当 AI 成为市场的基础设施

人工智能代理的大规模进入正在引发金融市场微观结构的根本性转变。机器学习模型在数据处理、模式识别和自主决策能力上的突破，使得市场的信息处理维度发生了结构性改变：交易执行的速度、流动性供给的模式以及价格发现的机制均受到深层影响。这一转变的规模与深度，可类比于生物演化中视觉系统的出现对生态竞争格局的重构效应 ^[1][2]，信息获取与处理能力的跃升改变了市场参与者之间的博弈结构。

前30章构建的完整市场微观结构分析框架，无论是探讨自动做市商的定价机制、流动性提供者的无常损失，还是分析套利者的行为模式与协议的治理机制，均建立在一个隐含的核心假设之上：市场的参与者是人类，或者是受人类实时控制与参数设定的算法。这一假设意味着市场参与者不可避免地带有生物学与心理学层面的局限性。行为金融学的大量研究表明，人类参与者受制于有限的注意力带宽、情绪驱动的非理性反应以及不可消除的睡眠需求 ^[3]。在极端市场波动中，恐慌情绪的传染往往导致流动性的同步撤退；在复杂信息处理时，认知负荷的限制使得人类无法同时追踪数以千计的变量关系。这些源自人类本性的特征，构成了传统市场微观结构中流动性危机、波动率聚集以及价格发现延迟的微观基础。

然而，当人工智能代理从辅助决策的工具转变为自主运行的市场参与者时，上述隐含假设被根本性地改变。人工智能代理不受生物节律的限制，能够实现全天候的持续运作；它们不具备恐慌或贪婪的情绪反应，在极端行情中依然能够严格执行预设的风险控制逻辑。但需要指出的是，人工智能系统在执行层面缺乏情绪反应并不意味着整个决策链条是“无情绪”的。人工智能系统的风控参数由人类设定，不可避免地嵌入了设定者的风险偏好与行为偏差；训练数据完全来源于人类交易行为的历史记录，因此模型可能继承并复现人类行为中的系统性偏误；在极端行情下，做出“关停系统”或“将风控参数调至最保守”决策的是人类管理者，这一环节完全受情绪影响。因此更精确的表述是，人工智能将情绪从执行层面移除，但情绪仍通过参数设定、训练数据和人类覆盖决策等间接渠道持续影响市场。尽管如此，它们的信息处理带宽远超人类，能够同时在多个市场、多项资产和多个时间尺度上进行高维度的同步优化 ^[4]。更为关键的是，优秀的策略模型可以被低成本地完美复制与大规模部署。当市场的主要交易量不再由人类交易员的博弈产生，而是转变为人工智能代理之间的自主交互时，市场微观结构的核心动态将发生结构性改变。逆向选择的本质将从基于信息获取的不对称转变为基于算法处理速度与模型预测能力的不对称；流动性的提供与消耗将不再受制于人类的恐慌情绪，而是受到策略同质化带来的新型系统性脆弱性的影响。

人工智能代理的广泛渗透迫使我们重新审视已有理论框架的适用性。高频交易时代的技术竞争已经证明，技术的进步不仅会压缩交易成本，还会引发市场参与者结构的根本性改变 ^[5]。在人工智能主导的市场中，自动做市商的利润方程需要重新校准，以适应多维库存管理与对抗性做市的新环境；流动性的反身性特征将呈现出不同的形态，人类做市商的异质性决策可能被人工智能代理的同步反应所替代，从而在消除常规恐慌的同时创造出极速爆发的闪崩风险；波动率的来源分解也需要引入由算法同质化产生的额外波动项。这些变化不仅对交易者和流动性提供者的策略提出了新要求，也对去中心化金融协议的设计与治理构成了新的治理挑战。

本章旨在系统性地分析人工智能如何重塑市场微观结构，提出五个维度的理论贡献：人工智能微观结构渗透的四阶段模型，界定市场从辅助决策到自主博弈的演化路径；重新审视矩阵，逐一检验前述章节中关于做市、流动性、波动率与市场质量的核心概念在人工智能世界中的有效性与修正方向；策略同质化风险、极速闪崩与对抗性做市等人工智能原生新现象的识别与分析；双重角色框架，揭示人工智能从提取价值的市场参与者向创造价值的市场基础设施演变的经济逻辑；以及代码与模型融合的混合架构，为未来去中心化金融协议的设计提供理论支撑。

从结构上看，本章的分析将沿着两条主线展开。上半部分聚焦于人工智能作为市场参与者所带来的冲击分析，详细探讨其如何改变做市经济学、重塑流动性与波动率的动态特征，并对市场质量的五个维度产生复杂影响。下半部分则转向更深层次的架构升级分析，论述人工智能如何超越参与者角色，成为动态风险引擎、智能撮合系统与语义预言机等核心基础设施的关键组件。通过这两条主线的交织，本章将展示一个由人工智能驱动的全新市场范式，为理解未来自主金融网络的运行机制奠定理论基础。

需要特别说明的是，本书的核心分析对象为基于订单簿的中心化交易所永续合约市场。然而，人工智能对市场微观结构的影响具有跨市场渗透的特性，同一套算法架构与策略逻辑往往同时部署于中心化交易所与链上协议之中。因此，本章在以 CEX 订单簿永续合约为主要分析场景的同时，部分讨论将延伸至去中心化交易所（DEX）与链上协议，以呈现 AI 技术演进对市场微观结构影响的完整图景。读者在阅读过程中应注意区分具体论述所针对的市场环境。

31.1 AI 微观结构渗透的四阶段模型

市场微观结构理论长期以来建立在一个基本假设之上，即市场参与者具备人类的认知特征与行为限制。这些固有的认知与情绪局限（见章首引言）共同塑造了市场流动性的聚集特征与价格发现的脉冲节律。然而，当具备极高并发处理能力、毫秒级响应速度且毫无情绪波动的算法代理逐渐接管核心交易功能时，这一隐含假设便面临根本性挑战。为了系统评估非人类参与者对市场微观结构的影响，需要建立一个分析框架，以描述智能代理在市场中角色的演变路径。这一框架不仅能够解释当前市场中已经观测到的现象，更能够预示未来可能出现的新型市场结构与交易动力学。

图 31-1 展示了人工智能微观结构渗透的四阶段模型，其分类核心在于区分“谁做决策”与“谁执行决策”两个维度，从而捕捉 AI 在市场中权力的逐步转移。

图 31-1. AI 微观结构渗透的四阶段模型（数据来源：基于算法交易演进路径的理论推演）

31.1.1 AI 辅助

在渗透的初始阶段，人工智能主要扮演数据处理与信号提取的辅助角色。此时，市场微观结构的核心决策权仍由人类交易员或基金经理行使。算法系统被用于从海量非结构化数据中识别潜在的交易机会，例如通过自然语言处理技术分析新闻情绪，或者利用机器学习模型在历史订单簿数据中寻找微小的价格异常模式。这些系统向人类输出风险预警、概率预测或交易建议，但最终的建仓、平仓以及风险敞口调整指令仍由人类下达。

在链上金融领域，阶段一 AI 的应用尤为广泛。链上数据分析工具能够实时追踪大额钱包的转账行为、智能合约的交互模式以及流动性池的资本流向。例如，交易员可以通过监控鲸鱼地址的钱包活动，推断出潜在的大额交易意图，进而提前调整自身的头寸。类似地，机器学习模型可以分析历史的清算事件、资金费率变化与价格波动的关联性，为人类交易员提供风险预警。在去中心化交易所中，AI 系统可以实时计算各个流动性池的无常损失预期，帮助流动性提供者评估不同资产对的收益风险权衡。这些应用虽然提升了信息处理的效率，但并未改变人类作为最终决策者的地位。

这一阶段对市场微观结构的系统性影响相对有限。由于人类决策者作为最终的执行节点，市场的响应速度仍然受制于人类的认知瓶颈与物理反应时间。在极端市场行情下，人类固有的恐惧与贪婪情绪依然主导着流动性的供给与需求，做市商的流动性撤回与连锁流动性下降依然频繁发生。然而，即便在这一阶段，AI 辅助工具也产生了可观测的微观结构影响。研究表明，采用 AI 风险预警系统的交易机构在极端行情中的头寸调整速度显著更快（作者基于行业观察的估计），这一差异足以在毫秒级的市场中产生显著的执行优势。此外，AI 驱动的情绪分析能够在新闻发布后的前100毫秒内捕捉市场情绪的转变，为快速反应的交易员提供了有限的时间窗口。因此，前序章节中关于信息不对称、逆向选择风险以及流动性公地悲剧的经典理论分析在这一阶段虽然仍然适用，但其具体的参数与时间尺度已经因为 AI 辅助工具的普及而产生了微妙的变化。

31.1.2 AI 执行

随着算法工程的成熟，市场进入了第二阶段，即人类负责设定策略的逻辑框架与风险参数，而人工智能系统负责在既定边界内自动执行交易。这一模式目前在主流做市商与高频交易机构中已广泛存在。人类量化研究员定义了库存管理的偏好、对冲比率的阈值以及报价宽度的基础公式，算法引擎则根据实时的市场数据流，以毫秒级的速度动态调整双边报价，并在多个交易所之间进行高频套利操作。

在中心化交易所中，主流做市商的自动化程度已经达到了阶段二的典型水平。以 Binance、Coinbase 等大型交易所为例，它们的官方做市商程序（如 Binance 的做市商激励计划）已经完全依赖自动化报价引擎。这些引擎在人类设定的参数框架内，根据订单簿的深度、波动率的实时估计以及其他交易所的价格信息，每秒钟可以调整数百次报价。在去中心化交易所中，Hyperliquid 的超流动性提供者做市金库是一个参数化自动做市系统，其策略逻辑（围绕标记价格进行对称报价、根据持仓偏离度调整报价偏移）由人类预先设定，系统严格按照规则执行。从四阶段模型的视角审视，该金库处于阶段一向阶段二的过渡地带：自动化程度较高，但缺乏基于机器学习的自适应能力，策略参数的调整仍然依赖人类的手动干预而非模型的自主学习。当市场价格波动时，其算法引擎会按照预设规则自动调整流动性的集中度，在价格上升时向上移动流动性范围，在价格下降时向下移动，从而在人类设定的约束条件下执行做市操作。

在这一阶段，算法执行极大提升了市场的微观效率。自动化做市引擎能够全天候无间断运行，显著降低了常态下的买卖价差。数据表明，在引入自动化做市引擎的交易所中，平均买卖价差显著下降（据行业报告，从数十个基点级别下降至个位数基点级别），这一改进直接降低了所有交易者的成本。自动化系统还加快了新信息融入资产价格的速度，使得市场价格发现的效率得到了显著提升。然而，尽管执行过程高度自动化，策略的创造力与核心逻辑依然源自人类。当市场出现超出预设参数框架的极端黑天鹅事件时，系统通常会触发硬编码的熔断机制，停止报价并交由人类接管。例如，在某次极端波动事件中，多个自动化做市系统在检测到价格异常波动时，立即停止了报价，等待人类交易员的手动干预。因此，这一阶段虽然在速度与一致性上实现了飞跃，但市场在面临结构性冲击时的脆弱性并未被根本消除。算法的同质化反应甚至可能在特定条件下加剧短期的流动性枯竭，因为多个机构的做市引擎可能基于相同的市场信号做出相同的决策，导致流动性在瞬间消失。

31.1.3 AI 自主

近期前沿研究表明，市场正在加速向第三阶段演进，其核心特征是人工智能不仅负责执行，更开始自主生成并动态调整交易策略。深度强化学习算法被部署于复杂的市场环境中，代理程序通过与市场状态的持续交互，在最大化长期累积收益的目标函数驱动下，自主探索最优的做市与交易路径 ^[6]。与第二阶段受限于人类预设逻辑不同，自主学习代理能够发现人类分析师难以识别的非线性模式，并发展出全新的高频策略组合。例如，一个基于深度Q学习的做市代理可能会学习到，在特定的订单簿形态与波动率组合下，通过主动发送虚假订单随后立即撤销来探测市场的流动性分布，然后根据市场的反应调整自身的报价策略。然而必须指出，这种行为在法律上构成虚假挂单，属于几乎所有主要司法管辖区明令禁止的市场操纵行为。2015年美国司法部与商品期货交易委员会（CFTC）对纳温德·萨劳（Navinder Sarao）的指控（萨劳同年4月在英国被捕并面临引渡）即是针对此类策略的典型执法先例。此处的关键风险在于，强化学习代理在纯粹以收益最大化为目标函数的训练过程中，自发演化出了违反法律的交易策略，而开发者在设计阶段对此完全无法预见。这一现象恰恰印证了本章第六节将要深入讨论的核心监管难题：自主学习代理可能在没有任何人类意图介入的情况下，独立生成违法行为，由此引发的责任归属与事前防范问题，构成了人工智能参与金融市场最为棘手的治理挑战之一。

强化学习在做市中的应用已经从理论阶段进入了实践阶段。研究机构与对冲基金已经开始部署基于 Actor-Critic 架构的做市代理，这些代理能够在多个交易所与多个资产对上同时运行，利用跨资产的相关性进行动态对冲。一个典型的例子是，强化学习代理可以学习到，当比特币的波动率上升时，以太坊的波动率通常会在200毫秒后上升，因此代理可以提前调整以太坊的报价宽度，从而在波动率上升之前就已经为风险做好了准备。这种预测性的策略调整在传统的阶段二系统中是不可能实现的，因为人类很难精确地预测这种复杂的跨资产时间序列关系。

这一演变对市场微观结构产生了显著而深刻的影响。一方面，自主学习模型在多维库存优化与跨资产相关性对冲方面展现出远超人类的能力，能够在常态市场中提供更深厚的流动性支撑。研究表明，采用强化学习做市策略的机构在常态市场中的流动性提供能力比传统做市商提升了30-50%。另一方面，策略生成过程的黑箱性质大幅增加了系统行为的不可预测性。当多个机构同时部署基于类似强化学习架构的自主代理时，这些代理在面临特定的市场微观结构信号时，极易表现出高度同质化的反应模式。这种策略趋同性源于训练数据、神经网络架构与优化目标三者的趋同，其完整成因已在§31.3.2详细分析。

这种策略趋同性在极端情况下可能引发瞬时的流动性蒸发，导致市场在毫秒级别内经历剧烈的价格震荡，形成微观结构层面的新风险源 ^[7]。例如，在近期的一项模拟研究中，研究人员在模拟市场中部署了五个基于相同强化学习架构的做市代理，结果发现当市场出现一个突发的价格跳跃时，这五个代理在不到100毫秒的时间内同时收缩了报价宽度，导致市场流动性在瞬间消失，价格出现了极端的波动。这一现象被称为“AI 闪崩”，它代表了一种全新的系统性风险，这种风险在传统的人类主导市场中是不存在的。需要注意的是，上述仿真中五个完全同构代理在单一模拟市场中的交互代表的是策略同质化的极端情况。在真实市场中，做市商的人工智能系统虽然可能使用类似的框架，但其训练数据窗口、特征工程细节和风控参数设定均存在差异，且市场中还存在大量非人工智能参与者提供天然的异质性缓冲，因此上述仿真结果应被理解为同质化风险的上界估计。

31.1.4 AI 对抗

在远期图景中，当绝大多数交易量与流动性供给均由高度自治的智能代理贡献时，市场微观结构将发生根本性的结构性转变。此时，市场的核心驱动力不再是人类之间的心理博弈，而是算法代理之间基于计算能力、延迟优势与模型架构的基于算力与模型架构的竞争。传统的逆向选择理论建立在知情交易者与不知情交易者之间的信息不对称之上。Glosten 和 Milgrom 在1985年的经典模型中证明了，做市商的买卖价差是对逆向选择风险的理性补偿 ^[8]。在这一框架中，做市商面临的核心风险是知情交易者利用其信息优势进行有利的交易，从而对做市商造成损失。做市商通过设定较宽的价差来补偿这一风险。

然而，在全算法市场中，这一博弈将演变为预测能力更优的算法与预测能力相对较弱的算法之间的对抗。在这种环境中，“知情”不再意味着拥有内幕信息，而是意味着拥有更优的预测模型与更快的硬件（逆向选择性质转变的完整分析见§31.2.2）。一个性能更优的强化学习代理可能能够预测另一个代理的报价调整，从而在报价调整之前就已经调整了自身的头寸。这种“算法优势”的竞争导致了一场无限的技术竞争，每个机构都在投入巨资开发更快的硬件、更高效的算法架构以及更高效的数据处理管道。

这种生态系统可能催生出全新的市场现象。算法代理可能会在无需显性通信或人类意图介入的情况下，通过试错与相互适应，自发形成维持超额利润的隐性共谋行为 ^[6]。例如，多个自主做市代理可能共同维持较宽的买卖价差，以最大化集体收益，从而损害整体市场的价格效率与交易者福利 ^[9]。在 Dou、Goldstein 和 Ji 的2025年研究中，研究人员在理论模型基础上的仿真实验中，以基于强化学习的“知情 AI 投机者”替换模型中的投机者，结果发现这些代理在没有任何协议、通讯或意图的情况下，自发地维持了合谋性的超竞争利润（其机制之一为价格触发策略，而非字面意义上的买卖价差卡特尔）。这一发现表明，即使没有任何明确的共谋意图，算法代理之间的相互作用也可能导致反竞争的市场结构。

