风险提示本文仅用于技术演示不构成投资建议。AI 生成的任何结论都只是研究辅助不能替代独立判断。很多人以为 AI 量化的风险是「AI 不够聪明」其实恰恰相反——AI 太「自信」了。它会一本正经地用错数据、编造数字、给任何结果都配上看似合理的解释。这三种「幻觉」才是 AI 量化里最危险的坑。本文你将得到什么三个 AI 幻觉反例的可运行代码未来函数、伪造财务数据、事后解释用真实行情和财报数据交叉验证 AI 输出的方法一套可复用的「AI 输出体检清单」一个 LLM 审计 Prompt 模板可直接接入你自己的大模型。一、AI 量化的三种幻觉数据泄漏模型在训练或回测时偷看了「未来」的数据表现好得离谱实盘一跑就崩伪造数据AI 把不存在的财务数字、行情、公告说得头头是道你若不交叉验证就会信以为真事后解释结果出来之后AI或你自己总能编出一套听上去合理的因果但它没有任何预测力。下面分别用代码演示这三个坑以及怎么拦。二、反例一数据泄漏未来函数数据泄漏最常见的形态就是「未来函数」——用明天的涨跌决定今天买不买。我们拉取贵州茅台600519近 89 个交易日的日线对比两版策略importosimportpandasaspdimportmairui licenceLICENCE-66D8-9F96-0C7F0FBCD073# 演示证书演示证书读者复制即用无需替换clientmairui.Client(licence)# 拉日线字段 t日期 o开 c收 h高 l低 v量 pc前收rowsclient.stock_history(code600519,periodd,st20260401,et20260814,dividendn)dfpd.DataFrame(rows)# 泄漏版用明天的收盘价close.shift(-1)作信号df[signal_leak]df[c].shift(-1)df[c]df[ret]df[c].shift(-1)/df[c]-1# 干净版用昨天的涨跌close.shift(1)作信号df[signal_clean]df[c].shift(1)df[c]leak_retdf[df[signal_leak]][ret].mean()*100clean_retdf[df[signal_clean]][ret].mean()*100print(f泄漏版平均次日收益{leak_ret:.2f}%)print(f干净版平均次日收益{clean_ret:.2f}%)真实运行结果泄漏版平均次日收益 1.26% 干净版平均次日收益 -0.30%同样是「次日收益」只是信号时点不同一个 1.26%、一个 -0.30%。差值来自未来函数——实盘里你不可能在收盘前知道明天涨不涨。看到回测收益高得反常第一反应就该查有没有shift(-1)。三、反例二伪造财务数据AI 最大的毛病是「不懂装懂」你问它营收它可能凭空给你一个漂亮数字。拦截办法只有一个——和真实数据交叉验证。我们用财报接口拉出真实数据再对「AI 声称的数字」做体检# 拉真实财报stock_income 返回按 jzrq 排序的列表yysr营业收入 jlr净利润itemsclient.stock_income(code600519)annuals[itforitinitemsifstr(it.get(jzrq,)).endswith(-12-31)]latestannuals[-1]real_yysrlatest[yysr]# 单位元print(f真实营业收入{real_yysr/1e8:.2f}亿元)真实 2025 年报营业收入1688.38 亿元净利润853.10 亿元。现在假设 AI 给了三条声明逐一体检defcheck_fabricated(claimed,real,prev):issues[]ifclaimed0:issues.append(数值非正直接不可信)ifreal0:ratioclaimed/realifratio5:issues.append(f是真实值的{ratio:.1f}倍量级明显异常)elifratio1.5:issues.append(f较真实值高{ratio-1:.0%}需复核口径)returnissuesor[与真实数据一致]运行结果AI 声称营业收入 5000 亿元 → [拒绝] 较真实值高 196%需复核口径 AI 声称净利润 2000 亿元 → [拒绝] 较真实值高 134%需复核口径 AI 声称营业收入 -80 亿元 → [拒绝] 数值非正直接不可信三条声明全部被拦下。「量级对比 同比对比 非正数」三层规则就能挡住绝大多数 AI 编造的数字。四、反例三事后解释叙事谬误最隐蔽的是事后解释一只股票涨了AI 能说「基本面支撑 题材催化 技术突破」跌了AI 也能说「估值偏高 缺乏催化 技术走弱」。两套话对涨跌都成立、都不可证伪。defposthoc_explain(direction):ifdirectionup:return受消息面利好与资金流入推动情绪回暖放量上行。return受获利盘回吐与消息面扰动影响情绪谨慎缩量调整。print(涨了 →,posthoc_explain(up))print(跌了 →,posthoc_explain(down))输出涨了 → 受消息面利好与资金流入推动情绪回暖放量上行。 跌了 → 受获利盘回吐与消息面扰动影响情绪谨慎缩量调整。既然涨跌都能「解释」这套解释就没有预测价值。判断一个研究靠不靠谱要看它能不能事前给出可证伪的判断而不是事后讲故事。五、AI 输出体检清单把上面的经验沉淀成六条每条都可以写成代码字段正确性确认接口返回字段名如 mairui 日线是小写close/open/high/low/volumeAI 常写成大写未来函数全局搜索shift(-、iloc[::-1]命中即前视偏差单日涨跌边界主板股票单日涨跌超过 ±10%ST 为 ±5%即为脏数据/伪造数据量级对比AI 给的数字与真实值偏差 50%先默认可疑非正数/空值营收、净利润、价格为非正或空直接拒绝拒绝事后解释任何结论必须事前给定、事后只看是否兑现。六、LLM 审计 Prompt把体检结果喂给 LLM让它做二次审计你是一名量化数据审计员。请审查以下 AI 量化流程是否存在幻觉风险。 - 反例1泄漏版 37 笔、平均次日收益 1.26%干净版 37 笔、-0.30%。 - 反例2AI 声称营收 5000 亿元真实值 1688.38 亿元。 请输出1) 是否存在数据泄漏2) 最可疑的伪造声明3) 为避免事后解释应坚持什么4) 是否建议直接决策没有配置LLM_API_KEY/LLM_BASE_URL时脚本自动退回规则体检保证可复现。七、完整脚本与常见坑依赖安装pipinstallmairui pandas numpy requests完整脚本含三个反例 体检清单 LLM 审计入口已整理归档核心函数load_history()拉日线并统一字段leaked_strategy()/clean_strategy()未来函数版 vs 干净版check_fabricated_claim()伪造财务数据体检posthoc_explain()演示叙事谬误sanity_check_daily_returns()单日涨跌边界检查。常见坑接口字段名先 probe 再写代码不要凭记忆猜AI 更会猜错大小写财报单位是元不是亿元yysr返回值是元换算亿元要/1e8数据泄漏不止shift(-1)一种还有iloc[::-1]、训练集测试集混用、用未来时点的截面数据交叉验证比「信 AI」更省事一条量级对比规则就能挡住大部分伪造数字。小结AI 量化的三大幻觉——数据泄漏、伪造数据、事后解释——本质上都指向同一件事AI 需要稳定、可复现的数据底座也需要一道「体检闸门」。把真实数据交叉验证、静态体检、拒绝事后解释这三件事固化进流程AI 才能当助手而不是当「股神」。下篇也是本系列收官【AI量化实战 #12】从自然语言到可执行策略LLM 生成代码的边界与校验。代码与接口文档参考https://github.com/MaiRuiApi