《AI 智能投资手册》新书分享会 · 深圳前海

你到底想用这笔钱干什么

AI 替你投资之前,先完成一次与自己的对齐

伯纳德 · 第九章《AI 辅助决策复盘》作者 · 2026-10-24

1 / 12
01 — 问题

一句模糊的委托

「稳一点,帮我赚钱」不含任何可执行的约束:没有标的、金额、底线
输入 › 我想稳一点,帮我赚钱

未识别 「我想稳一点」
未识别 「帮我赚钱」
缺失 › 标的名单 单笔上限 每日亏损上限 单标的仓位上限

同一句话交给人类顾问,顾问会追问;交给 AI,它会自行补全——补全的是它的理解,不是你的意图。

投资场景 · 第一次委托

「帮我稳一点地赚钱」

稳一点:年化 5% 还是不亏本金?

赚钱:跑赢存款,还是跑赢指数?

多久:三个月,还是十年?

四个问题,委托人自己往往也答不上来。

输入输出为本项目规则解析器(src/mandate_text.py,确定性、不调用模型)2026-10-24 实际运行结果。
2 / 12
02 — 概念

从模型对齐到个人对齐

难点不在 AI 理解人,而在人先说清自己
模型对齐(大模型公司)个人对齐(每一位投资者)
对象一个模型 × 全体用户一个 AI × 你
「想要什么」由谁定义价值准则、行为规范你的用途、期限、底线
典型失效模型做了人不想要的事AI 忠实执行了你没想清楚的委托
瓶颈模型的理解与服从委托人自己的表达与承诺
检验方式评测集、红队事前写下,事后对账(第九章:复盘)
「个人对齐」为本次分享的提法;学术上相近的方向为 personalized alignment 与 loyal agents(Consumer Reports × Stanford)。
3 / 12
03 — 证据一

风险测评的解释力

问卷能解释的投资者间实际持仓差异,通常不足 15%
投资者之间风险资产配置的差异(=100%) <15% >85%:问卷之外的因素 问卷能解释的部分 原因:问卷主要询问收入、年龄等社会经济变量与假设情境, 而非真实亏损发生时的行为。
投资场景 · 开户风险测评

「您的年龄区间是?」

「若投资下跌 20%,您会:A 加仓 B 持有 C 卖出」

纸面上多数人选 B。

真正下跌 20% 的那个晚上,答案未必相同。

Klement, J. Investor Risk Profiling: An Overview. CFA Institute Research Foundation, 2015:risk profiling through questionnaires is highly unreliable and typically explains less than 15% of the variation in risky assets between investors.
4 / 12
04 — 证据二

事前规则与事中行为

事先写下的规则,多数被事中的「这次算了」推翻——偏好与承诺之间存在落差
规则选择「到时再问我」
114 / 140
81% 的规则把决定推回了事中
越权操作由用户当场放行
133 / 148
90% 的越权,是委托人亲手批准的
拦截效果 vs 逐条审批
−20.1 pp
自写规则组拦下的越权反而更少

预注册实验,113 名非技术用户,三组对照:逐条审批 / 模型自动审批 / 用户事先写规则。
结论不是用户不懂规则,而是事中的自己会推翻事前的自己。

arXiv 2608.27443(2026-08):POLICY blocked less overreach than HITL (−20.1 percentage points, 95% CI [−32.1, −8.1]) … participants chose "ask" for 114 of 140 POLICY rules … Of the 148 overreach actions executed in POLICY, 133 followed … user approval … a gap between preference and commitment.
5 / 12
05 — 方法一

以选择代替描述

不问「能承受多大风险」,而问「这一单放行还是拦下」——四次选择即可定出一条上限
示例:单笔金额上限的二分询问(10 档) 100 200 300 500 750 1,000 1,500 2,000 3,000 5,000 ① 拦下 ② 放行 ③ 放行 ④ 放行 得出:单笔上限 $500 来源:$500 放行、$750 拦下。真实底线落在这两档之间。 每日亏损上限、单标的仓位上限按同法各问约四次。
投资场景 · 三张单子

AI 想一次买 $750 的 AAPL。

今天已亏 $300,AI 还想再买 $100。

已持有 $3,000 的 AAPL,AI 想再买 $100。

放行,还是拦下?

arXiv 2603.29317(2026-03):individuals communicate their preferences more effectively through choices, with as few as two sufficing to match prompts' predictive value。该研究对象为 AI 偏好学习,用于投资委托属类比。左图询问序列为本项目签名页实测。
6 / 12
06 — 方法二