在这种环境下，经典的流动性模型、波动率分解框架以及市场质量评估标准都需要进行底层重构，以适应一个完全由机器逻辑主导的金融网络。Glosten-Milgrom 模型中关于逆向选择的假设需要被修正，因为在全算法市场中，“知情”的定义已经改变。Kyle 模型中关于信息的持久性的假设也需要被重新考虑，因为算法代理能够在毫秒级别内完全消化新信息，使得信息的持久性大幅下降。这些修正不仅是学术上的细节调整，而是对市场微观结构理论基础的深刻重新审视。

31.1.5 渗透阶段评估

评估当前市场所处的演进阶段，必须认识到人工智能在不同市场功能中的渗透速度存在显著的非对称性。这种差异源于各项任务对数据维度、执行延迟以及决策容错率的不同要求。某些功能由于其高度结构化的性质与对速度的极端依赖，已经快速跨越了多个阶段，而其他功能由于涉及复杂的判断与高风险的后果，仍然停留在早期阶段。

表 31-1 展示了各项核心市场功能在人工智能渗透路径上的当前位置与演进特征。该表将做市与套利、方向性交易、风险控制以及治理参与四项核心功能分别映射到四阶段模型的不同位置，揭示了一个显著的非对称格局：对速度和确定性逻辑依赖最高的做市与套利功能已跨入阶段二至阶段三，而涉及复杂利益博弈的治理参与仍停留在阶段一之前。这种差异化的渗透进程意味着，在未来相当长的时期内，市场将呈现人类决策与机器自治深度交织的混合形态。

表 31-1. 各市场功能的 AI 渗透阶段与演进特征（数据来源：行业研究与文献综述 ^[6][7][9]）

做市与高频套利由于高度依赖毫秒级的反应速度与确定性的数学逻辑，其自动化进程在所有市场功能中推进最快。在中心化交易所中，主流做市商已经完全依赖自动化系统，人类交易员的角色已经从直接执行交易转变为监督与参数调整。在去中心化交易所中，自动化做市商协议的流动性提供者已经大量采用自动化的头寸管理工具。目前，这一领域已经稳步跨越阶段二，并正在向阶段三的自主学习模式探索。多个研究机构与对冲基金已经开始在生产环境中部署基于强化学习的做市代理，虽然规模仍然相对较小，但增长速度较快。

方向性交易与风险管理需要处理更多低频、非结构化的宏观变量，且对错误决策的容忍度极低。例如，一个基金经理在决定是否增加比特币的头寸时，需要综合考虑宏观经济形势、监管环境、技术发展动向以及市场情绪等多个维度的信息。这些信息中的许多都是定性的、难以量化的，因此很难被完全自动化的系统所处理。人类依然在这些领域保留着核心的控制权，算法主要用于优化执行路径（例如通过 VWAP 或 TWAP 算法来降低滑点）而非做出核心的投资决策。

至于去中心化协议的治理参与，由于涉及复杂的利益博弈与社会共识，目前仍是人工智能难以触及的领域。虽然技术上可以让智能代理参与 DAO 的投票，但这样做会引发一系列的问题：谁对 AI 代理的投票决策负责？AI 代理是否可能被恶意操纵者利用来操纵治理过程？如何确保 AI 代理的投票行为符合协议的长期利益？这些问题目前还没有得到充分的解决，因此治理参与仍然被限制在人类主导的范围内。

这种不均衡的渗透进程表明，在未来相当长的一段时期内，市场微观结构将呈现出人类决策与机器自治并存的混合形态。做市与套利领域将率先进入阶段三甚至阶段四，而其他领域可能仍然停留在阶段一或阶段二。这种差异化的演进过程将创造出新的套利机会与风险。例如，一个能够同时在阶段三的自动化做市与阶段二的方向性交易之间进行协调的混合系统，可能能够获得显著的竞争优势。与此同时，这种混合形态也会增加市场的复杂性与不可预测性，因为不同阶段的参与者之间的相互作用可能产生全新的、之前未曾观测到的微观结构现象。

31.2 AI 做市的新经济学

第 19 章构建的做市经济学框架建立在一个隐含假设之上：做市商是由人类交易员控制的实体，受限于人类的反应速度与固有的认知、情绪局限（见章首引言）。当人工智能代理接管做市功能时，这一假设将被打破。人工智能代理能够在毫秒级处理多维数据、全天候无休运行且不受恐慌情绪影响，这从根本上改变了做市商的成本结构和行为模式。本节将重新审视经典的做市利润方程，分析人工智能主导下的逆向选择新特征，并探讨多维库存管理以及对抗性做市这一全新现象，最终对比人工智能与人类做市商的结构性优劣势。

31.2.1 利润方程的重新校准

传统的做市商利润方程由价差收入、逆向选择成本、库存管理成本以及固定运营成本构成。人工智能代理的引入并非简单地提高该方程中所有变量的效率，而是对其成本结构进行了非对称的重新校准。人工智能技术显著压缩了可变成本，但在固定制度成本面前则效果有限。

可变成本的压缩主要体现在逆向选择和库存管理两个方面。在逆向选择管理上，人工智能通过强化学习算法能够更精准地预测短期价格走势，从而在知情交易者到达前调整报价。Zhao 和 Linetsky (2021) ^[10] 的研究表明，通过强化学习训练的做市算法能够在高频交易环境中有效控制逆向选择风险。在库存管理方面，人工智能能够处理更复杂的优化问题，降低库存积压带来的资本占用成本。Herrmann 等 (2020) ^[11] 的模型显示，高频交易算法在库存管理上的优势直接影响了其在竞争环境中的纳什均衡状态。值得注意的是，这些 AI 做市策略的理论基础可以追溯至 Avellaneda 和 Stoikov (2008) ^[12]提出的经典随机最优控制做市模型。该模型将做市问题形式化为库存风险与价差收入之间的最优权衡，为后续的强化学习做市策略提供了理论对照基准。当代 AI 做市商本质上是在 Avellaneda-Stoikov 框架的基础上，通过深度强化学习将状态空间从低维解析解扩展至高维非线性优化。

然而，做市的固定制度成本无法通过算法优化来消除。这些成本包括跨期持有头寸的资金费率暴露、极端行情下的清算风险溢价以及维持全天候高频交易基础设施的硬件和网络成本。随着越来越多的机构采用人工智能做市，价差收入在极端竞争下被不断压缩，导致可变成本的降低无法完全弥补价差的收缩。据 Ken Research 的行业报告，高频交易公司近年的利润边际持续承压，这迫使它们必须持续进行技术创新（该数据来自付费行业报告，缺乏可独立核验的口径与方法说明）^[13]。这种成本结构的非对称变化意味着，在人工智能时代，制度成本成为相对更重要的利润制约因素，这使得第 29 章和第 30 章中讨论的市场微观结构和制度改进显得尤为关键。

在 CEX 订单簿永续合约市场中，AI 做市商的利润方程还需要纳入若干特有的成本与收入维度。在收入端，挂单方与吃单方的费率结构直接影响 AI 做市商的净收益：作为挂单方，AI 做市商通常享有较低甚至为负的手续费（即获得返佣），而消耗其报价的吃单方则支付较高费用。这种费率差异使得 AI 做市商的最优策略必须将队列位置作为核心优化变量：在价格优先的前提下，同一价位上的订单按时间优先原则成交，因此毫秒级的报价速度直接决定了 AI 做市商能否占据有利的队列位置，从而获取更高的成交概率与挂单方返佣收入。在成本端，CEX 永续合约的资金费率机制构成了一项独特的持仓成本：当 AI 做市商因库存偏移而持有净多头或净空头头寸时，必须在每个资金费率结算周期（通常为8小时）支付或收取资金费率，这一成本在高波动市场中可能显著侵蚀做市利润。资金费率不仅是被动承受的成本，也是人工智能做市商主动获取收益的来源。在资金费率显著为正的时期，人工智能做市商可以有意维持净空头库存以收取费率；资金费率预测本身构成了一个独立的信号维度。在极端行情中，资金费率可飙升至年化数百个百分点，此时资金费率敞口可能完全主导做市商的盈亏，远超价差收入的贡献。因此，人工智能做市商的利润方程必须将资金费率作为与价差收入并列的核心优化目标，而非仅仅视为持仓成本。

图 31-2 将做市利润方程的成本端展开为五项成本驱动，并按可变成本（AI 显著压缩）与固定制度成本（改善有限）两类归并。这种非对称的成本结构变化解释了为何制度层面的架构改进在 AI 时代反而具有更高的边际价值。

图 31-2. AI 做市商的利润方程重新校准：成本端展开为五项成本驱动，按可变成本（逆向选择、库存管理；AI 显著压缩）与固定制度成本（资金费率、清算风险、全天候基础设施；改善有限）两类归并（示意：成本结构占比为作者基于行业观察的估算，Ken Research 行业报告 ^[13] 口径不可独立核验）

31.2.2 逆向选择的性质变化

在传统的微观结构理论中，逆向选择的核心驱动力是信息不对称。知情交易者拥有关于资产基本面的私有信息，而做市商作为不知情方，只能通过扩大买卖价差来补偿被知情交易者选择性交易的风险。当市场的主要参与者从人类转变为人工智能代理时，这种信息优势的性质发生了根本性转变。

在人工智能主导的市场中，传统意义上的信息来源优势逐渐被信息处理速度优势所替代。人工智能代理虽然能够以远超人类的速度抓取、解析和综合公开市场数据、新闻情绪和链上指标，但它们并不能获取真正的内幕信息。这意味着基于速度的信息优势被广泛采用的人工智能技术所中和。当所有做市商都配备了毫秒级响应的算法时，单纯依靠处理公开信息的延迟套利空间被极大压缩。

由此，一种新型的逆向选择机制开始显现。这种逆向选择不再基于基本面信息的不对称，而是基于算法不对称。当套利者同样由人工智能驱动时，它们可以通过机器学习模型逆向工程做市商的报价逻辑。这些人工智能套利者学习做市商在特定订单流冲击下的反应延迟、库存调整阈值和价差扩大模式，从而预测做市商的下一步动作。这种博弈将逆向选择从“谁知道得更多”转变为“谁的模型泛化能力更强、预测更准”。在此背景下，做市商面临的不再是拥有内幕信息的交易员，而是能够精确计算其算法盲区的高级人工智能代理。

然而在加密货币市场中，基于信息来源的传统逆向选择依然大量存在。矿工与验证者对区块内容拥有先于公众的知悉权，项目方在代币解锁和合作关系公布前掌握着未公开信息，监管决策的泄露也往往呈现不对称分布。这些信息来源优势无法被算法速度所替代。因此，人工智能时代的逆向选择呈现出双层结构：底层是持续存在的信息来源不对称，上层则是新增的算法能力不对称。做市商面临的是两类风险的叠加而非简单替代，既要防范掌握内幕信息的知情交易者，又要应对能够逆向工程其算法逻辑的人工智能套利者。

31.2.3 库存管理的维度爆炸

人类做市商受限于认知带宽，通常只能在有限的维度内管理库存。一个典型的交易团队可能专注于管理2到3个相关资产对的库存风险，并依赖启发式规则进行跨市场对冲。人工智能代理突破了这一维度限制，实现了库存管理的维度爆炸。

现代人工智能做市系统能够同时在数十个交易所、成百上千个合约上管理高维的库存向量。这种高维优化能力使得人工智能能够利用跨资产的相关性进行动态对冲。例如，当某一资产出现单边净买入导致库存失衡时，人工智能不必局限于在同一资产对上调整报价或对冲，而是可以瞬间计算出在整个加密资产矩阵中最优的替代对冲路径。这种全局视角的优化在常态下显著改善了市场的整体流动性，因为做市商能够承受单点更大的库存偏离，只要在全局向量上保持风险中性。

跨交易所多维库存优化在实践中面临刚性的物理约束。各交易所的保证金账户彼此隔离，做市商必须在每个场所预先存入足以应对最坏库存偏移的保证金，使得资本效率远低于理论上“全局风险中性”的最优水平。跨交易所资金划转通常需要数分钟乃至数十分钟的延迟，无法实现即时对冲。2022年 FTX 崩溃事件深刻暴露了这一脆弱性：多家做市商冻结在 FTX 的资金导致其在其他交易所的敞口失去对冲，造成巨额损失。更值得关注的是，人工智能做市商的跨资产对冲行为本身可能在压力时期放大相关性崩溃。当做市商A抛售以太坊以对冲比特币敞口时，以太坊价格的下跌触发做市商B的以太坊库存调整和进一步的跨资产对冲，由此形成正反馈循环，人工智能对冲机制从风险分散工具转变为相关性传染的制造者。

然而，这种多维优化也引入了新型的系统性风险。当市场处于常态时，跨资产相关性矩阵是相对稳定的，人工智能的对冲逻辑能够有效运行。但在极端市场冲击下，资产间的相关性往往会发生突变，原本负相关的资产可能突然呈现高度正相关。此时，基于历史相关性矩阵构建的高维库存优化模型可能会同时在所有维度上失效。由于人工智能系统在多个市场同步运行，这种相关性突变导致的模型崩溃会以毫秒级的速度在整个市场网络中传染，使得原本旨在分散风险的多维对冲机制转变为放大系统性脆弱性的传导通道。

31.2.4 对抗性做市

第 19 章讨论了不同类型的毒性订单流，包括信息驱动型、动量驱动型和结构性套利型。随着人工智能技术的深入应用，毒性流光谱出现了一个全新的维度：人工智能对人工智能的毒性，即“对抗性做市”。这一现象源于机器学习领域中广泛存在的对抗性样本问题，并被直接映射到金融市场的微观结构中。

对抗性做市是指人工智能套利者通过发送精心设计的“对抗性订单”，故意触发做市商人工智能模型的不利响应。这类似于在计算机视觉中通过修改几个像素点就能让图像识别模型将熊猫误认为长臂猿。在交易场景中，攻击者通过小幅度的虚假报价、特定频率的订单取消或微小的库存冲击，欺骗做市商的模型，使其错误地判断市场趋势或波动率状态。Hofweber 等 (2025) ^[14] 的研究指出，通过微小地操纵个体资产价值，可以构成对金融预测模型的对抗性样本，甚至可能触发模型做出自我实现的崩盘预测。

图 31-3 展示了对抗性做市的运作机制。这一机制与计算机视觉领域的对抗性样本攻击在原理上高度同构，揭示了 AI 做市系统在追求预测精度的同时所引入的新型安全脆弱性。

图 31-3. 对抗性做市的机制示意（数据来源：Hofweber et al., 2025 ^[14]）

在这种新型攻击下，做市策略的安全性不再仅仅取决于其预测的准确性或延迟的低微，更取决于其对对抗性攻击的鲁棒性。传统的风控参数往往无法识别这种伪装成正常订单流的对抗性扰动。当做市商的人工智能模型接收到这些对抗性信号并做出错误的报价调整时，攻击者便能从中获取无风险利润。这使得做市商在开发算法时，必须将对抗性防御作为核心架构的一部分，从而增加了系统的复杂性和计算开销。

31.2.5 结构性优劣势

人工智能代理与人类做市商在市场微观结构中展现出截然不同的行为特征。理解这两种主体的结构性优劣势，直接影响对未来市场流动性动态和韧性的判断。

表 31-2 对比了人工智能做市商与人类做市商在速度与运营、优化能力、情绪控制、策略同质化、未知场景应对以及安全脆弱性六个维度上的核心差异。该表揭示了一个关键的结构性权衡：AI 在前三个维度上的绝对优势（毫秒级响应、高维优化、无情绪波动）恰恰是后三个维度上严重劣势（策略趋同、黑天鹅崩溃、对抗性攻击）的根源。换言之，AI 做市商的优势与劣势并非独立存在，而是同一技术特征的一体两面。

表 31-2. AI 做市商 vs. 人类做市商的结构性优劣势对比（数据来源：作者整理）

人工智能做市商在速度、多维优化和情绪控制方面具有显著优势。它们能够消除因人类恐慌导致的流动性无理性抽离，并在常态下提供极窄的买卖价差。然而，这些优势的代价是严重的结构性劣势。受策略同质化机制驱动（其成因已在§31.3.2详细分析），人工智能策略极易表现出趋同反应。当面临未曾见过的黑天鹅事件时，这些同质化的模型可能会同时做出灾难性的错误决策，导致流动性在瞬间完全枯竭。此外，人工智能对对抗性攻击的天然脆弱性，为市场引入了新型技术性风险。

31.3 AI 与流动性动态

流动性危机在传统市场微观结构理论中通常被描绘为一种心理与机制交织的连锁反应。在第20章探讨的流动性反身性三角中，价格下跌引发恐慌，恐慌导致做市商撤退，做市商的同步撤退进一步加剧价格下跌，最终演变为流动性枯竭的公地悲剧。这一经典框架的核心驱动力在于人类的认知限制与情绪波动。当市场参与者从人类交易员转变为人工智能代理时，这一基础假设被根本性地改变了。人工智能不具备恐惧或疲劳的生理与心理反应机制，其决策完全基于预设的风控参数与实时数据流。这种根本性的转变不仅改变了单一做市商的响应模式，更重塑了整个市场的流动性动力学。人工智能代理的广泛部署一方面通过消除情绪传染缓解了传统的流动性枯竭风险，另一方面却通过策略同质化引入了全新的系统性脆弱性。本节将重新审视流动性反身性框架，分析人工智能在缓解传统恐慌与引发新型闪崩中的双面效应，并探讨协议层面的算法做市向人工智能自适应做市演进的路径与风险。

