AI選股不是萬能：三個連賣方都不會講的盲點（因子失效、樣本偏差、黑箱）

市面上談起 AI選股，多數內容都在反覆強調它有多準、掃描有多快、能替你省下多少時間。我在 AI Trading Academy 教學這些年，反而更想跟你談談另一面。一套選股模型被賣到你手上的那一天，有三件事賣方通常不會主動提起：模型背後的因子會失效，它給你看的回測數字可能帶有樣本偏差，還有不少模型根本是無法解釋的黑箱，出錯時你連錯在哪裏都說不清。把這三件事講清楚，不是要否定 AI 選股的價值，而是要你認清一件事——工具再聰明，最終按下買賣鍵的還是你自己。人對工具的錯誤信任，往往比工具本身的缺陷更致命。

我在課堂上常跟學員講一句話：你買的不是一個會賺錢的機器，而是一套會在某些條件下失效的決策系統。先接受它會失效，你才會認真去看它的失效邊界。接下來，我逐個拆開這三個連賣方都不會講的盲點。

先搞清楚：賣方為甚麼不講這三個盲點

把話說得直白一點，賣方不講，不是因為他們壞，而是因為這三個盲點直接戳中了選股模型的行銷命門。一套 AI選股 產品要賣得動，靠的是三個賣點：準、穩、能解釋。準，指的是歷史勝率高；穩，指的是任何市況都能用；能解釋，指的是你知道它為甚麼選中這檔。可惜現實裏，因子失效動搖了「穩」，樣本偏差戳破了「準」，黑箱直接否定了「能解釋」。三者都講開了，產品就不那麼好賣了。

這也正是為甚麼很多宣傳只會強調回測曲線一路向上、選股邏輯歷經十年考驗，卻絕口不提這條曲線是用甚麼樣本畫出來的、裏面的因子是否已經被市場套利到失效。我在業界看過不少產品簡報，投影片前半段氣勢磅礡，後半段關於模型限制的那一頁，往往被壓縮成一行小字。看懂這一層，你就知道該用甚麼心態去面對任何一套選股工具了。

盲點一：因子會失效，昨天的金律今天會反咬

甚麼是因子失效

選股模型的本質，是用一串可量化的因子去給股票打分，例如低市盈率、高動能、高股息、低波動，再依分數排序選出前幾名。問題在於，因子是會失效的。某個因子過去十年有效，不代表未來一年有效；一旦太多人使用同一套因子，套利空間被擠掉，這個因子就會從金律變成拖累。我在實戰中見過太多例子：一個被寫進教科書的因子，在資金瘋狂湧入之後，回報被逐步磨平，甚至反轉。

一個具體情境：低波因子在恐慌市裏失靈

舉一個我親自經歷過的例子。有一段時間，市場流行低波因子，邏輯是波動低的股票風險小、長期回報反而更高。好幾套 AI選股 模型都把低波因子權重調得很高。結果在一輪急跌的恐慌市裏，這些低波穩健股反而跌得比大市還兇，因為資金在恐慌時不理性地拋售一切流動性好的資產，低波因子瞬間失靈。當時不少學員跟我說，模型前一個月還穩穩地選出防守股，怎麼突然就反了。答案就是因子失效：不是模型算錯，而是它賴以判斷的規律，在那一刻被市場情緒整個掀翻。這個教訓讓我學會一件事，任何因子的有效，都綁定在某種市場結構之上，結構一變，金律就變絆腳石。

盲點二：樣本偏差，回測漂亮不代表實戰漂亮

倖存者偏差與過度擬合

第二個盲點更隱蔽。賣方給你看的回測曲線，幾乎都是挑過樣本的。最常見的是倖存者偏差：回測只用了今天仍然在市的股票，那些已經退市、清盤、被私有化的股票統統被剔除，於是回測數字被系統性地美化。另一個是過度擬合：模型參數被反覆調整，直到它完美貼合過去某一段歷史，但這種貼合放在未來市場裏根本站不住。我見過不少產品，回測年化回報寫得誘人，實際一上真金白銀，表現就大幅縮水。

一個具體情境：拿十年資料訓練出來的必勝組合

我遇過一位學員，手上有一套號稱用十年歷史資料訓練的選股組合，他拿來問我，說回測年化有二十幾個百分點，問我能不能重注。我請他先做兩件事：先換一個回測起點，看看數字變不變；再把已經退市的股票加回去，看看曲線掉多少。結果兩項一改，年化回報直接腰斬。原因是那套組合在樣本期間內過度依賴了某幾隻後來被證明是時代紅利的股票。香港投委會關於槓桿與按金的基本認識提醒投資者，任何操作都要先搞清楚自己承擔的風險幅度，而不是被一個漂亮的歷史數字牽引。回測數字最大的風險，就是它讓你低估了未來的波動。想更系統地比較不同策略的假設差異，可以參考不同 AI 選股策略的橫向比較。

盲點三：黑箱不可解釋，出錯時你連錯在哪都不知道

為甚麼黑箱讓風險管理失靈

第三個盲點，是黑箱。很多標榜深度學習、神經網絡的 AI選股 模型，內部有幾百萬個參數，連開發者自己也說不清它為甚麼在某一天把某檔股票打高分。這不是說黑箱一定不好，而是說，當你無法解釋模型的決策，你就無法在出錯時判斷它到底是暫時失準還是邏輯已經壞掉。IG 交易學院的風險管理說明裏有一點我很認同：有效的風險管理，前提是你理解自己在承受甚麼風險；而黑箱最大的問題，正是讓你對自己承受的風險一無所知。

