Chainfeeds 导读：
AI Trading 的瓶颈不在模型，在工程。
文章来源：
https://x.com/Web3Tinkle/status/2007960269235126350
文章作者：
Tinkle
观点：
Tinkle：理解了大模型的计算流程后，一个核心问题浮现出来：大模型到底在做什么？表面上看，它是在预测下一个词，比如给定今天天气，模型输出不错的概率最高，看起来像是在预测未来。但如果拆解其内部机制，会发现它做的其实是三步：首先，将当前上下文编码为一个高维向量；其次，在参数空间中检索与该向量最匹配的模式；最后，输出该模式对应的概率分布。因此，大模型并不是在推断未知事件，而是在识别当前输入最像训练数据中的哪一种已知模式。预测，是对未来不确定性的推断；而识别，是对历史模式的匹配。大模型之所以在语言领域表现卓越，是因为自然语言本身具有极强且稳定的统计规律 —— 某些词序列之后，接续内容的分布高度集中。当你向 ChatGPT 提问时，它并非在 “思考答案”，而是在匹配与你输入最相似的语言模式，并输出该模式下最常见的回应形式。表面呈现为预测，底层本质却是大规模模式识别。将这种模式识别的逻辑迁移到金融市场，看似直观：把市场数据编码成向量，检索历史上最相似的状态，再输出未来走势的概率分布。然而，这里存在一个根本差异：金融市场的统计规律远弱于自然语言。语言中，下一个词的不确定性往往很低，而市场中，下一根 K 线的涨跌却高度接近随机。大量研究表明，模型在金融时间序列上往往只能学到均值回归这类弱模式，对真正重要的极端波动几乎无能为力。更关键的是，市场具有强烈的非平稳性和对抗性：有效规律会随着参与者结构、监管环境和资金行为的变化而迅速失效，任何可被系统性利用的模式，都会被套利力量抹平。因此，用大模型直接预测涨跌注定失败。但这并不意味着模式识别在金融中没有价值，关键在于：不要问价格会怎么走，而要问市场现在处于什么状态。相比预测单点涨跌，识别市场所处的 Regime（状态）具有更高的信噪比。市场会在低波动震荡、高波动震荡、趋势上涨、趋势下跌、流动性危机等不同状态之间切换，而这些状态往往具有持续性和可识别的结构特征。基于这一思路，可以构建市场状态嵌入：将高维异构市场数据压缩为低维向量，使相似 Regime 的时刻在向量空间中彼此接近。通过对比学习、聚类或相似度检索，可以判断当前市场更接近历史上的哪一类状态，并据此进行策略选择和风险控制。其价值不在于捕捉每一次行情，而在于在高风险 Regime 中主动降仓或退出，避免系统性回撤。NoFx 的定位正是围绕这一理念构建 AI Trading 的基础设施层：不让 AI 玄学式预测市场，而是通过透明、可解释的 Regime 识别与结构化决策，帮助交易者在复杂多变的市场中做出更稳健的选择。
内容来源