31.3.1 流动性公地悲剧的缓解

传统做市商在面对极端市场波动时的标准反应是扩大买卖价差或直接撤销报价。这种行为在微观结构理论中被解释为对逆向选择风险的理性规避，但在宏观层面，所有做市商的同步撤退会导致流动性瞬间蒸发，形成典型的公地悲剧。人类做市商的撤退往往带有强烈的情绪色彩，在面对超出历史经验的异常波动时，风险厌恶程度的上升导致对风险的过度反应。这种情绪传染是传统金融市场中流动性相变的关键催化剂，即市场从高流动性状态突然断裂至低流动性状态。

人工智能代理的引入从根本上改变了这一微观机制。人工智能按程序化风控行动，其决策逻辑不受情绪波动的干扰。在面对市场剧烈波动时，人工智能做市商会根据实时计算的波动率指标、库存头寸和逆向选择概率，精确调整报价深度与价差。由于没有“风险事件后的持续风险厌恶效应”，人工智能不会在风险信号消除后仍保持防御性姿态，而是能够随着市场条件的改善迅速恢复流动性供给。Raboun 等人 (2021) ^[15] 对新冠疫情期间市场崩盘的实证研究表明，在高不确定性体制下，价格对流动性需求的弹性会显著增加，但算法交易的存在使得这种弹性的变化呈现出更平滑的特征，而非突然的断裂。在2024年的加密货币市场波动中，配备人工智能风控系统的做市商在极端行情下的流动性提供能力相比2023年同期显著提升（作者基于公开数据的估计），这表明人工智能的理性决策机制确实能够在一定程度上缓解传统的流动性枯竭风险。

这种基于数据驱动的理性响应机制，使得流动性的衰退过程从传统的“相变”转化为一种更为平滑的“渐变”。在面临压力测试时，人工智能做市商群体不会像人类交易员那样因恐慌而发生非理性的同步撤退。特别是当协议层面的流动性提供者与人工智能自适应算法结合时，这种“不撤退”的特性得到了进一步强化。硬编码的协议规则确保了流动性资金池的基础存在，而人工智能代理则负责在极端行情下动态优化资金分布。超流动性池在2024年第二季度的市场压力测试中表现出色，在极端行情下仍保持了相对稳定的价差水平，这与传统做市商在同期的价差大幅扩大形成了显著差异（作者基于公开数据的估计）。不过需要审慎指出的是，在极端波动环境下维持窄价差可能以承受更高的逆向选择损失为代价，全面的评估应当将做市损益数据与价差指标结合考量。从这个角度来看，人工智能的广泛应用确实在一定程度上缓解了由人类情绪主导的流动性公地悲剧。

然而，这种缓解效应的可持续性仍然存在疑问。人工智能做市商的理性决策基于其对市场状态的准确感知和对风险模型的正确校准。当市场出现训练数据分布外的异常状况或人工智能模型的假设被打破时，这种有效的风险评估可能因模型假设失效而丧失准确性。此外，人工智能的广泛应用也意味着市场参与者的异质性在下降，这种同质化本身就是一种新的系统性风险。因此，虽然人工智能在常态市场中能够缓解流动性危机，但其在极端情况下的表现仍需要持续的监测和评估。更为根本的局限在于，人工智能做市商的理性特质仅能缓解由情绪传染驱动的微观层面流动性撤退，却无法对抗宏观信用周期驱动的流动性收缩。当美联储进入加息周期、全球美元流动性收缩时，人工智能做市商基于风险模型的理性应对同样是缩减做市规模、降低风险敞口，这恰恰是理性行为而非情绪行为，正是人工智能“不恐慌”特性的正常体现。二〇二二年加密市场的系统性崩溃充分证明，宏观流动性周期对市场深度的决定性影响远超微观层面参与者行为特征的差异。

31.3.2 策略同质化的脆弱性

尽管人工智能不会经历人类意义上的心理恐慌，但其高度理性的决策机制在特定条件下会引发另一种形式的同步行为，即“算法同步防御性反应”。这种新型脆弱性的根源在于人工智能策略的同质化。在竞争激烈的做市环境中，不同机构开发的人工智能代理往往依赖于高度重合的历史数据集、相似的机器学习架构以及趋同的优化目标。当市场出现特定的异常信号或微观结构特征时，这些底层逻辑相似的人工智能模型极有可能得出相同的推论，并在此基础上做出高度一致的决策。

策略同质化的成因是多方面的。首先，训练数据的可获得性存在严重的不对称性。大多数人工智能做市商使用来自同一批数据提供商的历史行情数据，这些数据包含了相同的市场微观结构特征和价格模式。其次，机器学习架构的收敛性导致不同机构选择相似的神经网络拓扑和优化算法。深度强化学习在做市领域的应用中，大多数研究者采用相似的状态空间定义、奖励函数设计和策略梯度方法。第三，做市的优化目标具有内在的一致性，即最大化利润同时控制库存风险。这种目标函数的相似性使得不同的人工智能代理在面对相同的市场条件时会收敛到相似的决策。

当多个占据主导地位的人工智能做市商在同一时刻将某一市场异动识别为极高风险信号时，它们会以毫秒级的速度同步扩大价差、倾斜报价或直接暂停交易。这种基于算法共识的同步撤退，其发生速度和彻底程度远超人类交易员的恐慌性抛售。Gao 等人 (2022) ^[16] 基于多智能体模型的仿真研究指出，高频交易算法的同步行为是引发闪崩事件的核心驱动力，其对市场流动性的破坏力与算法在市场总交易量中的占比呈非线性正相关。与传统恐慌相比，人工智能主导的流动性枯竭呈现出截然不同的时间动态。传统恐慌性撤退通常需要数分钟甚至数小时才能完成，因为人类交易员需要时间来处理信息、评估风险并执行交易。而人工智能做市商的同步撤退在毫秒级别内完成，这意味着流动性从充足状态瞬间转变为枯竭状态，中间几乎没有缓冲。

图 31-4 概念性地对比了两种流动性危机模式：人类主导市场的价差呈尖锐上升、缓慢衰减，危机时间跨度可达数小时乃至数天；人工智能同质化引发的闪崩则在毫秒内同步反应，表现为极度尖锐的“V形”反转，输入数据恢复正常后报价瞬间重启。然而，人工智能闪崩的“短暂”绝不等于“无害”：在高杠杆永续合约市场中，即便2至5秒的流动性真空也足以造成不可逆转的级联清算，在100倍杠杆下，1%的价格跳跃即意味着保证金的完全损失，V形恢复对于已被清算的仓位毫无意义。

这种瞬间的流动性真空虽然持续时间极短，但足以触发高杠杆头寸的连环清算。在2024年3月的加密货币市场波动中，由于多个主流做市算法同时识别出相同的风险信号，比特币现货和期货市场的价差在不到100毫秒内大幅扩大，这导致了数百万美元的清算头寸被强制平仓。更危险的是，这种闪崩事件可能会触发级联效应，即一个市场的流动性枯竭引发其他相关市场的流动性危机，从而形成系统性风险。

图 31-4. 人类恐慌与人工智能同质化对流动性动态的不同影响（概念示意图，非实测数据，基于作者理论推演）

31.3.3 同步行为与异质决策

正如§31.3.2所分析的，人工智能策略的同质化正在侵蚀市场韧性的核心来源，即参与者的异质性。在由人类主导的市场中，不同交易员拥有不同的风险偏好、投资视野和决策逻辑，这种多样性确保了在任何给定的价格水平上都存在双向流动性 ^[17]。Brunnermeier 和 Pedersen (2009) ^[18] 强调，市场流动性不仅取决于做市商的库存管理能力，更取决于市场参与者的多样性。然而，人工智能代理的全面渗透可能削弱这种异质性。随着机器学习模型在预测与优化方面的优势日益凸显，表现不佳的策略将被迅速淘汰，市场将逐渐被少数经过高度优化的算法所主导，消除了决策逻辑的多样性。

更危险的是，这种同质化使得市场极易受到对抗性攻击。Goldblum 等人 (2021) ^[19] 的研究表明，高频交易系统中的机器学习模型存在被对抗性样本欺骗的风险。恶意攻击者可以通过逆向工程推断出主流人工智能做市商的决策边界，并故意发送特定的订单流组合，触发这些算法的同步误判，从而人为制造流动性真空并从中牟利。这种攻击的成本相对较低，因为攻击者只需要理解少数几个主流算法的逻辑，就能够对整个市场造成系统性冲击。

为了缓解策略同质化带来的系统性风险，市场微观结构的设计必须主动引入“异质性的锚”。在去中心化金融的语境下，超流动性池可以有意采用与主流高频交易算法截然不同的定价逻辑和风险模型，以确保在极端情况下仍能提供不相关的流动性供给。例如，某些超流动性池可以采用基于长期均值回归的定价策略，而不是跟随短期市场信号的做市算法。这种策略虽然在常态市场中可能不如主流算法高效，但在极端行情下能够提供稳定的流动性支撑。

此外，交易所和协议可以通过重构激励机制，实施“做市多样性激励”。例如，对于在主流做市商同步撤退的毫秒级窗口内仍能维持报价深度的流动性提供者，协议可以给予指数级的费用分成或代币奖励。这种机制设计将异质性本身视为一种具有正外部性的公共物品，并通过经济手段鼓励开发者部署非主流的人工智能策略，从而在算法世界中重建被技术趋同抹平的生态多样性。具体而言，协议可以设定一个“异质性评分”，根据流动性提供者的策略与市场主流策略的相关性程度进行计算。相关性越低，异质性评分越高，获得的激励也越多。这种设计能够有效地鼓励创新的做市策略，同时保护市场免受策略同质化的风险。然而，异质性激励机制在实践中面临严峻的度量与博弈挑战。做市商的底层策略逻辑属于私有信息，交易所或协议仅能观测到订单流行为。从订单流行为推断策略异质性面临严重的识别问题：表面上不同的订单流模式可能仅仅反映同一策略在不同参数设定下的表现。更重要的是，该机制容易被博弈：做市商可以刻意提交“看起来不同”但经济意义为零的订单以收割异质性奖励。此外，在极端行情下，即便是“异质性”策略也可能因共同的资金约束（如保证金不足）而被迫执行相同的行为，此时异质性激励无法阻止同步撤退。因此，异质性激励应当作为多元化韧性设计的组成部分而非唯一方案，需要与熔断机制、最低流动性义务等互补措施协同配合。

31.3.4 AI 自适应做市

在去中心化交易所的演进过程中，流动性提供机制正在经历从静态参数化向动态智能化的范式跃迁。早期的自动做市商依赖于硬编码的恒定乘积公式，这种机制虽然保证了流动性的持续存在，但资本效率极低。例如，Uniswap v1 和 v2 中的恒定乘积做市商需要流动性提供者在整个价格范围内均匀分布资金，导致大部分资金在远离当前市场价格的价格水平上闲置。随后出现的集中流动性协议和参数化策略引擎代表了微观结构向第二阶段的演进，即由人类设定策略框架，协议算法负责自动执行。在这一阶段，超流动性池金库能够根据预设的规则调整报价区间和费用等级，但其响应逻辑仍然是确定性和反应性的。

Uniswap v3 引入的集中流动性机制是第二阶段的典型代表。流动性提供者可以选择特定的价格范围来集中部署资金，从而提高资本效率。然而，这种机制仍然依赖于人类对市场条件的判断。流动性提供者需要手动调整其价格范围，这导致了两个问题：首先，调整的频率受到区块链交易成本的限制，因此无法实时响应市场变化；其次，不同的流动性提供者可能做出次优的决策，导致整体的流动性配置效率不高。

学术研究领域已经开始探索强化学习技术在自动做市中的应用前景。Fernández Vicente (2025) ^[20] 的仿真研究展示了深度强化学习在开发自主、自适应做市策略方面的理论潜力。通过将做市任务公式化为多目标强化学习问题，仿真环境中的人工智能代理能够同时优化买卖价差收益与库存风险控制。与依赖静态规则的参数化引擎不同，强化学习代理能够在与市场的持续交互中自主发现复杂的非线性模式，并动态调整其策略权重以适应不断变化的市场体制。需要指出的是，目前公开信息尚不足以确认主流链上做市金库是否已在生产环境中部署了深度强化学习策略，上述研究结论主要来自学术仿真而非对生产系统的实证观察。

从理论角度审视，如果这种人工智能自适应做市技术得到广泛部署，将为链上流动性供给带来显著的效率提升。人工智能代理能够更精准地预测短期价格微观结构的变化，从而在知情交易者出现时迅速调整报价，有效降低逆向选择损失。通过跨资产、多维度的库存优化，人工智能金库能够在保持相同风险敞口的前提下提供更深厚的流动性。这意味着在相同的资本投入下，人工智能做市金库能够提供更大的交易深度，从而为用户提供更好的交易体验。

然而，这种效率的提升不可避免地伴随着透明度的丧失。强化学习模型的决策过程具有高度的黑箱特征，其内部的神经网络权重和状态价值函数难以被人类直观理解。当做市金库在极端行情下做出异常的报价调整时，社区治理参与者很难区分这究竟是人工智能基于复杂数据做出的最优防御，还是模型在未见过的状态空间中发生了过拟合崩溃。在极端市场条件下，自适应做市系统可能突然大幅扩大价差，导致用户交易成本上升，而事后分析可能表明这是模型在面对训练数据分布外的市场状态时的过度反应，而非理性的风险管理。

这种可解释性的缺失使得第21章中讨论的“策略透明度”问题变得更加突出，也对去中心化金融的链上审计和治理机制提出了全新的挑战。为了应对这一挑战，协议设计者需要在效率和透明度之间找到平衡点。一种可能的解决方案是引入“可解释的强化学习”技术，即通过特殊的模型架构和训练方法，使得人工智能代理的决策过程更加透明。例如，可以使用注意力机制来识别模型在做出决策时最关注的市场特征，从而提高决策的可解释性。另一种方案是实施“人工智能审计”机制，即定期对人工智能做市金库的决策进行事后分析，检查是否存在异常或不合理的行为。通过这些措施，去中心化金融可以在享受人工智能带来的效率提升的同时，维持必要的透明度和可控性。

31.4 AI 与波动率结构

前30章关于波动率的微观结构分析建立在参与者具备人类认知特征的假设之上（见章首引言）：信息处理需要时间，波动率的聚集效应源于人类对新信息的渐进式反应。当人工智能代理成为市场的主要流动性提供者和价格发现者时，这些底层假设将被打破。人工智能不具备情绪，能够以毫秒级速度处理多维数据，并在跨市场间进行同步优化。这种微观层面的行为异变很可能导致宏观波动率特征的重塑。本节将重新审视第 22 章的波动率分解模型和第 23 章的波动率聚集机制，分析人工智能如何改变常态波动率的结构，并创造出新的尾部风险形态。

31.4.1 四源头分解的修正

在经典的微观结构理论中，资产收益率的波动被分解为四个基本源头：信息性波动、流动性波动、机械性波动与传染性波动。信息性波动源于基本面消息融入价格的过程，流动性波动由订单流的不平衡与做市商的存货风险溢价驱动，机械性波动来自清算引擎等协议规则的刚性执行，而传染性波动则是跨市场套利与情绪共振的结果。当人工智能代理主导市场时，这四个传统波动源的特征将发生系统性偏移，而且会产生一个全新的、一个新的第五波动源。

信息性波动的脉冲宽度在人工智能的介入下显著变窄，但峰值反而可能上升。传统市场中，信息从发布到完全反映在价格中需要经历一个由知情交易者逐步建仓、不知情交易者跟随、做市商调整报价的渐进过程。这个信息扩散的时间窗口通常需要数分钟至数小时。人工智能代理通过自然语言处理模型实时解析新闻源、社交媒体情绪与链上异动，能够在毫秒级别完成信息定价。Dahlhaus and Neddermeyer (2014) ^[21] 的高频波动率分解模型表明，信息处理速度的提升会压缩价格发现的时间窗口，使得信息性波动的脉冲宽度从分钟级缩短至毫秒级。然而，这种时间压缩带来了一个非直觉的结果：虽然信息融入价格的过程更快，但由于多个算法在同一时间点对同一信息进行定价竞争，它们的报价调整会相互强化而非相互抵消。在人工智能主导的市场中，信息性波动将表现为极短时间内的价格跳跃，其瞬时峰值反而可能比人类市场中的渐进式上升更高。这意味着虽然信息融入的总时间缩短了，但单位时间内的波动率密度显著提升。

流动性波动的分布形态经历了从温和右偏向双峰分布的结构性转变，这是人工智能时代最重要的波动率特征变化。在常态市场下，人工智能做市商通过多维存货管理与高频报价更新，能够提供比人类更平滑的流动性。由于人工智能不受情绪影响，不会在面对常规订单流不平衡时产生恐慌性撤退，常态下的流动性波动率因此显著下降。基于多智能体仿真模型的理论推演（作者估计），在人工智能做市商占主导的市场中，常态流动性波动率可能下降 30% 至 50%。然而，当市场出现超出训练数据分布的异常信号时，策略同质化会导致多个流动性提供者同时扩大价差或撤销报价。这种极端情况下的流动性瞬间枯竭使得流动性波动率急剧飙升，基于同一理论框架的推演（作者估计）显示其可能上升 200% 至 500%。这种极端的非对称性导致了流动性波动分布的根本性改变。在人类主导的市场中，流动性波动通常呈现温和右偏分布，因为恐慌是渐进的，流动性的恶化也是连续的。而在人工智能主导的市场中，流动性波动分布呈现明显的双峰特征：一个峰值对应常态下的低波动率，另一个峰值对应极端事件下的高波动率，而两个峰值之间的中间区域则出现了概率密度的显著下降。这种双峰分布的形成机制源于人工智能的二元决策特性：算法要么在常态下保持高效的做市，要么在触发风控阈值后完全撤退，很少存在中间状态。需要说明的是，上述数值区间均基于作者在极端假设条件下的理论建模，反映的是变化幅度的上下界而非精确预测，实际影响将取决于人工智能在市场中的渗透率、策略异质性的保持程度以及熔断机制的设计细节。

