市面上不少 AI 投資工具都幫助用家整合財報、新聞及股價走勢等，直接給予買賣建議或精選清單。Andrew 卻選擇另一方向：將不同股票大師的交易思考方法，轉化為能每日運作、觀察與學習的獨立模型，而非建立一個告訴用戶「下一隻買甚麼」的 AI。
由每星期股票功課到 AI 研究平台
這項目最初目的只為節省 Andrew 自己時間。他曾於跨國企業從事公共關係，亦有逾 1,000 小時輔導工作經驗，平日持續研究股票市場。過去他每星期要花大量時間翻查走勢圖做功課，後來開始利用 AI 自動處理部分工序並與網民分享，最終在 2 星期內搭建出網站雛形。
系統其後逐步擴展至市場廣度（Market Breadth）、板塊輪動、資金流向、動能分析（Momentum Analysis）、股票監察名單，以及圖表與分析內容生成。在架構上，他按照 Jesse Livermore、William O’Neil、Mark Minervini、Kristjan Kullamägi 與 Alexander Elder 等交易者的公開方法及個人理解，分別建立不同模型，而非強行整合成單一系統，以保留各流派的獨立決策邏輯。同一市場下，一個模型可能認為可以入場，另一個仍然選擇等待；用戶要理解的並非哪個模型「估得最準」，而是不同大師的思維下，他們作出不一樣判斷的因由。
Andrew 亦為不同模型配置相同虛擬資金進行模擬交易（Paper Trading），目的在於觀察不同交易方法在相同市場環境下如何作出決定，而非舉行一場「AI 投資比賽」。
這個概念亦可應用於投資以外。企業建立 AI 知識系統時，未必需要把所有專家意見強行融合成單一答案。不同專家本身可能採用不同判斷框架，保留這些差異，有時比產生一個看似統一、實際卻模糊的答案更有價值。
▲ Andrew 展示系統如何整理市場數據、分析市況、生成分析內容、建立 Watchlist 及進行模擬交易。部分 Agent 功能仍受 Token、數據及運算成本限制，未能全部 24 小時持續運作。
▲ Andrew 按照 Jesse Livermore、William O’Neil、Mark Minervini、Kristjan Kullamägi 及 Alexander Elder 的公開方法及個人理解，分別建立 5 套獨立模型，用以觀察不同交易框架在相同市場下如何作出判斷。
克服心理盲點的決策框架
Andrew 把網站定位為，帶有投資教育性質的研究工具。在 Andrew 採用的交易框架中，股票會按條件分成「可操作」（Actionable）、「觀望」（Waiting）及「避開」（Avoid）等狀態，再按相應方法分析分類原因。
在 Andrew 看來，即使某隻股票獲得極高評分，若用戶不清楚何時入場、判斷失誤時如何退出，以及該承擔多少風險，單一分數仍不足以構成完整決策。
這套設計亦與他的輔導經驗有關。Andrew 觀察到，不少散戶並非不懂得止蝕，但面對真實賬面虧損時，恐懼、不甘心與「等回本」的心態開始影響原本決定；升市時亦容易因害怕錯過而盲目追入。
在 Andrew 看來，技術圖表是價格紀錄，某程度亦是市場參與者行為累積的結果。阻力位背後可能存在大量等待回本離場的持貨者，支持位則反映市場願意承接的資金。因此他更重視將入場、離場與風險控制納入同一套客觀流程，以系統化條件減少臨場情緒對執行的干擾。
隱性知識與脈絡判斷
把資深交易者的方法轉化為模型，關鍵在於將經驗抽絲剝繭。Andrew 指出，均線、成交量與突破條件等指標能相對直接地寫成程式規則，但價格形態是否成熟、突破是否健康等主觀判斷，依然屬於需要人工解構的隱性知識（Tacit Knowledge）。因此更準確的說法是：Andrew 按照對方公開方法及自己的理解，建立一套可執行模型，而非「複製」某位交易者。