一個具體情境：模型突然轉向，卻說不出理由

我見過一個真實場景。一位朋友用一套黑箱選股模型做自動跟單，某一天模型突然把一隻長期持倉的股票從滿分調到接近零分，建議全數賣出。他問開發者為甚麼，得到的回答是模型綜合多個非線性特徵的判斷，再追問就是這是模型內部權重決定的。他既不敢全信，又不敢不信，最後在猶豫中錯過了最佳處理時機。這正是黑箱最可怕的地方：它不給你一個可以驗證、可以反駁的理由，你就只能盲從，而盲從恰恰是交易裏最危險的狀態。比起多準，我更看重能不能解釋。想知道 AI 與人手在解釋性與靈活性上的取捨，可以看AI 與人手選股的實戰差異。

反向法：把模型反過來用，一眼看出它有沒有真本事

反向對照是怎麼一回事

前面三個盲點都指向同一個結論：不要只看模型選中了甚麼，更要看它淘汰了甚麼。這就帶出一個我很少在別處見到的做法——反向對照法。做法很簡單：把模型過去一段時間給出的高分買入名單和低分避開名單各取同樣數量，用相同資金、相同持倉期做模擬，然後比較兩組的實際回報。如果高分組和低分組的回報差不多，代表這套 AI選股 模型其實沒有真正的選股能力，它的準，只是跟隨大市貝塔一起上漲的幻覺。

一個可以自己跑的算例

我用一組假設數字示範，你就能看懂這個方法有多直接。假設過去一年，模型每天給你首二十檔高分股與首二十檔低分股，你用二十個交易日作持倉期去模擬。一年下來統計：高分組平均回報約百分之十一，低分組平均回報約百分之十，同期大市指數升了約百分之九。看出問題了嗎？高分組只比低分組多一個百分點，而兩者都只比大市多一、兩個百分點。這代表模型的判別力極其有限，回報主要來自市場整體上漲，而不是它真的挑中了會跑贏的股票。這個反向對照，賣方幾乎不會主動教你，因為一做，很多高勝率的神話就會現形。想更深入比較各類策略的邊界，可以參考四類 AI 選股策略的取捨。

三個盲點一張表對照

把三個盲點和它最容易被忽略的訊號整理成一張表，方便你在實際使用時隨時核對。

這張表不是讓你背的，是讓你在被宣傳詞打動的那一刻，停下來問自己三個問題：它選股靠的因子還有效嗎？它的回測樣本乾淨嗎？它給我的理由經得起反駁嗎？三個問題能答得清楚，你再考慮信任它；答不清楚，再漂亮的曲線都只是紙上富貴。

你真正該向 AI 選股工具要的三樣東西

既然三個盲點都繞不開，那與其追問準不準，不如換個問法，向工具要三樣東西。先是透明度：它的因子權重、選股邏輯能不能說清楚，哪怕只是概要。再是可驗證的樣本：它的回測能不能在你自己換起點、換樣本之後依然站得住。最後是風險的邊界：它能不能誠實告訴你，在甚麼市況下它會失靈。要不到這三樣，你手上的就只是一台會自己下單的黑箱。此外，任何打着 AI選股 旗號招攬資金的平台，都要先確認是否持牌，你可以透過證監會的無牌公司警示名單查證背景，保障自己的權益。記住，工具再好，把關的始終是你自己。

常見問題

問：AI 選股模型給的歷史回測，可以相信嗎？

答：要打折看。回測多數帶有倖存者偏差與過度擬合，數字容易被美化。建議你換一個回測起點、把退市股票加回去重跑一次，再看數字是否穩定，才決定要不要信任。

問：因子失效有甚麼先兆？

答：常見先兆是某個因子被大量宣傳、資金一窩蜂湧入，套利空間被擠掉，因子回報開始磨平甚至反轉。你可以觀察該因子近期的實際表現，是否已經明顯不如從前。

問：黑箱模型真的不能用嗎？

答：不是不能用，而是要限制它的用途和倉位。黑箱的問題在於不可解釋，出錯時你無從判斷。如果你要用，就必須用更小的倉位、更嚴格的止蝕，並且要求開發者至少提供可驗證的概要邏輯。

問：反向對照法具體要怎麼做？

答：把模型同一時期的高分名單與低分名單各取相同數量，用相同資金和持倉期做模擬，比較兩組回報。若兩者接近，代表模型的選股能力有限，回報主要來自大市貝塔。

問：我該怎麼挑一套相對可靠的選股工具？

答：先看三樣東西：選股邏輯是否透明、回測樣本是否可驗證、是否誠實說明失效邊界。同時確認平台是否持牌，並以小倉位先試一段時間，別被漂亮的歷史曲線衝昏頭腦。

問：把 AI 選股當成唯一依據，最大的風險是甚麼？

答：最大的風險是你放棄了自己的判斷。模型給的是機率，不是保證；當它失效或出錯時，如果你完全沒有獨立思考的能力，就會在錯誤的方向上越走越遠。工具是用來輔助決策的，不是用來取代決策的。

立即 WhatsApp 聯繫小風團隊免費諮詢：+852 5378 5383

網站：https://aitrading.ace-fortune.com/speed-radar

投資涉及風險，過往表現不代表未來回報。本內容僅供教育參考，不構成任何投資建議。