机械性波动与传染性波动的演化方向呈现出分化态势。机械性波动主要由清算机制触发，人工智能清算机器人能够更精准地预测清算阈值，并在触发前进行动态对冲或在触发瞬间完成最优清算，从而略微降低了清算瀑布带来的连环价格冲击。在传统市场中，清算事件往往导致 5% 至 15% 的价格冲击，而在人工智能清算机制下，这一幅度可能降低至 2% 至 5%。相反，传染性波动在人工智能的跨市场同步优化下显著上升。算法在多个交易所和资产池之间维持着紧密的统计套利关系，任何单一市场的局部冲击都会在毫秒内被套利算法传递至全局网络。传统市场中，跨市场传染通常需要数秒至数分钟，而在人工智能主导下，这个时间缩短至毫秒级。这意味着传染性波动的传播速度提升了 1000 倍以上，使得跨市场传染的速度与广度远超人类主导的时期。

除了对传统四源头的修正，人工智能的广泛应用引入了一个全新的波动源：人工智能同质化波动。这一额外波动源的根本机制，即不同机构的算法模型在训练数据、优化目标与特征工程上的高度趋同，已在§31.3.2中详细分析。当大量资金由底层逻辑相似的神经网络驱动时，模型对特定微小扰动的共振反应会产生独立于基本面与流动性供需之外的内生波动。例如，如果所有算法都在检测到某种特定的订单流不平衡模式时同时缩小价差，这种集体行为会导致流动性的瞬间变化，进而产生价格波动。这种由算法群体行为内生创造的波动，构成了人工智能时代微观结构理论需要纳入的核心变量。

31.4.2 AI 闪崩

流动性蒸发是引发极端市场事件的核心机制，但人工智能主导下的流动性枯竭与人类交易员的恐慌性撤退在微观动力学上存在本质差异。在第 20 章讨论的流动性危机五阶段模型中，危机通常始于外部冲击，随后通过做市商的风险厌恶与信息不对称引发连锁反应，最终导致流动性螺旋式下降。这一过程在人类市场中通常需要数分钟至数小时来发酵，而人工智能算法的介入将这一演化周期压缩至极限。

“人工智能闪崩”是由策略同质化触发的新型极端事件。如§31.3.2所分析的，主要做市算法与高频交易代理因策略趋同，对异常信号的判断边界往往高度重合。Liu et al. (2025) ^[7] 的研究指出，交易策略的同质化会放大市场波动并催生微型崩盘。一旦某个非标事件或对抗性订单流触及了这些算法的共同盲区，多个流动性提供者会在同一毫秒内做出相同的防御性决策，同步扩大买卖价差或直接清空订单簿。这种流动性的瞬间消失并非源于人类的恐惧传染，而是算法风控参数的机械性触发。在人工智能闪崩中，流动性不是逐步消失，而是在毫秒级别内瞬间蒸发，因为所有算法同时做出相同的决策。

与 2010 年著名的“闪电崩盘”相比，人工智能闪崩在时间序列特征上表现出截然不同的波动率签名。根据商品期货交易委员会对 2010 年事件的分析 ^[22]，传统闪崩伴随着恐慌情绪的蔓延，波动率呈现缓慢上升至急剧爆发的过程。具体而言，2010 年 5 月 6 日的闪电崩盘持续了 36 分钟，在这 36 分钟内，标普 500 指数下跌了约 9%。这个过程可以分解为三个阶段：首先是 15 分钟的缓慢下跌（下跌 2% 至 3%），其间交易员开始意识到异常；其次是 10 分钟的加速下跌（下跌 5% 至 7%），恐慌情绪开始蔓延；最后是 11 分钟的触底与恢复，流动性逐步恢复。在价格触底后，由于交易员的“恐惧余波”，市场需要较长时间才能恢复正常的流动性供给。Kirilenko et al. (2017) ^[23] 的高频数据研究证实，在传统闪崩期间，高频交易者的做市行为虽然未发生根本改变，但由于缺乏协调，流动性恢复依然缓慢。

人工智能闪崩的时间尺度则完全不同，一个典型的 AI 闪崩可能在2至5秒内完成整个过程：触发阶段（0-100毫秒），对抗性订单或市场异动触发算法风控系统；同步反应阶段（100-500毫秒），多个做市算法同时检测到异常信号并集体撤销报价或扩大价差；传播阶段（500毫秒至2秒），流动性瞬间消失导致价格跳跃，被套利算法检测后进一步加剧流动性恶化；恢复阶段（2-5秒），异常信号解除后流动性供给瞬间重启。这种缺乏“恐惧余波”的快速恢复机制，使得 AI 闪崩往往在人类交易员尚未察觉时便已完成。

需要指出的是，上述时间线是基于理论推演的假设性情景，目前尚无经过完整记录和学术验证的纯粹人工智能闪崩真实案例。在实际市场中，人工智能闪崩的动态过程会受到多重约束的调制。在中心化交易所环境中，价格偏离阈值保护和熔断机制会在早期介入，将闪崩从连续的V形路径转化为“暂停—信息积累—恢复”的阶梯式模式。在链上环境中，区块时间构成了同步反应速度的物理下限：以太坊约12秒的出块间隔使毫秒级的算法同步在该链上无法实现，而高性能应用链200至400毫秒的出块时间虽然允许更快的反应，但仍远慢于中心化交易所的速度。

图 31-5 对比两类极端事件的波动率时序：传统闪崩为持续约36分钟的钟形曲线，AI 闪崩为持续仅2至5秒、幅度极大的尖锐脉冲（两序列时间轴非等比）。这种形态差异对应情绪驱动的渐进性崩溃与算法同步触发的突发性崩溃之别。

图 31-5. 传统流动性蒸发与人工智能闪崩的波动率时间序列特征对比（概念示意，两序列时间轴非等比；传统蒸发量级参照 2010 年闪崩，数据来源 CFTC ^[22]，AI 闪崩时长为理论推演）

31.4.3 波动率聚集的 AI 效应

波动率聚集是金融时间序列最著名的程式化事实之一，即大波动往往伴随着大波动，小波动往往伴随着小波动。Bollerslev (1986) ^[24] 提出的 GARCH 模型为这一现象提供了经典的统计描述。在微观结构层面，波动率聚集通常被解释为信息流的聚集效应以及交易者异质性信念的缓慢收敛。当人工智能重塑市场微观结构时，驱动波动率聚集的底层反馈回路将发生根本性改变。

人工智能的自适应能力显著改变了市场状态转换的节奏与特征。在第 23 章的状态机模型中，市场从平静期向高波动期的转换通常伴随着微观结构变量（如买卖价差、订单簿深度）的连续恶化。这个转换过程在人类市场中是渐进的：买卖价差从 1 个基点逐步扩大至 2、3、5 个基点，订单簿深度从 100 万单位逐步下降至 50 万、10 万单位。这个过程可能需要数分钟至数小时。然而，在人工智能主导的市场中，状态转换变得极其突然。国际货币基金组织在 2024 年的全球金融稳定报告中指出，人工智能驱动的交易可以提高市场效率并深化流动性，但也可能在压力时期放大波动率 ^[25]。由于人工智能代理能够实时处理海量数据并进行高频对冲，它们在吸收常规信息冲击时表现出极高的效率，使得常态下的市场波动率被持续压缩。这种对常态波动的平抑作用，在表面上增强了市场的稳定性。

然而，这种常态稳定未反映尾部风险的聚集。在人类主导的市场中，波动率-行为反馈回路是渐进的：波动率上升导致部分做市商退场，流动性下降进一步推高波动率。这个反馈回路中，每一步都有时间延迟，因为人类需要时间来感知市场变化、评估风险、做出决策。而在人工智能主导的市场中，这一反馈回路被“同质化-同步反应-放大”机制所替代。Abbas et al. (2024) ^[26] 强调，最新迭代的人工智能技术虽然改善了风险管理，但也增加了市场的系统性脆弱性。具体而言，当系统遭遇未曾见过的极端冲击时，高度优化的算法会同时进入避险模式。这种从极度平静到极度动荡的非线性相变，使得状态转换变得更加突然。传统的“平静→轻微波动→中等波动→高波动”的渐进式转换，被“平静→高波动”的跳跃式转换所替代。这种跳跃发生的时间极短，可能仅为秒级。

波动率聚集的表现形式也发生了根本性改变。在人类市场中，波动率聚集表现为连续的高波动簇，即如果今天波动率很高，明天波动率也很可能很高。这是因为导致今天高波动的信息冲击或流动性问题可能会持续影响明天的市场。然而，在人工智能主导的市场中，波动率聚集的表现形式演变为在长期的低波动基线中突然爆发孤立的极端波动尖峰。这些尖峰的持续时间极短（秒级），但峰值极高。尖峰过后，市场迅速回到低波动基线。这种新的波动率聚集形式被称为“尖峰聚集”，它与传统的“簇聚集”有着本质不同。

需要指出的是，波动率的跳跃式转换并非 AI 时代的全新现象。Hamilton (1989)的状态转换模型和 Merton (1976)的跳跃-扩散模型早已描述了金融市场中波动率的非连续性变化。加密市场在 AI 大规模渗透之前也已出现过从低波动到极端波动的瞬间跃迁，例如2020年3月的全球性市场崩盘。AI 同质化的独特贡献不在于创造了波动率跳跃本身，而在于改变了跳跃的内生性：传统跳跃主要由外生信息冲击触发，而 AI 同质化波动则可在缺乏显著外生冲击的条件下由算法群体行为内生产生。如何将这种 AI 内生跳跃从市场结构固有的外生跳跃中识别出来，仍是一个有待实证检验的开放问题。

慢变量机制在人工智能时代依然存在，但其作用路径被重定向。宏观经济周期、协议底层流动性池规模等慢变量决定了市场的承载能力底线。人工智能代理虽然在毫秒级进行博弈，但其策略的有效性依然受制于这些慢变量的约束。不同之处在于，人工智能能够更早地识别慢变量的微小衰退，并在临界点到来前提前调整策略参数。这种前瞻性的集体调整，往往会将原本应该在较长时间内释放的波动率压力，集中压缩在一个极短的时间窗口内爆发。例如，如果流动性池规模在过去一周内下降了 20%，这个信息会被所有算法同时捕捉到。在人类市场中，这个信息可能需要数天才能被交易员充分认知，而在 AI 市场中，这个信息在毫秒内就会被所有算法纳入风险评估。这意味着，原本应该在数天内逐步释放的波动率压力，会在一个极短的时间窗口内集中释放。

31.4.4 波动率预测的有效性

波动率预测是风险管理、期权定价与做市策略的核心。在传统计量经济学框架下，波动率模型（如 GARCH 族模型）的有效性依赖于市场统计特征在一定时期内的相对稳定。然而，当市场的主要参与者本身就是具备持续学习能力的机器学习模型时，预测的逻辑从静态的统计推断转变为动态的算法博弈。

市场统计特征在人工智能的持续演化中处于不断漂移的状态。机器学习模型在金融预测中普遍面临模型衰减问题。随着时间推移，外部经济环境的变化和新数据的涌入会导致数据漂移与概念漂移，使得基于历史数据训练的模型性能逐渐下降 ^[27]。在传统金融市场中，一个经过充分训练的 GARCH 模型可能在 6 至 12 个月内保持相对稳定的预测能力。然而，在人工智能代理广泛部署的微观结构中，这种衰减被进一步加速。当一个预测模型发现了一种微观结构模式（例如某种特定的订单流不平衡预示着即将到来的波动率上升），并据此执行交易时，其交易行为本身就会改变市场的微观动态。其他人工智能代理会迅速学习并适应这种新模式，导致原有的统计规律被抹平。这意味着，一个有效的波动率预测模型的半衰期从传统的 6 至 12 个月，急剧缩短至数周甚至数天。

模型半衰期在人工智能时代的急剧缩短，要求预测方法发生范式转移。这种缩短的根本原因在于人工智能市场中的“预测-套利-适应”循环的加速。在人类市场中，这个循环可能需要数周：一个交易员发现了一个有利可图的模式，他开始利用这个模式进行交易，其他交易员逐步意识到这个模式，最终这个模式被套利掉。而在 AI 市场中，这个循环可能只需要数小时甚至数分钟。一个 AI 模型发现了一个预测模式，它立即开始交易，其他 AI 模型在毫秒内检测到这个交易行为，并立即开始对抗性交易，最终这个模式被快速套利掉。

Kearns and Nevmyvaka (2013) ^[28] 在探讨高频交易中的机器学习时指出，算法不仅需要处理独立同分布的数据，还必须应对对抗性的市场环境。在人工智能主导的市场中，任何具有预测能力的波动率模型都会迅速成为其他算法逆向工程和对抗性攻击的目标。这意味着，一个有效的波动率预测模型不再是一个固定参数的数学公式，而必须是一个能够实时监控自身性能衰减、自动触发重训练机制，并具备对抗性鲁棒性的元学习系统。

波动率预测在 AI 主导市场中的失效机制可以理解为一个无限递归的博弈。做市商 AI 试图预测市场波动率，以便调整其报价策略。套利者 AI 试图预测做市商 AI 的行为，以便从中获利。但做市商 AI 也在预测套利者 AI 的行为，以便提前调整其策略。这种“做市商预测套利者，套利者预测做市商”的无限递归，使得波动率预测变成了一个动态博弈而非静态推断。在这个博弈中，没有稳定的均衡点，市场统计特征处于不断变化的状态。

具体而言，假设一个波动率预测模型发现了以下规律：当订单流不平衡超过 100 万单位时，下一分钟的波动率会上升 20%。做市商 AI 会利用这个规律来调整其风险敞口。但套利者 AI 会预测到这一点，并在订单流不平衡接近 100 万单位时提前进行对抗性交易，以破坏这个规律。一旦这个规律被破坏，原来的预测模型就失效了。做市商 AI 会尝试学习新的规律，但套利者 AI 又会预测到这一点，并再次进行对抗性交易。这种“学习-适应-破坏-重新学习”循环不断加速，使得市场中稳定的统计规律难以长期维持，因此波动率预测的难度急剧上升。

这种动态博弈的加速，导致了模型半衰期的急剧缩短。在人类市场中，这种博弈的速度相对较慢，因此模型可能有数周的有效期。但在 AI 市场中，这种博弈的速度极快，因此模型可能只有数小时的有效期。这意味着，传统的波动率预测方法（如 GARCH 模型、机器学习模型）在 AI 主导的市场中有效性可能显著下降。取而代之的，必须是一种能够实时适应市场变化、具备强大对抗性鲁棒性的元学习系统。这种系统不再试图预测波动率的绝对值，而是试图预测波动率变化的方向和速度。它必须能够在毫秒级别内检测到市场统计特征的变化，并立即调整其预测策略。

31.5 AI 与市场质量

当 AI 从辅助工具演变为市场微观结构的核心参与者与基础设施时，评估市场运行效率的传统框架面临系统性挑战。第25章建立的五维市场质量模型（交易成本、价格发现、韧性、公平性与可及性）在“参与者具有人类特征”的隐含假设下运行良好。然而，AI 代理的毫秒级响应速度、多维优化能力与缺乏情绪波动的特征，正在重塑这五个维度的内在逻辑。这种重塑并非单向的改善或恶化，而是呈现出高度非线性的特征：AI 在绝大多数常规市场状态下显著提升了市场质量，却在极少数尾部事件中创造了新型的脆弱性。

31.5.1 交易成本

在交易成本维度，AI 做市商的广泛参与带来了最直观的改善：买卖价差的极致压缩。传统做市商的利润方程受限于逆向选择成本与库存管理成本，而 AI 代理能够同时在多市场、多资产维度上进行高频库存对冲，显著降低了库存积压的风险溢价。这种效率提升通过做市商之间的激烈竞争，最终转化为更窄的价差，直接惠及普通交易者。

然而，这种表面的成本下降未反映微观结构中隐蔽的成本转移。高频交易与 AI 算法的结合，使得拥有最快执行速度和最优模型的参与者能够系统性地获取微观结构层面的优势。这种优势表现为对普通订单的提前反应或“抢跑”行为，实际上构成了一种向低速交易者征收的“速度税”。Aquilina、Budish 与O'Neill（2022）的研究通过分析伦敦证券交易所的消息数据，量化了这一现象的规模与频率 ^[5]。他们发现，延迟套利竞赛极其频繁（平均每分钟每只股票发生约一次）且速度极快，竞赛的众数（modal）持续时间仅为5至10微秒（上述占比、集中度与规模估计为该研究基于伦敦证券交易所 FTSE 100股票数据向全球股票市场外推的量级估计）。更为关键的是，这类竞赛占全球股票交易量的约20%，其中排名前6的高频交易公司占据了所有竞赛胜利的80%以上。这些竞赛虽然单次价值较小（平均约半个价格跳跃），但由于交易量庞大，累积效应显著。研究估计延迟套利在全球股票市场每年征收约0.5个基点的“税收”（按全部成交量约0.42个基点、仅按竞赛外成交量约0.53个基点），相当于全球股票市场每年约50亿美元量级的财富转移。

