AI 不是给你答案，是替你执行系统

撰文：TECHUB NEWS 记者 Alma Li 香港报道｜2026年8月30日

12 倍回测曲线 94% 净利出自 5 笔交易，Uweb 八位学员线上拆解 AI 投研的验证之道

核心观点：

8 月 29 日晚，香港 Web3 教育机构 Uweb（University of Web3）举行学员线上分享会，八位学员围绕 AI 投研轮番登台。一份累计收益约 12 倍的量化回测报告被讲者当场拆解，94% 的净利润出自 5 笔交易；期权、贵金属与链上套利的分享者不约而同把重心放在"验证"而非"预测"上。当晚的共识是：AI 的角色不是给出答案，而是执行纪律、审计证据。

比特币正在经历一轮急涨。公开行情数据显示，8 月中旬以来比特币从约 62,800 美元最高升至逾 81,000 美元，近一个月涨幅约 21%，8 月 28 日前后在 8 万美元关口反复拉锯。行情火热，关于工具的讨论随之升温。8 月 29 日（周六）晚间，Uweb 举行本周学员内部分享会，主持人开场即抛出问题：市场剧烈波动的这一周，有没有人用自己手边的 AI 工具做过深度研究。近三个小时里，八位学员轮流开麦，答案各不相同，指向却出奇一致：怎么用 AI 做投研，以及怎么不被 AI（和自己）骗。

五道闸门：一条 12 倍曲线的当场拆解

量化方向分享者岳瑞 Ryan 是当晚数据密度最高的一位。他先展示了一份在 TradingView 上跑出的回测报告：52 笔交易，累计收益约 12 倍。曲线漂亮，但他接下来的动作是把它当场拆掉。

按他的拆解，前 5 笔交易贡献了全部净利润的 94%；把这 5 笔"大赢家"静态剔除，收益从 12 倍缩水至 65%。52 笔中 31 笔盈利，胜率 59%，盈亏比 2.02；平均单笔回报 6.7%，中位数只有 4.3%，他表示更相信后者。把手续费和滑点计回后，差额达十几万美元。他还统计了持有周期与最终回报的相关性，系数仅 0.44。"持有越久赚越多"这个直觉，在这份数据里立不住。

"利润集中度是一盏需要警惕的信号灯。"岳瑞谈到，集中的利润可能只是恰好赶上了某波板块行情，而不是策略本身的功劳。他给回测划了五道闸门：数据完整性、策略逻辑可知性、执行真实性、利润分布、稳健性验证。执行真实性一节他举例：日线收盘价触发的信号，次日未必能以假设价格成交；信号确认时间与执行规则必须事先约定，而不是事后追认。策略还要分别在上涨、震荡、下跌的市场环境里测试，再做样本外验证，否则在他看来"只能称为研究上的假设"。

至于 AI 在其中的位置，他的定义与多数人的想象相反：不是让它生成更漂亮的曲线，而是让它当审计员，产出"降级结论"和"证据缺口"，人负责定义规则与判断边界。"不能用收益率来评判一个策略的好坏。"他还提醒，社交媒体上那些精准的买卖点，大部分藏着未来函数。

给纪律装上外骨骼

第二位分享者林家锐的诊断对象是普通投资者：亏钱不是因为笨，而是三重错位。用他的话说，多数人问的是"这个点位能不能买"，而一次完整的投资至少有四个维度（选标的、判断结构、定进出场、管理仓位），"用一个维度去做四维决策，亏钱是必然的"。另外两重错位是情绪与精力：靠意志力对抗贪嗔痴不可行，靠有限的精力盯不住 7×24 的市场。

解法是把感觉变成系统：把分析周期放大到周线月线、分批进场出场、账户专款专用，然后让 AI 执行纪律。"真正的 AI 不是给你答案，是替你执行系统。"林家锐强调，AI 没有贪嗔痴，凌晨三点市场暴跌、人吓得手抖的时候，它只会按预设规则报出"触及建仓区间"；它最大的价值"不是比人聪明，而是比人更稳"。他给普通人的路径是三步：先学认知再上工具（AI 放大的是已有的认知，规则若是错的，它会帮人高效地错下去）；用一笔亏了也不影响生活的钱跑通全流程；让 AI 当副驾驶，逐步授权，决策和下单先留在人手里。他透露，这套系统自己已经跑了两三年，年化收益约 30%。

