當交易成為一場對「制度」的降維打擊：從外商思維到量化玄學，老墨的 AI 獲利模型

在投資這條路上，我們常聽到「認知變現」這個詞，但認知的邊界究竟在哪裡？

過去幾年，我看過無數投資人試圖預測市場，有的依賴圖表，有的信仰價值。然而，在演算法與人工智慧（AI）全面滲透金融市場的當下，傳統的博弈規則正在被改寫。這次，我與資深交易員老墨進行了一場極具深度的對談。他的路徑非常獨特：從消費品外商的嚴謹邏輯出發，跨越美股與台股的藩籬，最終在「量化交易」與「AI 賦能」中找到了屬於他的聖杯，甚至將觸角延伸至鮮少人敢公開討論的「東方玄學量化」。

老墨並非傳統意義上的程式交易員，他更像是一位「制度的駭客」。他讓我看到，當你將交易對手從「市場情緒」重新定義為「僵化的制度」時，獲利的路徑將會變得多麼清晰。這不是一篇關於如何寫程式的文章，而是一篇關於如何利用 AI 重構投資邏輯，並在規則的縫隙中尋找確定性的深度覆盤。

邏輯的勝利：像外商經理人一樣管理你的交易

很多人進入股市的初衷是感性的，可能是聽了明牌，或是看了一則新聞。老墨早期的經歷亦是如此，2008 年買進第一張中鋼，只因母親的一句建議，隨後便是漫長的套牢。這種「不知為何而買，不知為何而賣」的痛苦，是所有散戶的必經之路。

然而，真正讓他脫胎換骨的，並非股市本身的磨練，而是他在外商消費品巨頭（FMCG）的職涯訓練。在可口可樂、寶僑（P&G）這樣高度競爭的環境下，所有的決策都必須建立在數據之上。

「即便所有人都知道我爸是我爸，但在外商，你還是要用數據證明我爸是我爸。」老墨這句看似玩笑的話，道出了量化交易的第一性原理：可驗證性。

1. 尋找熟悉的戰場

許多台股投資人在面對半導體、IC 設計等科技股時，常陷入「懂皮毛卻不懂深意」的焦慮。老墨坦言，對於一個只懂尿布和飲料的消費品經理人來說，分析晶圓代工是沒有優勢的。因此，他曾長期轉戰美股，因為那裡有他熟悉的商業模式。

這給了我們一個重要啟示：投資的起點應是優勢圈，而非熱門圈。

2. 量化是邏輯的數位化

當他帶著外商那種「被印度老闆釘在牆上質問邏輯」的嚴謹思維回歸台股時，他發現「量化交易」是唯一能滿足他對邏輯要求的工具。所謂量化，並非高深的數學模型，而是將「模糊的看法」轉化為「精確的數據」。

不是「我覺得這家公司不錯」，而是「營收成長率大於 X%，且本益比小於 Y 倍」。這種思維模式的轉變，讓他不再依賴不可靠的盤感，而是依賴經過回測驗證的統計規律。他將嚴苛的商業管理邏輯，平移到了交易策略的管理上，這才是量化交易的本質——它是一種對不確定性的管理體系。

降維打擊：誰是你的交易對手？

在訪談中，最讓我震撼的觀點，是老墨對於「交易對手」的重新定義。傳統技術分析認為對手是其他散戶或主力，但在量化交易的視野裡，最大的對手（或者說盟友）其實是「制度」與「ETF」。

1. 財報不是落後指標，是「觸發器」

市場常說財報是落後指標，因為股價往往領先基本面反應。但老墨提出了一個極具洞察力的反轉觀點：在 ETF 盛行的時代，財報數據是觸發 ETF 買進的「信號彈」。

2024 年台股的高股息 ETF 熱潮，創造了一個巨大的套利空間。ETF 的選股邏輯是寫在公開說明書裡的，是僵化且透明的。例如，某支 ETF 規定必須買進「殖利率前 X 名」的個股。

「我的真正交易對手是 ETF。」老墨解釋道。當財報公佈，人類交易員還在猶豫時，量化模型已經算出哪些股票會被納入 ETF 成分股。你不是在賭公司未來會好，你是在賭這套「制度」必須在特定時間買入這檔股票。 這就是一種典型的制度套利，利用法規與契約的剛性，去收割確定性的流動性。

