5 minutes
5 minutes
5 minutes
我的第一性问题
大模型能写代码，能做视觉，能在围棋上碾压人类。但把它放进金融市场，放进宏观预测，砸了几十亿，表现还像个玩具。
第一层我们讲透了：偏见是学习的门票，几何是智能的投影。这套机制在静态世界里漂亮极了。
可一旦数据开始流动、博弈、反身，同一个模型就从天才变回白痴。
问题来了：底层到底断了哪根弦？
AI 在静态世界里学到的一切，都在动态世界里失效。
原著硬核推导的直觉化降维
先看 Durrett 的测度概率论（PTE）。机器学习整套框架压在一条假设上：数据是独立同分布的，i.i.d.。
独立，意味着今天的数据不影响明天。同分布，意味着分布本身不随时间变。UML 第一层的所有定理，都建立在这条假设上。
金融数据两条都不满足。今天的价格影响明天的预期，分布本身在不停地漂移。PTE 用测度论把这件事说死：一个非平稳序列，根本不存在一个固定的「真实数据生成分布」。你没法从一个不存在的分布里抽样。
机器学习却在假装它在。
i.i.d. 破产的那一刻，机器学习的理论地基就塌了。
再看鞅论。这是 PTE 里最锋利的一把刀。一个随机过程如果满足 E[Xn+1 | Fn] = Xn，就叫鞅。翻译成人话：给定你现在的全部信息，你对明天的预测，最聪明的答案就是今天的样子；明天的增量，你猜不到的期望是零。
这意味着，如果资产价格是鞅，对明天价格的最优预测，就是今天的价格。预测的数学死穴就在这里：要么市场是鞅，那任何模型能做的极限就是「预测等于现在」，剩下的全是噪声；要么市场不是鞅，那它必然存在可被利用的规律，而利用规律这件事本身，会改变规律。
在鞅的世界里，预测的极限是承认自己不可预测。
Durrett 的另一本书《随机过程基础》（EP）补上了反身性这一刀。马尔可夫链有平稳分布的前提，是转移概率固定。可金融市场里，参与者的策略会随着市场变化，转移概率跟着变。你算出平稳分布的那一刻，它已经不再是平稳的。
索罗斯管这叫反身性：预测行为改变了被预测的对象。
静态概率的死亡，从参与者开始适应游戏的那一刻起。
最后是 Shalizi 的《高级数据分析》。他讲的是最要命的一点：相关不等于因果。
高维数据里，随便两个变量之间都能找到统计相关性。维度越高，噪声之间撞出伪相关的概率越大。AI 在海量金融数据里挖出的「规律」，绝大部分是这种高维噪声之间的伪相关。
它把相关性当成因果来下注。这是数学上的必然。
高维世界里，把噪声当规律，是逃不掉的宿命。
现实世界的映射与破局
这套逻辑，解释了现实里一堆怪现象。
量化私募前几年靠因子赚得盆满钵满，最近几年集体失效。原因是同质化：当所有人都用同一套因子、同一个模型，策略就变成了市场本身的一部分。你预测的「规律」，在大家都预测它的时候，被反向交易吃掉了。这是反身性。
宏观预测更惨。经济有 regime shift，繁荣，衰退，危机的机制各不相同。模型在一个 regime 里学到的参数，换一个 regime 就全错。非平稳性让「历史回测」变成了一种自我安慰。
真实博弈里更直接：你的对手会读你的策略，会针对你调整。静态世界里没有对手，动态世界里每个人都是对手。
在动态反身的世界里，模型的失效是宿命。
Awen 的认知总结与定论
我的定论：AI 的偏见在静态欧几里得世界是门票，在动态反身性世界是绞索。
第一层里，偏见让学习成为可能。这一层，同一个偏见让学习在真实世界里翻车。UML 的 i.i.d. 假设是数学的地基，也是数学的牢笼。
那问题自然推到下一层：既然动态世界这么难，我们干脆堆更多的数据、更深的网络、更大的算力，能不能暴力突破？
第三层会回答这个问题：容量有硬边界，而且真实数据的形状，根本不在欧氏空间里。
下一本，从张潼的《机器学习算法的数学分析》开始。
参考来源：鞅论、条件期望与测度见 Durrett《Probability: Theory and Examples》；马尔可夫链、平稳分布与反身性见 Durrett《Essentials of Stochastic Processes》；相关性与因果推断见 Shalizi《Advanced Data Analysis from an Elementary Point of View》。
原文链接：Durrett PTE 官方免费 PDF：PTE5；Durrett EP 官方免费 PDF：EOSP2E；Shalizi 官方页：ADAfaEPoV
动态世界这么难，堆更多数据、更深的网络、更大的算力，能不能暴力突破？下一篇用张潼的 Rademacher 复杂度画出模型容量的硬边界，再看真实数据的形状为何根本不在欧氏空间里。
微信扫码 · 微信支付
支付宝扫码本文采用 CC BY 4.0 许可。欢迎转载与引用，请注明作者并附上原文链接。
Licensed under CC BY 4.0. Quoting and republishing are welcome with attribution and a link back to this article.