当晚第一位登台的璟明把同一命题做成了产品。他开发的"投资工作台"设有多头与空头十余个席位，围绕同一标的做多轮辩论，给出看多或看空、可投或不可投的结论；再由按周运行的投资雷达按信号强度分四档（明确买入、候选、观察、风险预警）筛选标的，回喂给分析终端二次验证；最后叠加一层他自己沉淀的交易规则。若前两层都看多而规则判定不宜买入，系统直接弹出风险提示："标的交易已违反纪律。"从筛选、深度分析到最终决策，三层连成闭环，他称之为用工具约束情绪化交易。开发路径也一并公开：先让 AI 组建带专业技能的"虚拟团队"产出需求文档，再交给 Claude Code 开发，最后用订阅会员的内嵌版本直接跑生产环境。

期权是一张预期报价单

Tracy Cui 换了一个市场维度：期权。她的问题同样不关于预测，而是"在财报、FDA 审批这类重大事件之前，市场到底提前为哪些风险付了钱"。

她把期权理解成"一张未来波动的报价单"：看涨期权变贵，说明市场在意上行空间；看跌期权变贵，说明下行风险被关注；隐含波动率升高只代表预期波动变大，不指向任何方向。信号被她拆成四维：方向、幅度、时间、拥挤度。以拥挤度为例，期权仓位集中在哪个执行价附近，那里大概率就是关键支撑或阻力。岳瑞当场就此提问，她给出简化判断：看成交量在哪个价位集中。

四维信号合流，产出她所称的"事件前预期雷达"，固定输出四个字段：方向、幅度、价格、边界。"它不会把研究强行压缩成一个定死的结论，买或者卖。"事件结束后回头复盘，实际波动落在预期区间之内还是之外，才是研究的重点。她举例：若期权价格隐含财报后正负 10% 的波动区间，实际只波动了 4%，说明结果没有超出预期；波动 12% 才叫预期被打破。"研究的重点不是结果本身，而是结果和预期之间的差。"

方法论上，她坚持先给 AI 看证据，让它先列证据表、再下结论，否则"它很容易把一些零散的信息包装成听起来很确定的答案"。她给 AI 分配四个角色：信息整理员、数据分析员、案例检索员和质疑者，最后一岗要求它主动寻找反例。踩坑清单同样来自她的实战：单笔大单不等于方向，看涨期权的成交可能是卖出；高波动率不等于看跌；任何点位都要放进历史分位里看。"做 AI 投研最重要的能力，不是找到一个神奇的指标，而是建立一个不轻易误读信号的检查清单。"

降噪：从财报到微信群

观渡展示了一套财报评分系统，接入真实行情数据，从估值、盈利、成长、风险几个维度加权打分，输出增持、持有、观望、减持四档结论，并现场演示了特斯拉、苹果与美光三只美股。比工具本身更值得记录的是他的三个判断：财报是标准化信息，AI 能处理其中九成；财报只是"排列工具"，用来验证投资逻辑，不代表未来的现金流，"财报好也不代表马上能买入"，因为财报周期与投资周期可能相反；AI 管信息收集、数据处理和逻辑分析，最终决策仍归人，投资要的是独立思考和批判性思维。

小丸子的题目最"土"也最贴身：观点验证雷达，解决"大咖说的都有道理，究竟信谁"。她以贵金属投资为案例：都知道黄金长期看涨，但 1974 年至 1980 年那轮行情里，1973 年入场方向看对的人，要先经历两年价格腰斩，再用 40 个月等到 8 倍涨幅，随后两个月跌回一半。她的雷达把信息分五层降噪：周期套娃（货币周期之上还有货币制度周期，"我们要的是美债的利息，人家要的是我们的本金"）、信息源漏斗（按影响度和可信度给信源分级）、数据校准（自购 Wind 数据接口，以伦敦和纽约市场为主视角）、技术水位（金银比、金铜比等跨市场指标）、情绪温度计。最后一样最接地气：监测微信群的聊天密集度、关键词排行和红包热度，行情好时红包刷屏，行情差时群里沉寂。按她的测算，黄金每日交易规模远超年产量，观察金价的主视角是金融市场的交易规模，而不是新闻里的供需消息。工具的输出不是简单的买或卖，而是每条信息的影响度、可信度与分周期的行动建议，另附载体切换思路：行情好偏期权期货，行情差退回股票和现货。