2. 處置股的「越獄」效應

另一個「駭入制度」的經典案例是處置股（被列入警示、分盤交易的股票）。一般人視處置為利空，但在量化思維下，這僅僅是流動性被暫時壓抑。

金管會的條條框框，看似限制了市場，實則在充滿雜訊的叢林中開闢了一條路。透過統計處置股「出關」（解除限制）後的漲跌機率、幅度與時間分佈，交易員可以構建出極具正期望值的策略。這再次印證了量化交易的核心：在混亂中尋找具備統計顯著性的規律，而人為制定的規則，往往最容易產生規律。

AI 賦能：一個人就是一支軍隊

如果你認為量化交易的門檻是「寫程式」，那你的觀念還停留在五年前。老墨展示了他如何利用生成式 AI（如 Gemini、ChatGPT）徹底重構交易流程。這不僅是效率的提升，更是生產關係的變革。

1. 程式碼的民主化

過去，從一個交易想法到策略落地，中間隔著巨大的程式碼高牆（如 Python、XS 語法）。現在，這道牆被 AI 推平了。

在實作演示中，老墨僅需將 TradingView 上的熱門指標原始碼複製給 AI，並下達指令：「請幫我理解這段代碼，並改寫成 XQ 全球贏家的腳本。」幾秒鐘內，跨平台的策略移植就完成了。甚至，你可以直接用自然語言告訴 AI：「幫我寫一個巴菲特選股策略，條件是 ROE 大於 15%…」，AI 便能生成可直接回測的代碼。

這意味著，交易員的核心競爭力不再是 Coding 能力，而是「想像力」與「提問能力」。

2. 「老墨戰情室」：AI 作為超級分析師

除了寫代碼，老墨構建了一個名為「戰情室」的自動化工作流。他利用 AI 自動抓取全球財經新聞，進行 5W1H 的結構化分析，甚至要求 AI 基於新聞事件「直接生成三個量化交易策略」。

這是一個極具未來感的場景：人類負責制定大方向與審核，AI 負責資訊的蒐集、清洗、初步分析與策略發想。AI 不再只是工具，而是你的初級研究員、你的工程師，甚至是你的策略顧問。

邊界探索：當量化遇見東方玄學

訪談的最後，我們觸及了一個極具爭議但也極迷人的領域：玄學量化。

在華爾街，威廉·江恩（Willian D. Gann）的星象理論早已有一派信徒；在香港，中信里昂證券每年的「風水指數」也是市場津津樂道的指引。然而，老墨做的是更進一步的嘗試——將「奇門遁甲」數位化、因子化。

他利用 AI 的學習能力，將複雜的奇門遁甲排盤規則（天干、地支、八門、九星）餵給模型，讓 AI 成為解盤師。更重要的是，他將這些玄學因子納入量化回測系統。

「有些數據回測出來的相關性，高到讓我不得不對自然與生命保持敬畏。」老墨坦言。這聽起來或許荒謬，但從數據科學的角度看，這本質上是在尋找「另類數據」（Alternative Data）。無論是衛星雲圖看庫存、社群聲量看情緒，還是用星象看週期，對於量化交易者而言，只要能通過統計檢定、具備預測力，它就是一個有效的因子。

這也提醒我們，AI 的強大在於它沒有偏見。人類會因為「這不科學」而排斥某些變數，但 AI 只看數據之間的關聯。

結語：在演算法時代，保留人類的「假設」能力

從消費品的商業邏輯，到 ETF 的制度套利，再到 AI 輔助的策略生成，甚至跨越到玄學的邊界探索，老墨的投資進化史，其實就是一部「如何利用工具拓展人類認知邊界」的啟示錄。

我們正處於一個轉折點。AI 可以幫你寫代碼、幫你讀新聞、甚至幫你算命，但它無法取代你對市場本質的深刻洞察。AI 可以告訴你處置股出關後的勝率是 70%，但只有人類能洞察到「這是因為監管制度造成了流動性溢價」。

未來的超級個體，將是那些懂得指揮 AI 軍隊，並敢於在制度與人性的縫隙中，提出大膽假設的人。

在這個數據唾手可得的時代，你是否已經準備好，將你的直覺進化為邏輯，將你的邏輯，武裝成一套堅不可摧的算法？

這是一個值得掩卷沉思的問題。