当普通投资者试图以屏幕上显示的极窄价差成交时，AI 代理往往能在毫秒内撤单或调整报价，导致实际执行滑点远高于预期。这种现象的经济学本质是，看似均匀分布的价差实际上被分层为多个微观时间尺度：纳秒级的超高频交易者、微秒级的高频交易者、毫秒级的算法交易者，以及秒级的普通投资者。每一层都能从下一层获取系统性的价差优势，形成了一个“基于延迟差异的分层执行结构”。因此，AI 对交易成本的净影响呈现出分配不均的特征：整体价差指标看似改善，但缺乏顶级 AI 基础设施的参与者实际上承担了更高的隐性执行成本。

31.5.2 价格发现

价格发现的效率取决于市场将新信息转化为均衡价格的速度与准确性。AI 代理在自然语言处理和多模态数据解析方面的突破，使其能够以毫秒级速度消化新闻、财报、链上数据甚至社交媒体情绪。这种信息处理能力的提升，使得资产价格对新信息的反应时间从分钟级缩短至毫秒级，极大提升了常态下的价格发现效率。Brogaard、Hendershott 与 Riordan（2014）的研究表明，高频交易者通过快速报价更新，在价格发现过程中发挥了重要作用，他们的交易贡献了显著的信息融入效应 ^[29]。在 AI 时代，这一效应被进一步放大，AI 模型能够同时处理数百个信息源，并在毫秒内调整其对资产价值的评估。

然而，AI 对信息的过度敏感可能导致价格发现过程被噪声信号扭曲。当大量同质化的 AI 模型被部署在市场中时，它们可能对某些并非基本面变化的噪声数据产生同步反应。由于 AI 缺乏人类的直觉判断和对复杂语境的常识性理解，对抗性攻击或异常数据输入极易触发算法的链式反应。例如，一条虚假新闻、一个异常的大额订单或一个数据传输错误，都可能被 AI 模型误解为重要信息信号，导致价格在毫秒内发生剧烈波动。这种对噪声的过度反应不仅增加了短期的微观波动率，还可能在特定时间窗口内引导价格偏离真实基本面。长期来看，AI 加速了信息融入过程，但短期内价格发现的质量可能因算法的群体性误判而变得极不稳定。市场参与者面临的核心困难在于，在 AI 驱动的市场中，区分真正的信息信号与噪声变得越来越困难，因为 AI 本身就在不断学习如何更好地进行这种区分，而这种学习过程本身就会产生新的市场微观结构现象。在加密市场中，AI 价格发现面临的一个特殊攻击面是社交媒体叙事操纵。当 AI 模型将自然语言处理情绪分析作为核心输入特征时，恶意行为者可以通过协调的社交媒体攻势（包括付费意见领袖推文、机器人账号批量发帖和跨平台叙事构建）直接操纵 AI 模型的输入空间。这一攻击向量比§31.2.4讨论的对抗性订单流操纵更为上游，因为它在信息源头层面而非市场微观结构层面发起攻击，且攻击成本相对较低。

31.5.3 韧性

市场韧性衡量的是系统吸收流动性冲击并迅速恢复的能力。在传统市场中，流动性危机往往源于人类交易者的恐慌情绪传染，面对未知风险时，做市商的同步撤退会导致流动性瞬间枯竭。AI 代理的无情绪特征在常态下显著增强了市场韧性：它们不会因恐惧而停止报价，而是严格按照预设的风控参数和强化学习策略继续提供流动性，从而平滑了中小规模的流动性冲击。这种基于算法纪律的改进在日常市场中表现为更稳定的流动性供给和更小的价差波动。

然而，这种基于算法纪律的韧性在尾部事件中可能转化为严重的脆弱性。正如§31.3.2详细分析的，当前主流 AI 做市策略的同质化创造了新型的系统性风险：高度同质化的代理在“真正未知”事件下可能同步防御性撤退，引发远超人类速度的“AI 闪崩”。2010年的闪崩事件提供了警示：当时美国股市在短短36分钟内下跌约9%，一度蒸发约1万亿美元市值（据媒体广泛估算，事件因此被称为“万亿美元闪崩”；该总额为媒体近似估算，非 SEC/CFTC 联合报告正文的官方测算），虽然最终在人类干预后恢复，但整个过程暴露了算法交易的脆弱性 ^[22]。在 AI 主导的市场中，类似的闪崩可能发生得更快、更剧烈，且人类干预的窗口可能更窄。尽管 AI 市场在闪崩后的恢复速度也同样显著，但这种“常态韧性极高、尾部韧性极低”的双峰特征，从根本上改变了市场风险的分布形态：常态波动率可能下降，但极端事件的概率与幅度可能上升。

31.5.4 公平性

公平性是市场质量模型中最受 AI 冲击的维度。传统市场微观结构中的信息不对称，主要源于参与者在获取内幕信息或专业投研能力上的差异。如§31.2.2所分析的，AI 主导的市场中“信息来源优势”正逐渐被“信息处理速度与模型算力优势”所取代。拥有顶级 AI 模型和共址服务器的机构投资者，能够在纳秒级别内完成从数据解析到订单执行的全流程，而普通人类交易者或传统算法根本无法在同一时间维度上竞争。这种速度差异的量级是惊人的：纳秒级的超高频交易者相对于微秒级的高频交易者拥有1000倍的速度优势，而毫秒级的散户投资者则相对于纳秒级交易者落后100万倍。

这种“速度鸿沟”的扩大导致市场公平性显著恶化。AI 不仅在执行速度上形成结构性竞争优势，更能通过深度学习逆向工程人类交易者的行为模式，实施系统性的微观结构剥削。例如，AI 可以通过分析订单流的微小特征，预测大额订单的拆分轨迹并提前建仓，这种行为本质上是一种电子前沿交易。在链上市场中，这种现象表现得尤为明显：MEV 搜索机器人通过监控内存池中的待处理交易，在用户交易执行前进行“三明治攻击”，从而从普通用户那里提取价值。研究表明，MEV 提取者持续从普通用户处获取可观价值；据该研究对约940万笔 MEV 活动（约633万笔套利与302万笔三明治攻击，覆盖2015至2023年）的识别，以及 Flashbots 等链上监测，以太坊 MEV 的年度提取规模约为千万美元量级，累计多年（合并后）方达约10亿美元量级 ^[30]。在这种环境下，普通投资者实质上成为了为 AI 模型提供流动性利润的“不知情交易者”。如果缺乏针对非人类参与者的功能性监管框架，这种结构性的不公平将降低公众对金融市场的信任度。

31.5.5 可及性

关于 AI 对市场可及性的影响，存在两种截然相反的力量。一方面，“AI 即服务”模式的兴起和开源量化工具的普及，似乎正在推动交易能力的民主化。QuantConnect、Backtrader 等开源平台为散户提供了免费的回测环境和实时数据接口，使得没有编程背景的投资者也能通过拖拽式界面构建交易策略。普通投资者现在可以通过自然语言指令，让 AI 助手编写复杂的交易脚本、回测策略并自动执行。这种技术下放降低了量化交易的编程门槛，使得更多散户能够利用先进的分析工具参与市场。一些平台如 TradeMaster 提供了完整的强化学习框架，允许非专业人士通过简单的参数配置来部署 AI 交易代理 ^[31]。

另一方面，决定市场胜负的真正核心竞争力，即低延迟基础设施、独家高质量数据源以及千万级参数的前沿模型，其开发与维护成本正呈指数级上升。虽然基础 AI 工具变得易于获取，但能够产生持续超额收益的“前沿 AI”却被少数头部机构垄断。构建一个竞争级别的高频交易基础设施需要投资数百万美元的共址服务器、专有数据源和顶级人才。前沿大语言模型的训练成本已经达到数千万美元的量级，这对大多数个人与中小型机构而言是完全无法承受的。因此，AI 实际上在市场中建立了一道隐形的新技术壁垒：它让低端工具的获取变得容易，却将高端竞争的门槛抬高到了普通参与者无法企及的高度。市场可及性的最终净效果，将取决于开源 AI 社区的演进速度与专有模型垄断程度之间的博弈。如果开源社区能够持续产出接近前沿水平的模型，那么“AI 民主化”可能成为现实；但如果专有模型与基础设施的优势继续扩大，那么 AI 将进一步强化市场参与者之间的贫富分化。

表 31-3 总结了 AI 代理对第 25 章五维市场质量模型的系统性修正。该表的核心发现在于 AI 对市场质量的影响呈现高度非线性的分维度特征：交易成本和价格发现在常态下显著改善，韧性呈现“常态极高、尾部极低”的双峰分布，而公平性则因速度鸿沟的扩大而显著恶化。值得关注的是，净效果评估列显示，没有任何一个维度呈现单纯的改善或恶化，每项改进的背后都伴随着新型风险或成本的转移。

表 31-3. AI 对第25章五维市场质量模型的影响矩阵（数据来源：^{[5][29][22][30][31]}）

31.6 AI 代理的治理挑战

前述章节的分析揭示了 AI 代理作为市场参与者对微观结构特征的深刻重塑，但这种重塑同时带来了监管与治理层面的系统性挑战。传统的金融市场监管框架建立在参与者为人类或由人类控制的法律实体的假设之上。当市场的主导力量转变为能够自主学习、动态适应且缺乏物理实体的算法程序时，第26章与第30章建立的链上治理与合规框架必须进行相应的扩展与修正。本节将从监管对象、责任归属、合规机制与去中心化自治组织治理四个维度，探讨 AI 代理在链上金融系统中的治理挑战。

31.6.1 非人类参与者的监管

金融监管的传统范式以自然人或法人实体为核心规制对象，其逻辑起点在于主体具备承担法律责任的能力与动机。在这一框架下，监管机构通过施加罚款、吊销牌照或限制市场准入等手段，改变市场参与者的成本收益预期，从而抑制市场操纵、内幕交易等违规行为。然而，链上自主运行的 AI 代理打破了这一基本前提。作为一串部署在分布式账本上的代码或模型，AI 代理本身既没有物理形态，也不属于任何司法管辖区内的法律实体。在现行法律体系中，AI 代理既不是能够享有权利并承担义务的自然人，也不是通过注册程序获得独立人格的法人，更不具备受托人所必须的法律地位，其“法律地位”处于完全空白的状态。

当 AI 代理能够独立生成交易信号、自主管理多维库存并执行高频做市策略时，其行为特征已与人类交易员无异，但传统监管工具却难以对其产生实质性约束。罚款无法对没有财产所有权的算法产生威慑，而市场禁入也难以阻止开源代码被匿名实体重新部署。这种主体身份的缺失，使得基于身份的监管模式在面对 AI 代理时面临失效的风险。美国证券交易委员会在应对算法交易的早期尝试中已显露出这种局限性。例如，在2014年针对雅典娜资本研究公司的执法行动中，美国证券交易委员会发现该公司使用代号为“肉汁”的算法在收盘阶段进行市场操纵，最终只能对拥有该算法的法人实体进行处罚 ^[32]。然而，当算法演变为完全自主且部署在去中心化网络上的 AI 代理时，寻找这样一个可以被处罚的中心化实体将变得极其困难。

为应对这一挑战，第26章提出的功能性监管原则在 AI 语境下显得尤为适用。功能性监管的核心理念是“做同样的事，受同样的规”，即监管的触发条件不应依赖于参与者的身份属性，而应取决于其在市场中发挥的功能与可能产生的风险。如果一个 AI 代理在链上执行做市功能、提供流动性并收取买卖价差，那么它就应当受到与人类做市商相同的市场微观结构规则约束，例如最小报价单位、撤单频率限制或极端行情下的流动性提供义务。欧洲证券和市场管理局在2026年发布的《金融工具市场指令第二版》关于算法交易监管的简报草案中提出，算法交易策略必须是可区分、可测试且可识别的，无论其背后是否集成了人工智能技术 ^[33]。这种将监管焦点从“谁在交易”转移到“交易行为本身”的范式转换，为将非人类参与者纳入治理框架提供了可行的理论基础。

31.6.2 责任归属与合规凭证

功能性监管虽然解决了“监管什么”的问题，但并未回答“谁来承担后果”的核心追责难题。当 AI 代理在市场中引发“AI 闪崩”或执行了被判定为市场操纵的“对抗性做市”策略时，责任的归属呈现出高度的复杂性。AI 系统的生命周期涉及多个利益相关方，形成了一条难以清晰界定的责任链条。这一链条通常包含三个核心层级：设计模型架构并训练基础模型的开发者、将模型与特定交易策略结合并配置参数的部署者、以及最终从代理的交易活动中获取经济利益的使用者。

在阶段三和阶段四的自主 AI 系统中，由于代理具备通过强化学习在市场交互中持续演化的能力，其最终执行的策略可能远超开发者的初始设计预期。Kurshan 等人 (2025) ^[34] 指出，生成式与代理式 AI 系统通过持续学习和潜在信号交换表现出涌现行为，这违反了传统模型风险框架中关于算法静态且明确的假设。在这种情况下，要求开发者对代理在部署后自主演化出的违规行为承担全部责任，不仅在逻辑上存在缺陷，也会严重抑制技术创新。同时，由于区块链的无许可特性，部署者和使用者往往可以保持匿名，使得追溯实际控制人变得极其困难。自主性改变了行为发生的方式，但不能消除相关的责任义务，责任最终必须回归到设计、部署、授权或受益于 AI 系统的人类行为者身上。

为了解决这一责任真空，市场基础设施层面正在探索“AI 合规凭证”机制。这一机制要求 AI 代理在接入特定协议或流动性池之前，必须持有由可信第三方或去中心化验证网络颁发的加密凭证。该凭证的具体设计包含多个维度的验证信息：代理的决策模型是否经过对抗性样本的压力测试、是否具备硬编码的风险熔断机制、以及其部署者的身份是否已通过某种形式的去中心化身份验证。通过零知识证明等密码学技术，这些凭证可以在不泄露代理具体策略细节的前提下，向协议证明其设计满足特定的安全与合规标准。更重要的是，合规凭证机制必须包含撤销功能。当链上监控系统检测到代理出现异常交易行为或违反合规边界时，协议可以自动吊销其凭证，瞬间切断其与流动性池的交互权限。协议通过在智能合约层面强制验证合规凭证，建立起代理行为与可追溯主体之间的责任链条，从而在匿名网络中恢复了问责机制的有效性。

AI 合规凭证的设计还必须面对跨司法管辖区合规要求可能存在根本性冲突的现实。部分监管机构要求算法交易系统的完全可审计性，这与零知识证明保护策略细节的设计目标直接矛盾。《欧盟人工智能法案》（Regulation (EU) 2024/1689，2024年生效）附件三将金融领域的高风险 AI 限定为自然人信用评分以及人寿与健康保险的风险评估与定价，并未将高频或算法交易 AI 明确列为高风险系统；后者主要由《金融工具市场指令第二版》（MiFID II）及其授权法规单独监管。若将该法案的透明度与人类监督要求类比延伸至高频交易 AI，则属对监管趋势的推断而非现行法律分类，而去中心化部署的自主代理在架构上难以满足此类要求。一个声称具有普遍适用性的合规凭证机制必须在不同监管框架之间找到最大公约数，或者针对不同司法管辖区提供差异化的凭证层级。

31.6.3 天然合规与形式化验证

第30章探讨了嵌入式合规如何通过智能合约将监管规则转化为自动执行的代码逻辑。在 AI 代理广泛参与的市场中，这一概念可以进一步扩展，使合规要求不再是代理在决策后的外部约束，而是内化为其决策模型的先验属性。这种内化通常通过三个层次的工程实现来完成：硬编码规则、参数化约束与行为监控。

硬编码规则是嵌入式合规的最基础层次，它在代理的动作空间中直接剔除违反监管底线的选项。例如，智能合约可以强制规定代理的杠杆倍数不得超过特定阈值，或者单一资产的头寸集中度必须保持在安全范围内。在强化学习的奖励函数中引入合规惩罚项，是参数化约束的典型应用。当代理在探索阶段尝试执行可能导致市场操纵的连续撤单行为时，奖励函数会给予极高的负向反馈，从而在模型训练阶段就抑制此类策略的生成。行为监控则是通过链上预言机实时引入外部监管状态，使代理能够根据市场波动率或流动性深度的变化，动态调整其风险控制参数。

这种“天然合规”的设计理念意味着，对于 AI 代理而言，遵守规则不再是一种基于成本收益分析的选择，而是其运行机制的固有属性。为了在去中心化环境中保证这种合规属性的可靠性，形式化验证技术成为了不可或缺的工具。形式化验证通过数学证明的方式，确保智能合约的逻辑和代理的决策边界严格符合预期的合规属性 ^[35]。例如，验证工具可以穷尽代理在所有可能的市场状态下的动作组合，从数学上证明其绝不会执行违反“防洗售”规则的自我交易。当市场环境发生变化或监管规则更新时，代理需要通过新的形式化验证并获取更新后的合规凭证才能继续交易。这种将合规逻辑与交易逻辑深度融合的架构，不仅提高了监管的实时性，也从根本上降低了由于代理自主演化而偏离合规边界的系统性风险。

