8月，香港金融管理局聯同數碼港推出首個「生成式人工智能沙盒」，明確提出以風險為本的原則，強調高風險決策須保留「人在環中」（human-in-the-loop）模式。2025年8月，國際結算銀行（BIS）創新樞紐香港中心、金管局與英國金融行為監管局推出 Noor項目，聚焦於生成式AI及高級算法模型在金融體系的應用，以解決AI可解釋性（explainability）難題。這意味監管思路已不只要求機構解釋AI，而是開始提升監督者本身看懂黑盒的能力。到2026年3月，香港又把沙盒升級為生成式人工智能沙盒++，將範圍擴展至證券、資產管理、保險及強積金等領域，令沙盒不再只是試驗場，而是監管者與市場共同界定安全邊界的制度工程。

當然，沙盒的推出不能只是一個展示創新的招牌，而是要成為驗證管治能力的試驗場。對代理式AI與量化模型而言，真正要測試的，不只是模型準確率，而是整條風險管理鏈：數據能否追溯、版本更新有否留痕、壓力情景下會否同步撤單、模型漂移（model drift）能否及時發現，必要時能否由人手介入或緊急停用。未來資產管理業的競爭，比拼的不只是模型預測力，也是在比拼機構能否把模型風險納入管治框架之內。

下一輪金融競爭，比拼的更不只是誰更早用上AI，而是誰能更早證明：自己的AI在賺錢時可靠，在失靈時可控。2025年世界經濟論壇白皮書提醒，許多機構其實仍處於由試驗走向規模化落地的過渡階段；真正決定成敗的，往往不是模型本身，而是信任、自我管治、人才、網絡安全與數碼基建是否到位。【註8】從這個角度看，香港的潛在優勢，不僅在於更早部署AI，更在於更早的把模型治理、壓力測試、審計軌跡與人手介入機制，逐步制度化為跨市場、跨監管、跨機構的共同語言。

歸根究柢，若市場最終把透明度、可問責性與管治成熟度視為值得付費的屬性，那麼「信任」本身，便可能成為下一代國際金融中心最重要的無形資產。香港要尋找的，不只是更高的阿爾法，而是更值得全球資本信任的阿爾法。

註1：Aldridge, I., An, J., Burke, R., Cao, M., Chien, C. Y., Deng, K., … & Zheng, W. (2025). Agentic artificial intelligence in finance: A comprehensive survey [Working paper].

註2：Cohen, L., Lu, Y., & Nguyen, Q. H. (2026). Mimicking finance (NBER Working Paper No. 34849). National Bureau of Economic Research.

註3：Dou, W. W., Goldstein, I., & Ji, Y. (2025). AI-powered trading, algorithmic collusion, and price efficiency (NBER Working Paper No. 34054). National Bureau of Economic Research.

註4：Gu, S., Kelly, B., & Xiu, D. (2020). Empirical asset pricing via machine learning. The Review of Financial Studies, 33(5), 2223–2273.

註5：Fabozzi, F. A., & López de Prado, M. (2025). Implementing AI Foundation Models in Asset Management: A Practical Guide. Journal of Portfolio Management, 52(2).

註6：Mo, H., & Ouyang, S. (2025). (Generative) AI in financial economics. Journal of Chinese Economic and Business Studies, 23(4), 509–587.

註7：International Monetary Fund. (2024). Global financial stability report. https://www.imf.org/-/media/files/publications/gfsr/2024/october/english/textrevised.pdf

註8：World Economic Forum. (2025). AI in action: Beyond experimentation to transform industry. AI Governance Alliance, in collaboration with Accenture.

孟婧涵博士
港大經管學院金融學高級講師、港大經管學院理學士（計量金融）課程總監

（本文同時於二零二六年四月十一日載於《信報》「龍虎山下」專欄）