開發期間亦曾遇過規則正常運作卻出現偏差。某套模型曾因一隻股票裂口高開而將其列入名單，事後發現主因是企業併購消息，而非模型欲尋找的動能突破。規則沒有計算錯誤，問題在於缺乏現實世界的情境脈絡（Context）。
Andrew 表示，這類情況可透過調整篩選邏輯處理，例如在異常訊號出現時加入新聞檢索，再由大型語言模型判斷是否涉及併購等特殊事件，確認屬例外情況後排除。過去全憑人工每星期檢視數千張圖表，如今系統可先行過濾，縮減至數百張較值得深入分析的圖表，再作人手確認。
這個例子亦很接近企業部署 AI Agent 時會遇到的問題。Agent 即使沒有出現幻覺、數據正確、亦完全按照既定流程執行，只要缺少必要 Context，最後仍然可能作出錯誤決定。從這個案例可見，系統設計未必只在於採用更強模型，而是要清楚界定哪些環節依賴規則、哪些需要檢索外部資料、哪些適合由 LLM 判斷，以及哪些情況需要人手介入，而非單純採用更強模型。對 Andrew 而言，「整體精神是以人為本，AI 為輔。」
▲ Andrew 展示另一套綜合型模型，把逾百種交易算法放在同一框架下運作；當不同規則產生衝突時，再交由具較強推理能力的 LLM 作進一步判斷。
原型驗證與營運考驗
在開發方式上，Andrew 形容自己並非軟件工程師，僅能理解邏輯與修改基礎參數。過去將想法轉化為產品需跨越業務與工程團隊的溝通門檻，如今他透過「Vibe Coding」，以自然語言描述規則與例外，再由 AI 協助編寫程式、除錯，並讓多個模型交叉審查。
從 Andrew 的開發經驗可見，這種模式降低了部分技術實踐門檻，但 AI Coding 讓個人更容易建立 Prototype，正式營運大量 AI Agent 則是另一回事。
Andrew 曾嘗試構建分析美國政策與外交事件的模型，一次完整分析所消耗的 Token 成本已相當於一杯奶茶。單次成本看似有限，但若多個 Agent 每日持續檢索新聞與交叉驗證，營運成本亦會隨使用量增加。因此目前系統並非所有功能都能夠 24 小時持續運作。
另一個限制在於金融數據。大型機構具備購買超低延遲即時數據的資源，個人開發者即使訂閱收費服務仍有落差。AI 可以降低概念驗證（PoC）的製作成本，但不代表拓展至生產環境後依然便宜，API、運算資源、數據訂閱與人工覆核均屬於持續性開支。換言之，AI 項目不能只問「做不做得到」，還要計算每次任務的實際成本，以及使用量放大後是否仍然合理。
領域知識重回競爭核心
這項實驗帶出的意義亦適用於股票市場以外。資深採購人員對供應商的評估標準、網絡安全分析員對警報的判斷直覺，背後多數包含未被白紙黑字寫入標準作業流程（SOP）的經驗。
當程式開發門檻降低，Domain Knowledge 的價值可能反而更加突出：差異在於誰真正知道應該把甚麼判斷寫進去、哪些例外需要處理，以及甚麼時候不能相信 AI，而非單純能把 App 做出來。
不過具備領域知識亦不代表可以輕易建立成熟產品。Andrew 的項目本身仍要面對模型可靠性、數據質素、營運成本及商業模式等現實挑戰。
當 Coding 不再是最大障礙，真正競爭力可能回到很基本的事情：開發者是否真正理解自身專業，並能將多年累積的經驗，轉化為一套可執行、可驗證的決策框架（Decision Framework）。
▲ Andrew 表示，他亦利用 AI 將大量交易書籍中的規則整理成可供系統處理的算法，並嘗試同時監察約 1,500 隻美股，篩選符合特定技術條件的圖表。
註：本文內容旨在介紹受訪者的研究項目及其個人觀點，不構成任何投資建議。文中提及的模型、模擬交易及交易方法亦不代表未來投資表現。