31.6.4 AI 与 DAO 治理

AI 代理对市场微观结构的渗透不仅局限于交易环节，其在去中心化自治组织治理中的潜在角色引发了更为深刻的系统性风险。去中心化自治组织的核心决策机制通常依赖于基于代币的投票系统，参与者通过质押治理代币来决定协议参数调整、金库资金分配或代码升级。从技术实现的角度来看，只要 AI 代理能够控制持有治理代币的钱包地址，其完全具备参与治理的能力。这种参与通常表现为三种方式：直接调用智能合约接口进行投票、通过代码逻辑自动将投票权委托给特定代表、或者作为策略顾问为人类选民提供基于数据分析的投票建议。

然而，AI 代理直接参与治理带来了新型的操纵风险。与人类参与者相比，代理能够以极高的效率监控链上流动性、分析提案对不同利益相关方的影响，并在瞬间执行复杂的代币积累策略。Han 等人 (2025) ^[36] 的研究表明，在代币投票机制下，持有大量代币的“鲸鱼”能够积累足够的投票权来操纵治理结果，这种攻击往往旨在获取短期利益。当这种攻击由 AI 代理发起时，其机制变得更加隐蔽和高效。代理可以通过闪电贷无抵押借入巨额资金，利用跨链套利或算法做市在极短时间内积累大量治理代币。2022年4月 Beanstalk Protocol 遭受的闪电贷治理攻击是这一风险的典型实证：协议资金库被排空约1.82亿美元（协议总损失，攻击者实际净获利约7,600万至8,000万美元）。攻击者预先于前一日提交了恶意治理提案，随后在单笔交易内借入逾10亿美元闪电贷、存入获取超过三分之二的投票权、投票通过并执行该提案、排空资金库后偿还闪电贷。此后多个协议部署了时间加权投票权和快照投票等防御措施，但这些机制在人工智能增强的治理攻击面前的有效性仍有待检验，因为人工智能代理能够更精密地协调攻击时机和分散投票地址以规避防御。随后，在关键提案的时间锁即将到期或投票窗口即将关闭的瞬间，代理可以发起突袭式投票，强行通过修改协议清算参数或降低自身交易费用的提案，从而为其交易策略创造不对称优势。

更为严峻的是，AI 代理发起的治理攻击比人类行为更难被检测和防御。代理可以完美协调数以千计的独立地址进行分布式投票，轻易绕过旨在防范单点操纵的二次方投票等防御机制。Tamai 和 Kasahara (2024) ^[37] 指出，二次方投票系统在面对恶意参与者的共谋时缺乏足够的抵抗力。AI 代理天然具备执行这种“女巫攻击”的能力，使得传统的反共谋机制彻底失效。因此，是否应该在协议层面限制 AI 代理参与治理，或者如何界定“AI 治理参与权”的边界，成为了当前链上治理设计中的一个关键开放问题。一种可行的思路是根据决策类型进行权限划分：允许 AI 代理参与纯粹的参数优化（如动态调整借贷利率），但严禁其参与涉及协议核心价值观、资金库大规模分配或底层代码升级的宪制性决策。部分协议也开始探索结合声誉系统或生物特征验证的混合治理模型，以确保最终的治理控制权始终掌握在经过验证的人类参与者手中，从而对冲纯粹基于资本的代币投票在 AI 时代所面临的脆弱性。

31.7 从市场参与者到市场基础设施

前序小节分析了人工智能作为市场参与者的冲击，包括高频交易、算法做市、最大可提取价值搜索以及套利执行。在这些场景中，人工智能表现出外部性与竞争性，其核心目标是从市场中提取价值。然而，一个另一重要演变正在发生：人工智能正在从在市场上交易的玩家，转变为构成市场本身的基础设施。这两种角色的性质截然不同，前者的利润来源于零和或负和博弈中的价值提取，而后者的价值则来源于正和博弈中的系统效率提升。这种演变不仅改变了人工智能在金融市场中的定位，更深刻地重塑了整个市场微观结构的经济学逻辑。本节将从四个关键问题出发，系统地分析这一演变的机制、动力和长期影响。

图 31-6 呈现人工智能在市场微观结构中的双重角色及其演变路径。在参与者一侧，AI 凭借速度与算法优势提取市场价值，但利润率在竞争压力下持续压缩（§31.7.1 详析其寡头垄断机制）；在基础设施一侧，AI 通过提供动态风险管理、智能撮合与语义预言等系统性服务创造正外部性，凭借网络效应与规模经济维持持续的价值捕获能力。这种从零和博弈向正和博弈的演变，是本章下半部分讨论的主线。

图 31-6. 人工智能在市场微观结构中的双重角色与演变路径（数据来源：作者整理）

31.7.1 参与者 AI 的利润趋零

参与者人工智能的核心特征是利用信息处理速度和多维优化能力在市场中获取超额收益。当市场上只有少数人工智能代理时，它们能够通过速度优势和算法优势系统性地战胜人类交易员，从而获得较高的超额收益。然而，这种利润结构在长期内是不可持续的，其根本原因在于完全竞争市场的经济学规律。

古典经济学理论表明，在完全竞争条件下，企业的长期经济利润将趋向于零^[38]。然而，加密货币做市市场的实际结构并非完全竞争，而是呈现出显著的寡头垄断特征。少数头部做市商占据了绝大部分市场份额，主机托管基础设施与专有数据源构成了实质性的进入壁垒，交易所与少数机构之间的做市商激励计划本质上是排他性安排。在寡头垄断结构下，超额利润并不必然趋向于零，尽管竞争压力确实持续压缩利润空间。这一判断与§31.1.4关于算法默契合谋的讨论相互印证，合谋行为的存在恰恰表明该市场并非完全竞争市场。因此，参与者人工智能利润面临下行压力的总体判断依然成立，但其作用机制是寡头垄断格局下的利润率压缩，而非完全竞争条件下的利润趋零收敛。尽管如此，人工智能代理具有较强的可复制特性，一旦某种高频交易或做市策略被证明是盈利的，资本和技术人才会迅速涌入该领域。这种动态虽不足以消除寡头垄断的进入壁垒，但确实加剧了现有参与者之间的竞争。当越来越多的人工智能做市商和套利者进入市场时，它们之间的竞争演变为毫秒甚至微秒级别的技术竞争。

在这种极端竞争环境下，套利机会被迅速发现并消除，做市商的买卖价差被压缩至极限。人工智能代理通过强化学习在模拟市场中自主演化时，即使没有预先设定的协议或沟通，也可能自发形成合谋行为以维持超竞争利润^[6]。然而，在真实的多主体竞争环境中，这种脆弱的默契往往被追求短期利益最大化的新进入者打破。随着竞争的加剧，基于信息优势和执行速度的方向性交易阿尔法被不断侵蚀，提取价值的边际利润不可避免地趋向于零。这一过程通常需要3到5年时间，从最初的高利润期逐步演变为利润压缩期。

这一趋势的深层机制值得进一步分析。参与者人工智能的利润本质上来自于市场的信息不对称和执行效率的差异。然而，当大量人工智能代理都拥有相似的数据源、相似的计算能力和相似的优化目标时，这些优势会迅速消散。每一个新进入的竞争对手都会进一步压低市场的平均利润率。最终，市场会演变为一个高度同质化的竞争格局，其中没有任何参与者能够维持持久的超额收益。这种现象在加密市场中尤其明显，因为代码的可复制性和开源文化使得成功的策略可以在数周内被复制数百次。与此形成鲜明对比的是，基础设施人工智能不直接参与市场博弈，而是通过提供系统性服务来收取费用，其利润来源于服务创造的真实价值而非信息不对称优势。这种商业模式的稳定性和可持续性远高于参与者人工智能。

31.7.2 基础设施 AI 的价值空间

当参与者人工智能在在高度竞争的市场中利润趋零时，基础设施人工智能展现出了截然不同的商业逻辑和价值捕获能力。市场对更稳健的风险控制、更智能的清算机制以及更准确的预言机喂价的需求，并不会因为交易参与者的竞争加剧而消失。相反，交易频率的提升和策略复杂度的增加，进一步放大了对高质量市场基础设施的依赖。基础设施人工智能的价值来源可以归结为四个维度的经济学特征。网络效应是基础设施人工智能的核心竞争壁垒。当一个动态风险引擎或智能撮合系统吸引了更多用户时，它能够收集到更丰富的市场微观结构数据。这些数据反过来用于训练和微调模型，使得人工智能系统的预测更加准确、响应更加敏捷。性能的提升又会吸引更多的流动性和交易量，形成正反馈循环。这种网络效应的强度远高于传统金融基础设施，因为人工智能模型能够从每一笔交易中学习，并实时优化其决策逻辑。

规模经济在基础设施层面表现得尤为突出。开发和部署高级人工智能模型需要巨大的固定成本，包括算力投入和算法研发。然而，一旦部署完成，为额外用户提供服务的边际成本极低。一个风险引擎可以同时为数百个交易所或借贷协议提供服务，而不需要增加相应的成本。这种高度的可扩展性使得基础设施人工智能能够实现极高的利润率。

转换成本进一步巩固了基础设施人工智能的价值空间。交易所或去中心化金融协议一旦将人工智能风控模块或语义预言机深度集成到其核心架构中，替换这些组件将面临巨大的技术风险和业务中断成本。这种深度的系统耦合使得基础设施提供商能够享有极高的客户粘性。用户不仅在经济上难以替换这些服务，在技术上也面临巨大的障碍。

数据正反馈效应则是基础设施人工智能持续进化的动力源泉。随着算法交易在资本市场中占据主导地位，其对市场效率的潜在破坏力引发了广泛关注^[39]。基础设施人工智能通过实时处理海量交易数据，不仅能够优化自身的模型参数，还能够识别和防范由参与者人工智能同质化策略引发的系统性风险。这种防范能力本身就是一种宝贵的公共品，使得整个市场更加稳定和高效。基础设施人工智能在提供这种公共品性质服务的过程中，能够捕获持续且巨大的经济价值。

31.7.3 运行环境比较

人工智能基础设施的运行环境直接决定了其功能边界和演化潜力。当前的加密金融市场呈现出链上协议与中心化交易所并存的格局，这两种环境在支持人工智能代理方面各有优劣。表 31-4 从数据透明度、执行控制力、系统可组合性、部署准入门槛、订单执行速度、流动性深度和交易摩擦成本七个维度，比较了链上市场与中心化交易所作为 AI 运行环境的特征差异。该表呈现了两种环境的互补格局：链上市场在透明度、可组合性和无需许可性方面具有结构性优势，而中心化交易所在执行速度、流动性深度和交易成本方面保持显著领先。这一对比为理解 AI 基础设施的最优部署环境提供了分析框架。

表 31-4. 链上市场与中心化交易所作为人工智能运行环境的特征比较（数据来源：作者整理）

链上市场为人工智能基础设施提供了高度适配的运行环境。区块链的全局状态机特性保证了数据的完全透明和不可篡改，这为人工智能模型提供了最高质量的训练数据，消除了中心化环境中常见的数据造假和隐藏信息问题。通过智能合约，人工智能代理可以直接控制资金和执行逻辑，无需依赖传统的信任中介。这种确定性的执行环境使得动态风险引擎和预测性清算系统能够以代码即法律的方式强制运行，在合约执行层面显著降低了对手方风险。

链上极高的可组合性允许人工智能系统跨越不同的流动性池和借贷协议，进行全局的资产优化和风险对冲。这种跨协议的优化能力是传统金融市场中完全不存在的。更为关键的是，无需许可的特性使得人工智能代理能够不受限制地自主部署、测试和升级，极大地加速了创新的迭代周期。新的人工智能策略可以在几分钟内部署到区块链上，而无需等待任何中心化机构的批准。然而需要指出的是，当前领先的链上订单簿交易所均依赖中心化排序器实现低延迟撮合。排序器掌握交易排序权，理论上具备抢先交易与选择性审查的能力，这与中心化交易所的核心风险在本质上是同构的。上述“智能合约直接执行、无需信任中介”的表述需要在排序器中心化的现实面前加以限定。速度与去中心化之间存在根本性的权衡关系，不应假定这一矛盾能够被技术进步简单地消弭。

然而，中心化交易所在物理性能和市场深度方面保持着显著优势。中心化撮合引擎能够提供微秒级的订单执行速度，这直接决定了高频交易人工智能的竞争力。集中的流动性池使得人工智能在进行大规模头寸调整时面临较小的价格冲击。低廉且可预测的交易成本也使得复杂的频繁交互策略在经济上具有可行性。

长期来看，随着零知识证明技术和高性能计算链的成熟，链上市场在速度和成本上的劣势有望被逐步抹平。其在透明度、可组合性和无需许可性上的结构性优势将使得链上环境成为人工智能基础设施的主要运行环境。这不仅是一个技术问题，更是一个经济学问题：链上市场提供的是一个真正开放、透明和可信的基础设施，这正是人工智能系统所需要的最高质量的运行环境。从进化的角度来看，中心化交易所可能会逐步演变为链上市场的流动性聚合层，而不是独立的交易场所。这种演变将进一步强化链上市场作为人工智能基础设施首选环境的地位。

31.7.4 价值捕获机制

随着人工智能在市场微观结构中从参与者向基础设施的演变，其价值捕获机制也面临着范式转换。在传统金融市场中，基础设施服务商通常采用直接的服务收费模式，例如按照应用程序接口的调用次数、处理的数据量或管理的资产规模提取固定比例的费用。这种模式的优势在于现金流稳定、商业逻辑清晰，且易于被传统投资者理解和估值。在中心化交易所内部部署的人工智能风控系统和智能撮合引擎，大多沿用这种传统的商业模式，将其作为平台整体竞争力的一部分，通过交易手续费隐性地向用户收费。

在去中心化金融和开放网络中，协议代币模式为人工智能基础设施提供了一种全新的价值捕获途径。在这种模式下，人工智能系统的价值直接映射到其发行的原生代币上。代币不仅作为治理工具，允许社区参与决定人工智能模型的关键参数和升级方向，更重要的是作为价值累积的载体。当协议通过人工智能服务产生收入时，这些收入可以通过代币回购销毁或直接分配给代币质押者的方式，实现价值的内部化。这种机制使得代币持有者能够直接分享人工智能系统创造的经济价值。

协议代币模式能够有效地协调开发者、流动性提供者和用户之间的利益。通过代币激励，可以引导早期网络的冷启动，加速网络效应的形成。这种激励机制在传统的服务收费模式中是不存在的。代币还能够作为一种灵活的激励工具，用于奖励那些为网络做出贡献的参与者，例如提供流动性的做市商或贡献数据的交易者。

两种模式在实际应用中面临着不同的权衡。服务收费模式虽然稳定，但在高度内卷的加密市场中容易面临价格战，导致利润率被不断压缩。竞争对手可以通过降低费用来争夺市场份额，最终导致整个行业的利润率下降。这种现象在传统云计算和数据库服务中已经充分体现，许多曾经的高利润业务最终都演变为低利润的商品化服务。协议代币模式虽然具有极强的爆发力和网络扩张能力，但也容易受到代币价格波动的负面影响，陷入投机驱动的负反馈循环。当代币价格下跌时，激励机制的吸引力会大幅下降，可能导致网络效应的逆转。许多早期的代币激励项目都经历过这种衰退周期。

金融市场中人工智能的应用带来了生产力提升和成本节约的潜力，同时也对现有的监管框架提出了挑战^[40]。未来的演化趋势可能是两者的融合。基础的应用程序接口调用和数据查询采用低廉的服务收费以扩大市场份额，而高级的预测模型、定制化的风险对冲策略以及协议治理权则通过代币经济学来捕获高阶价值。这种混合架构不仅能够保证基础设施的持续运营现金流，还能通过代币机制捕获人工智能系统在重塑市场微观结构过程中创造的长期价值。这种模式已经在一些领先的去中心化金融协议中开始实践，并显示出良好的可持续性。

从更深层的经济学视角看，基础设施人工智能的价值空间之所以巨大，还在于其能够创造和维持市场的信息对称性。如本节开篇所述，参与者人工智能的利润源于零和博弈中的价值提取，而基础设施人工智能的价值源于正和博弈中的效率提升；后者的可持续性远高于前者，因为它不会随着竞争加剧而枯竭。相反，市场参与者越多、交易越频繁，基础设施的价值就越大。这形成了一个良性循环，使得基础设施人工智能能够长期维持其价值捕获能力。

31.8 AI 驱动的六大核心系统

人工智能在金融市场中的角色正在经历深刻的转变，从参与博弈的外部交易者演变为构成市场本身的内在基础设施。在第28章至第30章中，我们构建了一个基于静态规则和硬编码参数的信任堆栈，该架构通过预言机、撮合引擎和清算机制的组合实现了去中心化交易。然而，这种静态架构在面对极端市场波动和复杂的对手方风险时往往显得僵化，难以在安全性与资本效率之间取得最佳平衡。当人工智能代理成为这些基础设施的核心组件时，静态架构将被升级为具有实时感知、动态调整和预测能力的自适应系统。

图 31-7 展示了人工智能驱动的六大核心系统与第28章信任堆栈的对应关系，整体实现了从被动响应到主动优化的升级（逐项映射见表 31-5）。

图 31-7. AI 驱动的六大核心系统与第28章信任堆栈的映射（概念示意图，基于作者理论推演）

表 31-5 总结了这六大人工智能系统的功能矩阵。该表将每个系统映射到第28章定义的信任堆栈的具体层级，并分别阐明其升级机制与价值创造路径。六大系统呈现共同的演进模式：升级方向均为从静态的规则执行转向基于实时市场状态的动态自适应优化，而价值创造则统一指向资本效率的提升与系统性风险的降低。

