智能體交易 vs. 演算法交易：兩者交會之處

「智能體交易」這個詞夠年輕，年輕到人們以為它要取代什麼。它並沒有。要誠實地看待智能體交易 vs. 演算法交易，該把它想成蓋在舊地基上的一層新樓面：演算法交易提供紀律（系統化的規則、歷史驗證、機械化的執行），而智能體這一層改變的是策略如何表達、它們能吸收哪些資料，以及誰有資格自動化。本文會走過這兩層：演算法交易確立了什麼、智能體這一層真正加了什麼、有什麼原封不動地承接下來，以及為什麼把新的一層當成逃離舊紀律的出口，正是帳戶受傷的方式。

演算法交易：最先抵達的那門紀律

演算法交易比它的軟體還老。它的核心是一項承諾：決策來自事先訂好的規則，規則在碰到金錢之前先對著歷史測試，執行則是機械化的，讓情緒無法在交易進行到一半時重新談判計畫。程式碼只是這項承諾被強制執行的方式。

它也早已不是小眾。全球演算法交易市場在 2025 年估計約值 189 億美元，預計 2026 年達到約 204 億美元（Straits Research，2025），而光是散戶區塊就估計接近 39.5 億美元，年增率約 13.4%（Grand View Research，2025）。曾經是那些擁有主機共置伺服器的交易台專屬之物，如今已是個人再正常不過的交易方式。

這門傳統經得起時間的部分，是它的流水線。一個假設（「指數 ETF 裡的趨勢會延續」）變成一條形式化的規則（「當 50 日移動平均線收在 200 日之上時做多；跌破交叉時出場保持空手」）。這條規則跨情境回測，把手續費與滑價一併納入。它先在模擬中運行，再以小額實單上線，此後永遠對照它的回測受到監控。每一個階段之所以存在，都是因為有人跳過它而虧了錢。那條流水線，而非任何特定指標，才是這門紀律真正的資產，而它更深的研究端本身就是一門手藝，我們在量化交易中談過。

這門傳統的弱點在它的大門。把那個假設形式化，需要的不是程式設計能力，就是某個平台的規則編輯器，而兩者都要求你用系統的術語、而非你自己的話來表達想法。許多穩健的交易點子，就死在「我說得出來」和「我寫得出程式」之間的那道縫裡。

智能體交易 vs. 演算法交易：實際改變了什麼

智能體這一層改變了三件事，值得對每一件都說清楚，因為沒有一件是「機器現在會挑股票」。（完整的類別定義，請見什麼是智能體交易。）

第一，策略的表達移到自然語言。上面那條黃金交叉規則，在演算法時代意味著程式：抓取日 K、計算兩條移動平均、處理資料缺漏的邊界情況、把訊號接上下單程序、決定部位大小。在一個智能體系統裡，你寫下這句話：「當 50 日移動平均線收在 200 日之上時做多這檔指數 ETF，跌破交叉時出場，每個部位的風險不超過投資組合的 2%。」系統會把它翻譯成一個程式設計師本來會寫的、同樣形式化的條件，並把翻譯結果秀給你確認。策略沒有變，變的是表達它的成本崩落了。

第二，輸入空間變寬。傳統演算法吸收的是結構化序列：價格、成交量、指標數值。一個智能體系統還能把非結構化事件當成一等公民的條件來對待，例如某檔特定持倉的新聞嚴重程度、總經行事曆上的一筆項目，或是一份被歸類為重大的申報文件。「在 CPI 公布前後一小時內作壁上觀」向來都是條合理的規則；它只是在一條純價格的流水線裡沒有天然的容身之處。

第三，自動化從委託單層級爬升到意圖層級。演算法自動化的是一套完全指定好的程序。一個智能體系統則接受一個帶有約束的目標（「讓這個投資組合維持在目標權重的 5% 以內，最多每月交易一次」），並在你的核准與你的限制之下推導出程序。你監督的是意圖，而非語法。

留意這份清單裡缺了什麼：沒有一項是關於更好的預測。智能體這一層是介面與推理的改變，不是超額報酬的來源。產業採用反映了這種清醒的解讀；在整個金融服務業，23% 的業者回報自己抵達了智能體 AI 較成熟的階段，另有 29% 仍在試點（劍橋 CCAF / WEF，《2026 全球金融服務業 AI 報告》，2026 年 5 月）。這項技術之所以擴散，是因為它降低了做有紀律之事的成本，而不是因為它找到了新的報酬來源。

