券商谈 AI 策略交易，对外话术往往很顺：有数据、有算力、有量化团队，再加上大模型，好像离「智能交易」只差一层接口。

真正进过机构交易链路的人都清楚：演示能跑，和策略能进生产，中间隔着好几道门。门不在模型本身，而在数据能不能用、审批能不能过、仿真能不能信、人机怎么分工、以及出事时责任落在谁身上。

本文从机构落地视角，梳理几处最常见、也最容易被对外材料略过的卡点。不荐股、不谈具体标的，只谈把 AI 嵌进策略交易时，系统与组织会撞上什么。

一、数据不是「有」，而是「能合法地用」

很多方案默认：行情、委托、成交、持仓、客户画像都在库里，喂给模型就行。

机构里更真实的情况是：

• 权限按条线切碎。 研究、自营、资管、经纪、风控各有数据边界，跨条线聚合常常要单独立项。
• 用途要可追溯。 同样一段成交明细，用于报表和用于训练策略模型，合规口径往往不同。
• 特征工程比算法更耗时。 缺失值、复权、停牌、涨跌停、交易成本、滑点假设，任何一处偷懒，仿真会好看、实盘会打脸。

所以第一道卡点不是「有没有 GPU」，而是：这批数据，以这个用途，能不能进模型训练与推理链路，并且事后审计能说清楚。

二、模型上线不像发一个微服务

互联网产品习惯「灰度—观测—全量」。策略交易侧多了一层：模型输出会直接影响下单意图或风控阈值。

常见卡关包括：

• 模型变更等同业务变更。 换特征、换窗口、换目标函数，都可能触发策略评审，而不是研发发版。
• 可解释性要求不对称。 业务和风控要的是「为什么今天偏多/偏空或为什么提高阈值」，纯黑盒分数很难过会。
• 回撤与异常场景要先想清楚。 极端行情、数据延迟、行情源切换时，模型是降级、熔断，还是切回规则策略？没有预案，上线会停在评审会。

落地成熟的团队，通常会把「模型版本」当成和「策略版本」同等管理的对象：输入契约、输出契约、回测基线、监控指标、回滚路径，缺一不可。

三、仿真漂亮，不等于实盘可交易

这是 AI 策略里被低估最深的一环。仿真环境常见偏差有：

• 成交假设过于乐观（忽略排队、部分成交、拒单）。
• 成本模型偏薄（佣金、冲击成本、融券成本未完整计入）。
• 信息时点错位（用了实盘当时拿不到的字段，或对齐了未来函数）。
• 容量未压力测试（小资金曲线好看，放大后流动性不够）。

AI 模型还会放大这类偏差：它更擅长在历史分布里找规律，对制度变更、流动性结构变化、交易机制调整更敏感。因此机构真正在问的不是「回测夏普多少」，而是：仿真到实盘的衰减，能不能被解释、被监控、被及时停掉。

四、人机协同：AI 是建议、是半自动，还是准自动？

同一套模型，落到交易台可以有三种完全不同的产品形态：

1.    辅助决策： 输出信号与理由，人确认后下单。
2.    约束自动： 在限额、名单、时段内自动执行，越界即人工。
3.    高自治： 人设目标与边界，系统在边界内连续决策。

卡点往往出在组织没先选形态。研发按「自动交易」做，风控按「投顾建议」审，前台按「工具」用——三方预期不一致，项目会反复返工。

更稳妥的路径，通常是先把 AI 放在「可解释的建议层」或「强约束的执行层」，把责任边界写进流程，再谈提高自治度。

五、工程与风控要一起设计，而不是上线前补课

AI 策略交易落地，最后一定会碰到这些「很土但很硬」的问题：

• 推理时延是否满足交易窗口；
• 行情中断、下游拒单时的降级路径；
• 模型漂移与数据质量监控谁值守；
• 日志是否足以做事后追责与监管报送；
• 供应商模型、开源权重、自研模型的知识产权与安全边界。

这些不是模型论文附录，而是生产系统的默认配置。缺了它们，「AI 策略」只是实验室里的曲线。

写在后面

券商把 AI 用进策略交易，真正的分水岭不在演示效果，而在能否同时回答四句话：

数据用得合法吗？变更审得清楚吗？仿真信得过吗？出了问题停得住、说得清吗？

能把这四句答成可执行的制度与系统能力，AI 才从概念走进交易链路。答不清楚之前，模型再新，也只是挂在链路上的试验件。