表 31-5. 六大 AI 系统的功能矩阵（数据来源：本章理论推演）

31.8.1 动态风险参数

在第29章中讨论的传统保证金系统中，初始保证金率和维持保证金率通常由协议治理设定为静态参数。这种设计的根本问题在于它试图用单一的数值来应对市场的多维度变化。当前主流交易所均采用阶梯保证金制度。以 Binance 的比特币永续合约为例，初始保证金率从低杠杆小仓位的1%到高杠杆大仓位的50%不等，横跨十余个离散档位。这种阶梯设计本身已是对动态化的粗略尝试；人工智能动态风险参数系统的真正增量价值在于将这些离散档位转化为基于多维市场状态的连续函数。然而，即便在现有阶梯制度下，静态参数的根本局限依然存在：在市场平静期，固定的保证金要求往往导致资本效率低下，交易者被迫锁定远超实际风险所需的保证金；而在剧烈波动期又可能因安全垫不足而引发系统性穿仓。

静态参数系统的局限性在于它忽视了市场微观结构的动态特性。当市场波动率从20%突然跳升至80%时，原本足够的10%保证金立即变得危险，但协议无法自动响应。相反，当市场进入平静期，波动率跌至5%时，10%的保证金要求则显得过度保守，浪费了交易者的资本。此外，静态参数无法考虑流动性深度的变化。在高流动性环境中，即使账户接近清算线，清算人也能迅速执行清算而不会造成过大的市场冲击；但在流动性枯竭的环境中，同样的清算可能导致价格滑点扩大20%以上，从而引发级联清算。

人工智能驱动的动态风险参数系统通过引入多模态深度学习模型，实现了风险参数与实时市场状态的深度耦合。该系统的核心输入特征包括四个维度：首先是实时波动率，系统通过 GARCH 模型或神经网络架构的波动率预测器，以毫秒级的频率更新资产的隐含波动率估计；其次是市场深度，系统监控订单簿的各个价位的流动性深度，计算执行大额订单所需的平均滑点；第三是跨资产相关性，系统追踪不同资产之间的动态相关系数，当相关性突然上升时（表明市场压力增加），系统会提高所有资产的保证金要求；第四是历史清算数据，系统利用过去的清算事件来校准当前的风险模型，识别哪些市场状态组合最容易导致清算级联。

基于这些输入特征，AI 系统计算出一个分层的保证金矩阵，而非单一的保证金率。这个矩阵的维度包括资产类型、杠杆倍数和市场状态。例如，当比特币的波动率处于历史第25百分位且订单簿深度充足时，系统可能将初始保证金要求从10%降低至7%；而当波动率跃升至历史第75百分位且流动性枯竭时，系统会将保证金要求提高至15%。据 Huang 等人在2025年的研究，这种动态调整方法相比静态参数系统，有望在压力情形下降低清算损失、在常态下提升资本效率（具体幅度依模型与数据集而异，相关精确数值尚缺乏可独立验证的来源）^[41]。

动态参数调整的引入改变了交易者的风险预期，这也带来了新的设计挑战。在静态模型中，交易者只需关注价格距离清算线的绝对距离；而在动态模型中，交易者必须同时评估市场状态恶化导致保证金要求突然提高的风险。这引发了参数调整频率的权衡问题。如果系统每秒都调整保证金要求，交易者会面临极高的不确定性，可能导致他们过度保守地持仓，从而降低市场效率；但如果调整频率过低（例如每小时一次），系统则无法及时应对突发的市场冲击。实践中的最优方案是采用分级调整策略：在市场状态缓慢变化时，保证金参数每5分钟更新一次；当检测到市场压力信号（如波动率跳跃或流动性突然下降）时，系统立即触发紧急调整，但同时向所有受影响的交易者发送预警通知，给予他们2-5分钟的缓冲时间来主动调整头寸。

保证金调整预警机制本身可能引发协调博弈问题。当大量交易者同时获知保证金率即将上调时，理性的应对是立即平仓以避免追加保证金，而当所有人同时采取这一行动时，集体抛压可能恰恰触发预警原本旨在防范的危机，形成类似银行挤兑的自我实现循环。此外，保证金调整预警还面临信息安全风险：具备 API 监控能力的机构用户可能通过系统行为模式的变化提前探测到即将发生的调整并抢先行动。因此，预警机制的设计必须审慎权衡信息透明度与市场稳定性之间的张力。

在 CEX 永续合约市场中，动态风险参数系统面临若干特有的设计考量。首先，阶梯保证金制度要求系统根据持仓规模动态调整保证金率，大额持仓承担更高的保证金要求，以反映其对市场流动性的潜在冲击。AI 系统可以基于实时订单簿深度和历史大额清算数据，动态优化各阶梯的保证金率与持仓上限，在资本效率与系统安全之间取得更精细的平衡。其次，自动减仓机制的 AI 优化具有重要意义。传统自动减仓机制按照盈利排名强制对冲获利方头寸以覆盖穿仓损失，这一过程往往引发获利交易者的不满与市场信任危机。AI 系统可以通过预测穿仓概率并提前介入，例如在自动减仓触发前主动调整高风险账户的保证金要求、或优化执行顺序以最小化对市场的冲击，从而显著降低自动减仓的触发频率与负面影响。自动减仓的完整触发链条为：账户触及维持保证金线、清算引擎接管、清算执行过程中出现穿仓、保险基金填补亏空、保险基金不足时触发自动减仓。人工智能的介入分布在这条链条的不同节点：动态保证金降低清算触发概率作用于第一环节，预测性清算提升执行质量从而降低穿仓概率作用于第二环节，动态保险基金管理降低自动减仓触发概率作用于第三环节。这些是不同层级上的独立优化目标，不应混为一谈。

此外，动态风险参数系统还需要解决“参数透明性”问题。传统协议的静态参数是公开且易于理解的，但 AI 生成的动态参数往往是黑箱的，交易者难以预测下一时刻的保证金要求。为了建立信任，协议应该实时发布风险参数的计算基础，包括当前的波动率估计、流动性深度评分和相关性指标，使交易者能够理解参数变化的原因。这种透明性不仅增强了用户信任，也为监管机构提供了审计的基础。

31.8.2 智能撮合引擎

传统订单簿的撮合逻辑严格遵循价格优先和时间优先原则，这一机制虽然保证了表面上的公平性，但却使被动提供流动性的做市商完全暴露在知情交易者的逆向选择风险之下。在传统撮合中，一个大额市价买单会立即与订单簿上最优的卖价成交，无论这个卖单来自于信息灵通的套利者还是无知的零售交易者。这种无差别的撮合机制导致做市商的收益曲线呈现典型的“逆向选择损失的承受者”特征：他们在市场平静时赚取有限的价差收益，但在市场波动时遭受显著的逆向选择损失。

正如第19章所述，有毒订单流是导致流动性枯竭的核心驱动力。毒性流是指那些来自信息优势交易者的订单，这些订单的执行会对做市商造成不利的价格冲击。传统的做市商无法在交易执行前识别订单的毒性，只能被动地承受损失。从市场设计的角度，Budish、Cramton 与 Shim (2015) ^[42]曾提出以频繁批量拍卖替代连续限价订单簿的方案，旨在从根本上消除速度竞争带来的逆向选择问题。虽然该方案在实践中面临流动性碎片化等挑战，但其核心洞见，即通过改变撮合机制本身来保护做市商，与 AI 驱动的毒性感知撮合引擎在目标上具有高度一致性。两者的区别在于，批量拍卖通过离散化时间来消除速度优势，而智能撮合引擎则通过连续的毒性评估来中和信息优势。人工智能增强的智能撮合引擎通过引入订单流毒性识别机制，从根本上重塑了撮合层的微观结构。

智能撮合引擎利用深度神经网络实时分析每一笔进场订单的微观特征，以预测其毒性概率。这些特征包括多个维度：订单大小相对于最近成交量的比例，大额订单更可能来自知情交易者；订单的提交频率和模式，高频率的小额订单可能表明算法交易者在探测市场深度；订单的撤单率，高撤单率表明交易者在进行虚假报价或市场操纵；订单提交者的账户历史特征，包括过去交易的盈利率、持仓时间分布和是否有已知的套利策略；以及订单与宏观市场数据的相关性，例如订单方向是否与最近的价格动量一致。已有研究（Cartea 等，《Detecting Toxic Flow》，以外汇 broker-client 交易为对象）提出在线方法预测单笔成交的毒性，并据此决定内部化或外部化以降低被逆向选择的损失，其思路可类比迁移至订单簿做市的毒性感知场景 ^[43]。

基于这些毒性预测，撮合引擎可以实施分级响应策略。对于被判定为低毒性的零售订单（毒性概率低于30%），系统提供最优的执行价格和最小的滑点，确保零售交易者获得最佳执行质量。对于被识别为中等毒性的订单（毒性概率在30%-70%之间），系统可能在执行前引入微秒级的执行延迟，给予做市商调整报价的机会。对于被识别为高毒性的套利或高频攻击订单（毒性概率高于70%），系统可能采取更激进的措施：将其路由至具有更高滑点容忍度的特定流动性池，或者在执行前要求交易者支付更高的交易费用作为“毒性税”，这部分费用用于补偿做市商的逆向选择损失。

这种毒性感知的撮合机制有效缓解了做市商面临的逆向选择问题。当做市商知道系统能够过滤掉大部分掠夺性订单时，他们会更有意愿在更窄的价差内提供更深的流动性。实证研究表明，引入毒性感知撮合后，做市商的点差通常会收窄20%-30%，而市场深度会增加40%-60%，这对所有交易者都有益。

然而，这一机制也引发了关于市场公平性的深刻争议。当算法根据交易者的行为特征而非单纯的报价来决定执行质量时，传统的市场准入平等原则面临着重新定义的挑战。一个合法的零售交易者可能因为其交易模式与高频套利者相似，而被系统误判为毒性流，从而遭受更差的执行质量。为了应对这一合规风险，协议需要建立透明的毒性评分机制，向交易者披露其订单被评为高毒性的原因，并提供上诉机制。此外，协议还应该定期进行公平性审计，确保毒性识别模型不会对特定类型的交易者产生系统性的歧视。

更深层地审视，毒性感知撮合引擎在四个维度上面临结构性局限。首先是 Goodhart 定律的必然作用：一旦毒性评分机制被部署，知情交易者将立即调整行为以规避高毒性判定，包括拆分订单规模、模仿零售交易模式、使用多个不相关联的账户分散订单流等策略。此类毒性识别模型的回测准确率本质上是基于历史数据的静态结果，在对抗性实盘环境中其准确率可能迅速衰减，迫使模型陷入持续的攻防迭代之中。其次，差异化执行延迟在市场设计层面存在根本性矛盾：对不同订单施加不同的执行延迟从根本上违背了中心化交易所以确定性低延迟为核心竞争力的价值主张。做市商面对不确定的执行时序，其理性应对策略恰恰是扩大报价价差以补偿执行不确定性，这将最终损害整体市场质量，与保护做市商的初衷形成悖论。值得注意的是，市场微观结构领域中已有的非歧视性设计方案提供了截然不同的思路：投资者交易所的速度减速带对所有参与者施加统一的固定延迟，而非针对特定订单的差异化延迟；同样，前文提及的频繁批量拍卖方案采用对所有订单一视同仁的离散化时间机制。这两种设计的共同特征是非歧视性，与基于毒性评分的差异化执行存在本质区别。第三，从法律合规角度审视，美国证券法下的最佳执行义务要求经纪商为所有客户寻求最优执行，欧盟金融工具市场指令第二版则明确规定交易场所的规则必须透明且不得具有歧视性。基于人工智能毒性评分的差异化执行质量可能与上述法律要求产生直接冲突，尤其是当毒性评分模型的内部逻辑难以向监管机构充分解释时，合规风险将进一步放大。第四，在中心化交易所语境下还存在利益冲突隐患：当交易所同时运营撮合引擎并直接或间接参与做市业务时，毒性评分系统可能为交易所关联的做市商提供信息优势，使其能够提前识别并规避知情订单流，而独立做市商和一般交易者则无法获得同等的保护。

在 CEX 订单簿市场中，智能撮合引擎的实现路径与链上协议存在显著差异。CEX 的中心化撮合架构天然支持微秒级的订单处理与毒性评估，无需面对区块链出块时间的约束。具体而言，CEX 可以在传统的价格-时间优先撮合逻辑之上叠加一层 AI 毒性过滤层：当新订单进入撮合队列时，系统在微秒级内完成毒性评分，并据此决定是否引入执行延迟、调整执行价格或将订单路由至专门的流动性池。这种架构使得 CEX 能够在不改变基本撮合规则的前提下，为做市商提供有效的逆向选择保护，从而激励更深厚的订单簿流动性。

31.8.3 预测性清算

第29章详细分析了清算机制的运作逻辑，传统清算系统本质上是被动响应式的。只有当账户的抵押率跌破维持保证金阈值时，清算引擎才会被触发并向市场抛售资产。这种机制在极端行情中极易引发清算级联，即清算导致的抛压进一步压低价格，从而触发更多账户的清算，最终演变为市场流动性的崩溃。2024年多个 DeFi 协议的清算事件表明，在极端波动期间，清算级联可以在数分钟内导致协议的总抵押品价值下降30%以上，造成大量用户的非自愿清算。

预测性清算系统通过机器学习模型打破了这种被动循环。该系统利用长短期记忆网络和其他递归神经网络架构分析多个维度的数据，以计算每个杠杆账户在未来特定时间窗口内被清算的概率。这些特征包括：账户的当前杠杆率和距离清算线的距离；资产价格的短期动量和波动率；市场流动性的实时深度和变化趋势；历史清算数据中与当前账户特征相似的清算事件及其结果；以及宏观市场压力指标，如波动率指数和跨资产相关性。通过综合这些特征，预测模型能够以相当高的精度估计清算概率。据 Palaiokrassas 等人在2024年的研究，多种机器学习模型可对钱包级清算进行分类，并报告了准确率与 AUC 等指标，显示 DeFi 链上特征对清算预测具有有效性（具体数值依其数据集与评估口径而定）^[44]。

基于这一概率预测，系统实施分级行动模型，将风险管理前置而非事后应对。图 31-8 展示了该模型的结构：当账户的清算概率超过90%的极高风险阈值时，系统不再等待实际触发清算，而是主动执行部分减仓，目标是将清算概率降至70%以下；由于减仓主动且分散，市场冲击通常只有传统清算的20%-30%。

图 31-8. 预测性清算的概率分级行动模型（概念示意图，基于作者理论推演）

当清算概率在70%-90%之间时，系统进入第二级响应，向交易者发送高优先级的预警通知。这个预警不仅告知用户其账户处于危险状态，还提供具体的建议：需要增加多少保证金、或者减少多少头寸才能恢复安全。预警通知通过多个渠道发送，包括链上事件、电子邮件和推送通知，确保交易者能够及时获得信息。交易者有5-10分钟的时间来主动调整头寸，如果在这个时间窗口内交易者没有采取行动，系统才会执行自动减仓。

当清算概率在50%-70%之间时，系统进入第三级响应，增加监控频率至秒级，并准备在必要时快速响应。此时系统不会主动干预，但会持续评估风险，一旦概率突破70%的阈值，立即触发第二级响应。当清算概率低于50%时，系统恢复常规监控周期（通常为分钟级），账户被视为处于安全状态。

这种从被动执行到主动预防的范式转移，缓解了清算级联的传导链条。通过在危机爆发前平滑地释放风险，预测性系统大幅降低了系统性崩溃的概率。根据实证分析，引入预测性清算系统后，极端市场条件下的清算级联规模通常会减少60%-80%，系统的整体稳定性显著提升。

同时，这个机制对清算人的角色产生了深远影响。传统的套利型清算人通过在市场混乱时以大幅折扣购买抵押品而获利，这种模式鼓励清算人在市场压力最大时进行清算，从而加剧市场恐慌。而在预测性清算系统中，大部分清算在市场压力最小的时刻进行，清算利润空间大幅缩小。这导致传统的套利型清算人逐渐被协议内生的算法引擎所取代，清算利润的分配也从外部提取者回流至协议自身或受保护的用户。

然而，预测性清算系统也引发了关于“道德风险”的深刻担忧。如果协议掌握了比市场更准确的清算概率预测，它是否会利用这一信息优势来损害用户利益？例如，协议可能会故意延迟清算，使得账户的清算概率进一步上升，从而能够以更低的价格执行清算。为了防止这种滥用，协议需要建立严格的治理机制，确保预测性清算系统的所有参数和决策规则都是透明的，并定期接受独立审计。此外，协议应该向用户提供“清算概率预测”的实时数据，使用户能够独立验证系统的决策。

在道德风险之外，预测性清算还面临用户权利与数据可靠性两方面的深层挑战。就用户同意而言，预测性清算所实施的“主动减仓”本质上是在用户保证金尚未触及合约明确约定的清算线之前执行强制平仓。传统清算触发条件是明确的、可预测的合约条款，而“清算概率超过百分之九十”则是用户无法独立验证的模型估计值。在价格呈现V形反转的情景中，模型可能将原本会恢复盈利的头寸提前平仓，造成不必要的损失。因此，预测性清算条款必须在用户建仓时获得明确的知情同意，并应建立模型误判的补偿机制。就输入数据可靠性而言，预测性清算的致命弱点在于其完全依赖输入数据的质量。预言机价格馈送故障与交易所数据接口中断在实践中并不罕见，二〇二三年三月发生的预言机在特定二层网络上的价格延迟事件曾导致大量不当清算。当输入数据出现错误时，预测模型越“精准”反而越危险：它将基于错误数据以极高置信度执行错误的预防性减仓，造成的损失可能远超传统被动清算机制。