有什麼原封不動地承接下來

一句話：所有承重的部分。

驗證依舊是王道。一套用一句話表達的策略，出錯的能耐跟一套用 Python 表達的策略完全一樣，所以它必須循著同一道關卡贏得資格：跨情境回測、用即時資料紙上交易、以小額實單上線。真要說，智能體策略更需要這道關卡，因為你的意圖與運行中的規則之間，如今多了一個翻譯步驟，而只有模擬才能揭露這個翻譯是否符合你的本意。這套流程的細節，都在如何回測一個 AI 交易智能體裡。

過度擬合也沒有退休；它換了一身新戲服。除了那些經典的罪過（參數太多、倖存者偏誤、前視），智能體時代還新添了一項：當一個語言模型參與評估與其訓練資料重疊的歷史期間時，它其實能記住答案，而研究顯示這類回測會灌水表現，這些表現接著在樣本外惡化（arXiv:2505.07078，2025）。防禦之道是結構性的：讓回測引擎保持確定性，只讓模型翻譯策略，絕不讓它替策略打分。

風險管理整套原封搬過來。部位大小、停損擺放、曝險上限、回撤限制：不論提出這筆交易的是人、是腳本還是智能體，算術都一模一樣。成本意識也一樣。買賣價差、手續費與滑價會對每一筆成交課稅，無論策略措辭多優雅；一套只有在零成本下才行得通的策略，依舊行不通。

有個乾淨的方式總結這一節：智能體這一層改變了寫策略的價格，卻絲毫沒有改變犯錯的價格。

是同一疊堆疊上的一層，不是繼任者

具體想像這疊堆疊。最底層：市場資料流水線、回測引擎、下單路由、風險檢查。那一層現在是、也應該保持確定性，因為它做的是算術，而算術要的是精確。上面：智能體那一層，翻譯意圖、盯著非結構化輸入、把邏輯重述給你確認。這樣打造的系統，在可靠性重要的地方承接了演算法交易的可靠性，只在彈性安全的地方才加上彈性。當你評估這個領域裡任何平台時，最快的診斷法就是找出那條界線；更完整的檢查清單放在如何挑選演算法交易平台裡。

這兩門傳統也仍各有不同的重心。對延遲敏感、著重市場微結構、純數值的策略，依舊是純演算法的地盤；沒有任何詮釋層能改善一條本來就精確的規則，而研究等級的量化工作也仍在程式碼裡進行。智能體那一層則在牽涉語言、脈絡、事件、以及用它們思考的人的地方，掙得自己的位置。

Obside 明確地被打造成兩層樓之間的橋樑。底下是演算法等級的機器：一具能在幾分鐘內帶著滑價假設重播多年歷史的回測引擎、一套用即時資料、套用生產級風險控管的紙上交易，以及一條在執行當下強制執行部位大小、停損與回撤上限的下單路由。上面則是智能體介面：你輸入前面那句黃金交叉，copilot 把它重述成受監控的條件與一份委託計畫，經你核准後，同一份定義會流過回測、紙上交易與實單，中間不必被重寫。一位機構量化交易員出於專業習慣所遵循的工作流程，如今成了任何能描述一條規則的人最省力的那條路。

接下來該往哪裡走

如果你來自演算法那一側，智能體這一層不是對你紀律的威脅；它是套用你紀律的一種更便宜的方式，外加一個你純價格流水線觸及不到的輸入空間。如果你是剛剛抵達的新手，這份繼承則反過來流動：介面或許是對話式的，但底下的標準（先驗證、部位放小、把成本算進去、對漂亮的回測抱持懷疑）沒有商量餘地，而正是它們讓這門較資深的傳統存活得夠久，久到迎來一個新介面。兩者的交會點，就是你會想立足的地方。看看它在實務中的感覺：在 Obside 上用白話描述一條你已經信任的規則，讓它先跑過回測與紙上交易，再贏得真正的資金。

僅供教育參考，不構成投資建議。交易存在風險，可能導致本金損失。