Podli播客播放器 Webplayer

史塔克實驗室

史塔克實驗室

AI 研究室 EP14|AI交易員不用開會,也能默契合謀

史塔克實驗室 · 2026年11月13日 · 17:25

0:0017:25

在 Podli 应用中收听 🎧

关注你喜爱的播客,离线收听,在车内通过 CarPlay 和 Android Auto 播放,并始终从上次停下的地方继续。免费试用。

洗過的保溫杯還是有奶臭味、咖啡味?換 IKUK 艾可真陶瓷保溫杯!1300度高溫燒製「一體成形硬白瓷內膽」,非塗層不易殘留異味。咖啡、茶、果汁都能安心裝,杯子不留味,喝什麼都對味!現在就上 ikuk.com.tw 選購。 https://sofm.pse.is/9vf2dg -- #高雄 正義站&黃線捷運計劃,平面車位3房全新完工 實品屋預約鑑賞中。正義站通勤南科,未來捷運串連衛武營、Lalaport。正義公園,風景入門廳 。陽明國中自由學區07-7801988 洽澄清路227號 https://sofm.pse.is/9v652h ----以上為 SoundOn 動態廣告---- 當市場上的交易員、造市商、甚至散戶的投資助理都換成 AI,價格會更有效率嗎?這一集拆解三篇「演算法對演算法」的研究:Dou、Goldstein 與 Ji 發現,強化學習交易者在沒有溝通、協議或意圖下,能自己學會默契合謀、賺取超競爭利潤;Colliard、Foucault 與 Lovo 發現,AI 造市商學不會降價競爭,價差因此偏寬;Lopez-Lira 則讓 GPT-4o 扮演各種交易員,看到它們照 prompt 行事,高估的價格遲遲降不回基本價值。本集是研究與教育討論,不是投資建議。 🎧 這集你會聽到: ・開場情境:只剩機器跟機器交易,市場就會變成完美定價的烏托邦嗎? ・Dou 等人(2025,NBER 工作論文):把 Q-learning 交易者放進改造過的 Kyle(1985)模型,沒有溝通管道、也沒寫合謀指令,AI 仍學會比非合謀均衡高出約 10% 的利潤(口徑見補充) ・兩條合謀路線:市場雜訊少時的「人工智慧」價格觸發策略,與雜訊多時的「人工愚蠢」過度剪除偏誤(被一次隨機虧損嚇到,從此不再嘗試積極策略) ・誰在買單:模型中的「資訊不敏感投資人」,論文把他們解讀為使用技術分析的散戶 ・Colliard 等人(2026,RFS):Q-learning 造市商在 Glosten-Milgrom 逆選擇賽局中,競爭價格是 2.68,AI 卻停在平均 4.97,原因不是合謀,而是降價的利潤訊號充滿雜訊,加上探索率隨時間遞減 ・火箭與羽毛:逆選擇風險上升時價差很快調高,風險下降時幾乎不動 ・tick size 的矛盾:如果不重新調校探索率,縮小 tick size 反而可能讓價差變大 ・Lopez-Lira(2025,arXiv 預印本):所有交易員都由 GPT-4o 擔任,市場是開源的連續雙向競價市場,有限價單、部分成交、股利,交易策略都用 system prompt 指定;基本價值 28 元,音訊用 21 元與 35 元兩個起始價做說明(論文報告的情境見補充) ・LLM 交易員優化的是「遵守指令」而不是利潤,即使虧損也維持策略方向;若大家用相似的基礎模型與 prompt,可能出現沒有協調的相關行為 ・三篇合看:AI 在場不等於市場更有效率——下單的 AI 會默契合謀,報價的 AI 不合謀卻也學不會競爭,聊天型 AI 很聽話,但可能一起做出同樣的事 ・延伸討論:對台灣當沖、技術分析與升降單位調整的啟示,以及「反 AI 的 AI」這個開放問題 📌 補充說明: ・約 01:29:開場「意外合謀……甚至集體吹大泡沫」是三篇的綜合描述。合謀出自 Dou 等人,與泡沫無關,論文還把泡沫與崩盤列為未來研究方向;價格降不回基本價值出自 Lopez-Lira,那不是合謀,而是代理人各自照 prompt 行事。 ・約 03:12:約 10% 是單一模擬環境(低雜訊、資訊不敏感投資人多)下,AI 利潤高於「非合謀 Nash 均衡」的幅度,不是相對於零利潤的完全競爭。誰承擔損失也依環境而不同:此環境主要由資訊不敏感投資人承擔;高雜訊時與雜訊交易者分攤;極高雜訊時資訊不敏感投資人反而小賺。 ・約 03:45–04:21:「偷偷降價搶單、集體倒貨砸盤、大家維持高價」是不準確的比喻。論文中,AI 選的是依私有資訊下單的力道:合謀=大家都保守、少用資訊交易;背叛=更積極交易;懲罰=所有 AI 回到積極交易。合謀的後果是流動性下降、價格資訊性下降、錯價變大,而不是價格被撐高。 ・約 04:25:過度剪除的「積極策略」指依資訊積極交易,不是殺價。 ・約 06:09、15:21:模型中資訊不敏感投資人是逆著當前價格交易,不是追動能;他們與「雜訊交易者」是兩群不同的人。台灣當沖客是延伸類比。 ・約 07:11:42% 與 60% 分別是過去研究樣本中股票與外匯交易由演算法定價的比例,不是同一個市場的區間。 ・Colliard 等人的數字依 2025 年 3 月工作論文版核對,期刊正式版的數值可能略有更新。 ・約 07:55:4.97 是 1,000 次實驗的平均報價(眾數 4.60),各次實驗都高於 2.68。價格格點為 0.1,降一格是 4.90 而不是 4.96。 ・約 10:11、15:36:本篇只有模擬,沒有台灣資料;升降單位的連結是延伸討論。tick 縮小時選項是線性增加而非「指數級」;探索率固定時,價差隨 tick 從 1 縮到 0.1 而變大,再縮小則略降。 ・約 12:33–13:27:論文報告的是起始價 56 元(兩倍)與 14 元(一半)、15 回合的情境:56 元起始時價格在 15 回合內仍明顯高於 28 元,14 元起始時明顯朝 28 元收斂。21 元與 35 元的情境論文只描述了設計,沒有報告結果。論文也沒有寫「代理人持續買進」,而且該情境中有被 prompt 設定為看多的交易員。 ・約 13:38、14:10–14:55:「完全缺乏反思」、毫秒級同步、劇烈羊群效應與崩盤是主持人的延伸。論文只指出相關行為「可能」放大市場不穩定,沒有實測。 ・約 01:42、16:25:三篇都是模擬研究,沒有證明真實市場正在發生 AI 合謀;「反 AI 的 AI」是主持人的開放問題。 📚 本集引用文獻: Dou, W. W., Goldstein, I., & Ji, Y. (2025). AI-Powered Trading, Algorithmic Collusion, and Price Efficiency. NBER Working Paper No. 34054. https://doi.org/10.3386/w34054 Colliard, J.-E., Foucault, T., & Lovo, S. (2026). Algorithmic Pricing and Liquidity in Securities Markets. The Review of Financial Studies, advance article. https://doi.org/10.1093/rfs/hhag010 Lopez-Lira, A. (2025). Can Large Language Models Trade? Testing Financial Theories with LLM Agents in Market Simulations. arXiv:2504.10789v1. https://arxiv.org/abs/2504.10789v1 ⚠️ 本集語音由 AI 生成,可能有簡化、比喻或口誤,引用前請以原始文獻為準。本集內容僅供研究與教育討論,不構成任何投資建議。 ▶️ YouTube 影片版:https://www.youtube.com/watch?v=kFutYwjYVEU AI 研究室|把論文聽進去 🎙️

单集: 史塔克實驗室

Podli免费获取 Podli 应用
↓ App