信报龙虎山下专栏

如果未来中环多家基金的智能体（AI agent），能在同一秒内读完中央银行声明、业绩电话会议纪录与全球新闻，并据此作出方向相近的交易判断，市场究竟会变得更有效率，还是更脆弱？这已不是科幻想像，而是正迅速逼近金融业的现实。

现阶段而言，生成式人工智能（GenAI）多用于概括研究报告、整理资讯、撰写程式及分析文本；但当这些能力进一步结合记忆、推理、规划、工具使用与持续执行模组，并嵌入投资研究、风险管理及交易流程，金融机构便会由“信号生成”走向自主程度更高的AI智能体系统（agentic AI system）。【注1、6、8】

这个转变催生了所谓的“阿尔法焦虑”（alpha anxiety）现象。阿尔法亦即超额回报（alpha），有关焦虑不在于AI是否比人更聪明，而在于它正迅速降低部分投资研究工作的复制成本。过去需要研究团队长时间完成的公开资讯整理、文本解读、持仓追踪与风格识别，如今愈来愈可以由模型自动化处理。【注4】有研究指出，AI仅根据公开持仓披露与宏观数据，已能模仿顶尖资产管理人相当比例的交易行为。【注2】

当更多机构都能从相似数据中提取相近信号，原本稀缺的资讯优势便更容易被竞争侵蚀，超额回报也更难持久。AI未必会终结阿尔法，但它确实正在缩短阿尔法的半衰期，迫使机构投入更多算力、更昂贵数据与更复杂架构，只为维持原有回报。这正是一场典型的“红皇后竞争”（Red Queen competition）。

比单一模型出错更值得警惕的，是大量模型同时“做对同一件事”。当不同机构依赖相近的基础模型、相似的新闻来源、相同的市场数据、类似的风险约束与优化目标，表面上彼此竞争，实际上却可能在压力时刻收敛为高度一致的交易反应。生成式AI一方面降低资讯不对称，把过去分散于文本、语音与叙事中的非结构化讯息迅速转化为可交易信号。但另一方面，也可能令市场参与者在更短时间内得出更接近的判断，从而提高策略趋同与模型同质性的风险。【注1、6、7 】

正常市况下，这种技术进步有助加快价格发现；但一旦市场受压，其顺周期性（procyclicality）也可能被强化。若愈来愈多模型驱动的交易者以相近逻辑解读央行措辞、盈利指引与宏观数据，并在相近的止蚀、保证金要求与风险值（value at risk）限制下同步调整持仓，市场流动性便可能在短时间内同步收缩。既有研究表明，演算法交易在正常时期固然有助提升价格发现与资讯反映速度，在压力情境下却可能加剧流动性脆弱性。若不同策略日益依赖相似信号与相近执行规则，市场效率的提升，或会以更脆弱的微观结构为代价。这正是AI金融的一个悖论：微观层面的理性优化，未必能转化为宏观层面的稳定。【注3、7 】

正因如此，笔者提出“负责任的阿尔法”（responsible alpha）这个概念。未来有价值的阿尔法，不应只是在短期内跑赢市场，而应置于可解释、可审计、可干预，且不致过度放大系统性风险的边界内。换言之，“负责任的阿尔法”不把风险控制视为附带条件，而是把可管治性内生为阿尔法的一部分。当信号提取日益商品化，真正稀缺的能力，将不再只是建出更不透明的黑盒，而是证明自己的AI何以可信：它用了什么数据、经过什么工作流程、谁可以复核、出了问题谁能中止。当阿尔法愈来愈像可复制的公共技术，管治能力、审计能力与人手介入能力，反而可能成为新的私人护城河。【注5】

香港近两年的政策方向，恰好为这种“负责任的阿尔法”提供了制度土壤。2024年8月，香港金融管理局联同数码港推出首个“生成式人工智能沙盒”，明确提出以风险为本的原则，强调高风险决策须保留“人在环中”（human-in-the-loop）模式。2025年8月，国际结算银行（BIS）创新枢纽香港中心、金管局与英国金融行为监管局推出 Noor项目，聚焦于生成式AI及高级算法模型在金融体系的应用，以解决AI可解释性（explainability）难题。这意味监管思路已不只要求机构解释AI，而是开始提升监督者本身看懂黑盒的能力。到2026年3月，香港又把沙盒升级为生成式人工智能沙盒++，将范围扩展至证券、资产管理、保险及强积金等领域，令沙盒不再只是试验场，而是监管者与市场共同界定安全边界的制度工程。

当然，沙盒的推出不能只是一个展示创新的招牌，而是要成为验证管治能力的试验场。对代理式AI与量化模型而言，真正要测试的，不只是模型准确率，而是整条风险管理链：数据能否追溯、版本更新有否留痕、压力情景下会否同步撤单、模型漂移（model drift）能否及时发现，必要时能否由人手介入或紧急停用。未来资产管理业的竞争，比拼的不只是模型预测力，也是在比拼机构能否把模型风险纳入管治框架之内。

下一轮金融竞争，比拼的更不只是谁更早用上AI，而是谁能更早证明：自己的AI在赚钱时可靠，在失灵时可控。2025年世界经济论坛白皮书提醒，许多机构其实仍处于由试验走向规模化落地的过渡阶段；真正决定成败的，往往不是模型本身，而是信任、自我管治、人才、网络安全与数码基建是否到位。【注8】从这个角度看，香港的潜在优势，不仅在于更早部署AI，更在于更早的把模型治理、压力测试、审计轨迹与人手介入机制，逐步制度化为跨市场、跨监管、跨机构的共同语言。

归根究柢，若市场最终把透明度、可问责性与管治成熟度视为值得付费的属性，那么“信任”本身，便可能成为下一代国际金融中心最重要的无形资产。香港要寻找的，不只是更高的阿尔法，而是更值得全球资本信任的阿尔法。

注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].

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

注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.

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

注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).

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

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

注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
港大经管学院金融学高级讲师、港大经管学院理学士（计量金融）课程总监

（本文同时于二零二六年四月十一日载于《信报》“龙虎山下”专栏）