来自区块链行业的学员 Lulu 分享的多源交叉方法最轻量：信息不是不够，而是太多太碎。把大问题拆成六到八个小问题，每个问题配最合适的信源（搜索管广度、语义检索管理解、新闻管时效、社媒管情绪、网页抓取管正文深度），多源结果合并互证、去重之后才输出结论。她正在内测一套搜索抓取聚合工具，按次计费，一个接口聚合主流搜索引擎与爬虫，失效源自动切换路由。

链上套利：眼见的价差是假的

程序员小白压轴登场，立场最鲜明：极其厌恶不确定性，只找确定性机会。他的题目是用套利思维审计资源、信息与规则之间的错配。

链上部分的案例自带反转：两个去中心化交易所之间肉眼可见约 80 美元的价差，1000 枚 DAI 换手后毛利 80 余美元，看似 12 秒即可落袋；但扣除 gas 费与付给链上区块构建者的"贿赂费"，净利润为负，系统直接跳过这笔交易。眼见的价差是假的，这是他当晚最想传递的教训。他还展示了一笔据称以约 1.7 万美元成本捕获约 45 万美元的链上套利交易，涉及上百次连续操作。由此立起三步验证法：数学上成立、机制上可执行（同一区块内完成低买高卖）、现实中净利润为正。机会被他写成一条公式：可转移的差异，减去全部摩擦成本，再减去无法承受的不确定性。

套利思维也被他推广到生活：拿着美元薪水在低物价地区远程工作、香港上班深圳居住、签证与税制的信息差。"门槛这个东西是有两面性的：我没跨过去，就是我的门槛；我跨过去了，对别人就是门槛。"在他看来，信息公开不等于"同时、同口径、同对象"，AI 的价值在于把公告、新闻这类非结构化数据整理成可审计的结构化信息，而人要做的是对抗性审查。他提醒，AI 的注意力机制天然顺着用户的话头检索，模型又被训练得更讨人喜欢，"它天然就是哄着你的"，所以必须主动让它找反例。

他现场演示的"清算跟随"思路恰好接上了本周行情：监测链上清算地图，密集清算被触发后，空单被强平引发的买入会继续推高价格，形成滚动。这一机制并非纸上谈兵，链上数据分析机构 Glassnode 在公开分析中将本轮比特币上涨的起点部分归因于 8 月 19 日的空头清算。主持人则补充提醒，他此前邀请的做市商讲师曾讲过订单簿上的种种"损招"，藏单、诱多诱空都属常规操作，机制成立不等于赚钱简单。工具层面，小白推荐用 Grok 的自动化定时任务监控推特上的链上信息（Grok 为推特原生产品，抓取上有天然优势），也可通过 Coinglass 的 API 监控全网爆仓量与资金费率。

150 分晋级线之后

这场分享会同时也是一套筛选机制的一环。主持人当晚三次强调首轮晋级线：150 分，不够即淘汰，学员可以通过打卡、发布社交媒体、报名分享补分。他同时预告，比特币上涨的深度研报将于次日公布，学员的链上数据接口权限有望在两周内落地；周日的首场学员项目路演将有六位学员登台；9 月 5 日至 6 日，Uweb 还将在深圳开设 AI 投研实战营线下课程。

Uweb 全称 University of Web3，2022 年由原火币大学（2018 年建校）团队在于佳宁博士牵头下创办，立足香港，面向企业家与投资人开设 Web3 与数字资产课程。当晚的主持人开场时回忆，投资纪律、分账户这些话题，早在"还叫火币大学的时候"就已在课堂上讲过。八年过去，讲台换成了学员，题目从纪律变成了 AI，内核却没有变。

近三个小时，八个人没有一个教"怎么让 AI 预测明天涨跌"，反而不约而同在做同一件事：给 AI 划边界，让它列证据、找反例、执行规则。行情越急，这功课越值钱。用林家锐的话收束全场："你负责定规则，它负责不让你的情绪破坏规则。"

（整理：Alma Li。本文据 2026 年 8 月 29 日 Uweb 学员线上分享会逐字转写稿整理，有删节，未经分享者本人审阅；学员姓名以现场花名及转写为准。）

编辑说明：本文以分享会逐字转写稿为唯一内容来源，转写含混的专有名词、口径不一的数字与口误（如个别行情口述价位）按"宁删不猜"原则处理；讲者自述的案例数据均以归属语保留。主办机构背景与行情数据经上述公开来源交叉核对。文中提及的 9 月 5 日至 6 日深圳线下课程、周日项目路演等安排出自活动现场口播，报名信息以主办方官方渠道为准。

免责声明：本文为活动报道，文中观点与数据均属分享者个人，不构成任何投资建议。