委托前的三个问题

用途、底线、失效条件,缺一项即为不完整的委托;机构以「投资政策说明书」固定下来
问题回答的标准对应 IPS 要素
01这笔钱用来做什么何时要用,到期用不上会怎样目标 · 期限 · 流动性
02亏到多少会卖出不是「能承受」,而是真正会卖出的那个数风险承受度
03什么情况说明看错第九章:写不出失效条件的判断,不记为判断约束 · 复核条件
「IPS 最重要的作用,是在市场动荡、情绪与本能可能驱使人做出不审慎行为时,提供一条客观的行动路线。」
CFA Institute. Elements of an Investment Policy Statement for Individual Investors (2010):Perhaps most importantly, the IPS serves as a policy guide that can offer an objective course of action to be followed during periods of market disruption when emotional or instinctive responses might otherwise motivate less prudent actions.(中文为本文翻译)
7 / 12
07 — 方法三

按用途分账的风险

风险不是一个总数,而是「这笔钱达不成用途」的概率;不同用途应有不同底线
账户(示例)期限达不成用途的后果可接受回撤交给 AI 的边界
三年后的购房首付3 年推迟购房5%只做宽基指数,单标的上限低
二十年后的养老金20 年晚年现金流不足25%定投为主,禁止杠杆
可以全亏的试错资金不限无实质影响100%名单宽、额度小、每日亏损上限

同一个人可以同时是保守与激进的投资者——委托 AI 时,应按账户分别签署边界,而不是给出一个笼统的「风险偏好」。

Das, Markowitz, Scheid, Statman. Portfolio Optimization with Mental Accounts. JFQA 45(2), 2010:a definition of risk as the probability of failing to reach the threshold level in each mental account, and attitudes toward risk that vary by account。表中数字为说明用示例,非建议。
8 / 12
08 — 边界

可执行与不可执行

规则能读懂「怎么买」,读不懂「为什么」——用途只能由人想清楚
输入 › 这笔钱三年后买房用,只做苹果和标普,单笔不超过 500,一天最多亏 200,每只最多拿 2000
规则字段取值来自原话
单笔上限$500「单笔不超过 500」
每日亏损上限$200「一天最多亏 200」
单标的仓位上限$2,000「每只最多拿 2000」
标的名单AAPL, SPY「苹果、标普」
未识别—「这笔钱三年后买房用」
投资场景 · 用途推出限额

「三年后买房」意味着什么?

首付不能少于某个数 → 可接受回撤很小 → 单标的上限应低、名单应窄。

这条推理链,只能由你自己走完。

机器能做的,是把走完的部分管住、记下来。

规则解析器(src/mandate_text.py)2026-10-24 实际运行结果;每条规则均标出来自原话的哪几个字,未识别部分直接报告,不作猜测。
9 / 12
09 — 第九章 · 复盘

对齐是一个反馈环

不可能一次说清;每完成一轮「写下 → 执行 → 核对 → 修改」,对自己的意图就更清楚一分
① 写下来判断快照 · 失效条件 ② 照着做边界事先划定 ③ 对一对核对代替回忆 ④ 改规则改方法,不改记录 个人对齐 每转一圈,更清楚一分
投资场景 · 一次对账

快照写的是:「亏 10% 就止损。」

账本显示:亏到 14% 才卖。

修改的是规则(下次改为 8% 由系统执行),不是记录。

说的和做的哪里不同,意图就藏在哪里。

《AI 智能投资手册》第九章「AI 辅助决策复盘:建立投资判断的反馈机制」:快照只追加、不改写;用核对代替回忆;改进方法而非修改记录,每次修改留下变更记录。右侧为说明用示例。
10 / 12
10 — 为什么底线要放在 AI 之外

模型的自我克制

判断「这件事该不该停下」,最好的前沿模型仅 59.5%,且与模型强弱基本无关
17 个前沿模型「是否应当停下」配对判断准确率 59.5% 100% 0 即使最好的模型,仍有约四成配对判断出错。 模型更强,不会自动更懂得停下。
OpenAI 模型规范(2026-08-18)建议:把授权范围写成结构化记录——可用工具、截止时间、最高花费、约束条件,并且每份授权都要有结束条件。
投资场景 · 底线放在哪里

写在提示词里:AI 可能忘记、误读,或被说服。

写成签名文件:由 AI 之外的程序执行,AI 改不了。

你的底线,不应依赖 AI 的自觉。

arXiv 2607.10059 AgentAbstain(2026-07):59.5% paired accuracy … abstention capability is largely independent of general task-solving capability。OpenAI Model Spec 2026-08-18:a ScopeOfAutonomy record with fields allowed_tools, latest_time, max_cost, tool_constraints;Every scope must include an ending condition。
11 / 12
我们在做的

Evidence Deflator

把想清楚的部分签下来,交给 AI 之外的闸门执行,每一笔都可复盘
一句话 / 挑单子
写下底线,或回答几张单子
→
例子确认
代码算出边界单,逐条确认
→
签名
用你自己的钱包签授权
→
闸门执行
越界即拦,AI 改不了
→
签名入账
复盘时拿来对账
体验 · evidencedeflator.com/gate
微信
欢迎交流 · 微信 伯纳德
12 / 12