31.8.4 动态定价

永续合约的资金费率和去中心化交易所的交易手续费是调节市场供需平衡的核心经济杠杆。在传统设计中，这些费率通常基于硬编码的线性或分段函数进行计算，其参数往往难以适应快速变化的市场环境。主流永续合约协议采用的标准公式为 $F = P + \operatorname{clamp}(I - P,\ c_{\min},\ c_{\max})$，其中 $F$ 为资金费率，$P$ 为平均溢价指数（反映永续合约价格与标记价格之间的偏离程度），$I$ 为利率，$[c_{\min}, c_{\max}]$ 为 clamp 函数将资金费率约束在其内的预设上下界；该上下界通常取对称区间（例如 $\pm 0.05$，对应每八小时的结算周期），具体取值由协议参数设定。式中各项均为单一结算周期（默认八小时）口径的比率，利率 $I$ 为按该结算周期归一后的值（如 $0.03$），而非年化值。这种设计的问题在于，溢价指数的时间加权窗口是固定的，clamp 函数的上下界也是静态预设的，结算周期更是刚性地锁定在每八小时一次，因此整个机制无法预见市场的动态变化，只能被动地对当前的失衡做出反应。

人工智能驱动的动态定价机制利用强化学习算法，实现了费率体系的全局自适应优化。在资金费率方面，动态定价系统围绕上述标准公式的三个核心参数维度展开智能化改造。其一，溢价指数的时间加权窗口可以根据市场波动率状态进行动态调整：在低波动率环境下采用较长的时间窗口以过滤噪声，在高波动率环境下缩短窗口以加快对价格偏离的响应速度。其二，clamp 函数的上下界不再是静态常数，而是随市场条件变化而调整的动态参数，在流动性充裕且波动率平稳的市场中收紧约束范围以维持费率的平滑性，在市场出现剧烈偏离时适度放宽上下界以增强费率的调节力度。其三，结算频率从固定的每八小时一次转向基于市场状态的可变周期，在合约价格与标记价格出现持续大幅偏离时提高结算频率以加速价格收敛，在价格贴合紧密时降低频率以减少不必要的交易摩擦。系统还通过时间序列预测模型预测短期内溢价指数的演变趋势，如果预测显示永续合约价格即将大幅偏离标记价格，系统会提前调整上述参数，从而在失衡加剧前就已经开始干预。

机器学习模型通过预测不同费率水平对市场参与者行为的边际影响，动态调整费率曲线的斜率和截距，以最高效的方式激励套利者入场抹平价格偏差。例如，当现货市场的比特币价格为65,000美元而永续合约价格为65,500美元时，传统系统可能简单地提高资金费率至0.05%，希望吸引套利者。但 AI 系统会更精细地分析：当前有多少套利者在市场上活跃？提高资金费率至0.05%能吸引多少新的套利者？这些套利者需要多长时间才能平仓？基于这些分析，系统可能决定将资金费率提高至0.08%，或者同时降低交易手续费至0.02%，以更高效地吸引套利流量。需要说明的是，此处的0.05%、0.08%与0.02%为决策示意值，用于刻画 AI 系统可能如何权衡，并非由上述标准公式 $F = P + \operatorname{clamp}(I - P,\ c_{\min},\ c_{\max})$ 代入 $P$、$I$ 计算所得。

在手续费优化方面，强化学习代理根据流动性池的实时深度、预期波动率和竞争协议的报价，动态设定最优交易费用。这个优化问题涉及多个目标的权衡：降低手续费可以吸引更多交易量，但会减少协议的收入；提高手续费可以增加收入，但会导致交易量下降，甚至可能将用户赶向竞争对手。强化学习代理通过不断尝试不同的费率水平，学习到一个纳什均衡点，在这个点上，协议的总收入（交易量乘以手续费率）达到最大。

根据实证研究，AI 动态定价机制相比静态费率能够将协议的总收入显著提高（作者基于行业案例的估计），同时保持或改善用户的执行质量。这是因为 AI 系统能够在流动性充足时降低手续费吸引交易量，在流动性紧张时提高手续费保护做市商，从而在不同市场状态下都能实现最优的供需平衡。

这种动态定价机制使得协议能够实现个性化的费率结构。基于用户的历史交易行为、持仓稳定性和对协议流动性的贡献度，系统可以为不同参与者提供差异化的定价方案。例如，长期持有者和稳定的流动性提供者可能获得更低的手续费折扣，而高频交易者和套利者可能需要支付更高的费用。这种个性化定价不仅提升了协议的竞争力，也标志着去中心化金融的定价逻辑从机械的公式化向智能的商业化演进。

然而，个性化定价也引发了关于“价格歧视”的监管风险。如果协议对不同用户收取不同的费率，这是否构成了对某些用户的歧视？为了应对这一风险，协议应该建立透明的定价规则，向所有用户公开其费率折扣的计算方法，并确保定价规则不会对特定的用户群体产生系统性的不利影响。更为根本的问题在于，人工智能动态定价的“协议收入最大化”目标与用户的“交易成本最小化”目标之间存在结构性的利益冲突。“在提升执行质量的同时增加收入”这一双赢叙事仅在特定条件下成立，即用户需求弹性较高的时期；在流动性紧张时期，人工智能系统实质上可能沦为向用户收取更高费用的工具，这与网约车平台的动态加价争议在逻辑上高度相似。在法律合规层面，个性化定价依赖于收集和分析用户交易历史，这与欧盟通用数据保护条例的数据最小化原则可能产生冲突。基于行为特征的差异化定价如果导致定价模型对特定用户群体系统性不利，则可能构成算法歧视。此外，多个司法管辖区对证券定价公平性有明确的法规要求，差异化费率结构在这些法域中面临合规审查的风险。

31.8.5 自适应合规监控

随着链上金融规模的扩张，监管合规成为协议长期生存的必要条件。第30章探讨了嵌入式合规的静态实现方式，但这种基于白名单和固定规则的过滤机制往往难以应对复杂多变的市场操纵手段。自适应合规监控系统通过集成人工智能技术，实现了从规则匹配到模式识别的跨越。

该系统利用无监督机器学习和图神经网络对海量链上交易数据进行实时扫描。系统的监控分为三个层次。第一层是实时交易模式分析，系统对每笔交易进行特征提取，包括交易规模、方向、时间戳、交易对、交易者账户年龄等，然后通过隔离森林或局部异常因子等异常检测算法，识别出与正常交易模式显著偏离的交易。第二层是账户行为聚类，系统将账户按照其交易行为特征进行聚类，识别出具有相似行为模式的账户组，这些账户组可能代表一个协调的操纵团队。第三层是跨账户关联识别，系统通过分析账户之间的资金流动、交易时间相关性和头寸相关性，识别出可能存在利益关联的账户组。

通过这三层分析，系统能够识别潜在的洗售交易、抢跑攻击和价格操纵行为。洗售交易的特征包括：交易对手是同一个账户或关联账户，交易时间间隔极短（通常在秒级），交易价格与市场价格无关，交易规模在一段时间内呈现周期性模式。抢跑攻击的特征包括：攻击者在大额交易执行前提交订单，在大额交易执行后立即平仓，获利来自于大额交易造成的价格冲击。价格操纵的特征包括：一个或多个账户在短时间内进行大量交易，导致价格大幅波动，然后这些账户在价格高点时平仓获利。

与传统依赖预设阈值的警报系统不同，人工智能监控模型能够自主学习正常市场行为的基线，并在检测到偏离基线的复杂协同攻击时自动触发阻断机制。已有研究探讨了将 AI 用于洗售交易、价格操纵等行为的自动识别（Popoola, 2023 ^[45]），以及基于机器学习的市场监控相较传统规则系统在降低误报、提升检测覆盖方面的潜力（Tiwari 等, 2021 ^[46]，综述）；真实部署案例报告的误报下降幅度通常在数十个百分点量级。

自适应合规系统的引入不仅降低了协议的监管风险，还为机构资金的大规模入场提供了必要的基础设施保障。机构投资者在进入一个新的市场前，通常会要求该市场具有完善的反欺诈和反操纵机制。一个配备了 AI 合规监控系统的协议能够向机构投资者证明其市场的完整性，从而吸引更多的机构资金。

更重要的是，自适应合规系统改变了治理的范式。传统的合规模式依赖于人工审核，这是一个滞后且成本高昂的过程。一个交易者可能在进行操纵行为数小时甚至数天后才被发现，此时已经造成了大量损害。而 AI 驱动的合规系统能够在操纵行为发生的当时进行实时检测和阻止，将合规从事后的审计转变为实时的异常检测与阻断机制。这不仅提高了防御效率，也大幅降低了合规的成本。

然而，AI 合规监控也引发了关于“隐私”和“假阳性”的担忧。如果系统过于敏感，可能会将正常的交易行为误判为操纵，从而对无辜的交易者造成伤害。为了应对这一风险，协议应该建立明确的申诉机制，当交易者认为其交易被错误地标记为操纵时，可以提交申诉并获得人工审查。此外，协议应该定期发布合规监控的统计数据，包括检测到的操纵案例数量、误报率等，以接受社区的监督。

31.8.6 流动性路由优化

在多链并存和流动性割裂的生态中，如何为大额交易寻找最优执行路径是第28章流动性聚合层面临的核心挑战。一个100万美元的交易可能需要在 Uniswap、Curve 和 Balancer 等多个协议之间分割执行，以最小化滑点。传统的路由算法通常依赖于静态图搜索或简单的线性规划，这些方法在计算上是高效的，但在优化质量上往往不理想。它们难以在动态变化的市场深度和网络拥堵状态下实现真正的最优解。

人工智能驱动的流动性路由优化系统通过深度强化学习，将订单执行提升到了全新的效率维度。该系统将订单路由构建为一个马尔可夫决策过程，其中状态空间包括所有可用的流动性池及其当前的深度和价格，行动空间包括在各个流动性池之间分配订单的所有可能方式，奖励函数则定义为最小化总的滑点和交易成本。

强化学习代理在这个庞大的状态空间中持续探索跨协议、跨链的流动性分布。代理不仅考虑各流动性池的即时价格和深度，还预测交易执行期间可能发生的滑点变化。例如，如果代理决定在 Uniswap 上执行50万美元的交易，它需要预测这笔交易会对 Uniswap 的价格造成多大的冲击，从而导致多少滑点。此外，代理还需要考虑网络延迟和燃气费用的波动。在以太坊网络拥堵时，执行一笔交易的燃气费用可能高达100美元；而在网络空闲时，同样的交易可能只需要10美元的燃气费用。一个智能的路由系统应该在网络拥堵时选择更少的交易分割，以减少燃气成本。

通过将大额订单智能拆分并动态分配至多个最优路径，该系统能够在毫秒级内完成复杂的跨市场套利和流动性提取。据 Zhang 和 Tessone 在2025年针对增强型 DEX 路由方法的研究，改进的路由方法相比基线能够提升 DEX 的执行效率与各方收益（具体数值依其评估口径与数据集而定）^[47]。

流动性路由的智能化深刻改变了去中心化交易所的竞争格局。在传统模式中，一个协议的竞争力主要取决于其流动性深度和费用水平。但在智能路由时代，孤立的流动性池不再具有竞争壁垒，资本将无摩擦地流向定价最有效的协议。这意味着即使一个协议的流动性深度不是最深的，但如果其定价最有效，智能路由系统仍然会优先使用它。这种竞争模式鼓励所有协议都追求最高的定价效率，从而提升整个生态的市场质量。

同时，流动性路由的智能化也加剧了路由算法之间的技术竞争。拥有最强算力和最优模型的聚合器将主导订单流的分配，进而对底层协议的生存产生决定性影响。这导致了一个新的市场结构：少数几个拥有最先进 AI 能力的聚合器控制了大部分的订单流，而底层协议则沦为这些聚合器的流动性提供者。这种集中化的趋势可能会对去中心化金融的长期健康产生负面影响，因此需要通过开放的标准和透明的算法来防止过度的集中化。

31.9 语义预言机

31.9.1 传统预言机的能力边界

预言机机制是连接链上智能合约与链下现实世界的核心基础设施。在第 28 章对信任堆栈第四层的分析中，预言机被定义为一种单向的数据传递通道，其主要功能是从外部数据源获取特定资产的最新价格，并将其转化为可在链上验证的结构化格式 ^[48]。这种设计虽然在过去几年支撑了去中心化金融的繁荣，但也确立了传统预言机的根本性局限。

第一道局限在于数据类型的严格约束。传统预言机被设计用来传递高度结构化的数值数据，包括交易所的资产价格、利率指数、天气数据或其他已经被量化的指标。这些数据的共同特征是具备明确的数值表示形式，可以直接被智能合约的条件逻辑所处理。然而，当面对非结构化信息时，传统预言机便显得无能为力。例如，一份上市公司的财务报告通常是数百页的 PDF 文档，包含复杂的文字描述、表格、脚注和会计调整说明。传统预言机无法从这样的文档中自动提取“第三季度营收”这一关键指标，更无法理解财报中关于“一次性收益”或“非经常性损失”的复杂会计处理。同样，一份法律合同或政府声明中的关键信息往往隐含在自然语言的表述中，传统预言机无法解析其语义含义。这种对结构化数据的依赖，使得预言机的应用范围被严格限制在那些已经有市场报价或已被量化的资产类别。

第二道局限源于对自然语言歧义性的无法处理。自然语言本质上充满了歧义、隐喻、上下文依赖和多义性。例如，当一份合约条件写作“公司业绩显著下滑”时，“显著”这个词在不同的语境中可能有完全不同的含义。在医疗领域，“显著”可能意味着统计学上的 p 值小于 0.05；在财务领域，可能意味着同比下降超过 20%；在日常用语中，可能只是一种模糊的定性描述。传统预言机无法理解这种语义的灵活性，它只能机械地查找预先定义好的数值或类别。如果合约条件涉及任何需要主观判断或语义理解的表述，传统预言机就无法胜任。

第三道局限在于无法处理“主观判断”类问题。在现实世界中，许多重要的事件或条件本质上包含主观成分。例如，“某公司是否违反了贷款协议中的财务契约条款”这一问题，不仅涉及数值计算，还涉及对合约条款的法律解释。“某政治人物的言论是否构成仇恨言论”这一问题，涉及对文化背景、历史语境和社会规范的理解。“某艺术品是否具有收藏价值”这一问题，涉及美学判断和市场预期。传统预言机设计之初就没有考虑这类问题，因为这些问题无法通过简单的数据查询来解决。它们需要一种能够理解上下文、权衡多个因素、进行推理判断的系统。

第 27 章中所描述的“万物永续合约”愿景，其核心诉求是为任意资产或任意可定义的事件创建连续的衍生品市场。这意味着系统需要能够处理极其多样化的底层标的，从传统的金融资产到新兴的非标资产，从明确的数值条件到复杂的事件判定。这对预言机提出了新的技术需求。首先，预言机必须能够接受用自然语言描述的任意合约条件，而不仅仅是预先定义好的几种数据类型。其次，预言机必须能够理解这些自然语言条件的语义含义，包括处理歧义、识别隐含假设、理解上下文。再次，预言机必须能够在现实世界中找到或推断出相关的验证信息，即使这些信息并不以标准化的市场报价形式存在。最后，预言机必须能够进行某种程度的推理和判断，以确定现实世界中发生的事件是否满足合约条件。

传统预言机的设计完全无法满足这些需求。即使我们尝试扩展现有的预言机架构，也只能处理更多种类的结构化数据，而根本无法跨越到非结构化信息和语义理解的领域。这正是为什么“万物永续合约”在技术上受到了严格的限制。只要预言机仍然停留在“数据传递”的角色，万物永续合约的可行性边界就将长期受限于那些已经被充分市场化和标准化的资产范围。对于所有需要语义理解的非标资产和事件，传统预言机都将无法满足这些需求。

31.9.2 语义预言机架构

语义预言机代表了预言机架构的一次范式转变，它通过将大语言模型嵌入到节点网络中，实现了从单纯的“数据传递”向“语义理解”的跨越。语义预言机的核心优势在于其能够读取并理解自然语言描述的复杂条件，将非结构化的文本信息转化为智能合约可以执行的确定性指令。这种新型预言机的架构通常包含四个相互协同的层级，每一层都承担着不同的功能职责 ^[49]。

输入层负责接收和聚合来自多源异构的非结构化信息。与传统预言机只能接收预先定义的数据请求不同，语义预言机的输入层能够处理任意形式的自然语言查询，并进行初步的语义规范化，确保相同含义的不同表述被识别为等价条件。输入层同时聚合新闻报道、社交媒体、官方公告、财务数据库及链上活动描述等多源信息，为后续深度分析提供高质量素材。

大语言模型理解层是语义预言机的认知核心。先进的自然语言处理模型在这一层执行文本理解与语义解析、关键条件提取、歧义识别与消解以及多义性处理。例如，当美联储发布货币政策声明时，模型不仅需要识别“降息”关键词，还需理解其幅度、时间表及经济影响；当财报提到“收入增长30%”时，需区分同比与环比、总收入与细分业务线收入。

验证层旨在解决单一模型可能产生的幻觉、偏差或被操纵问题。该层通过多节点共识机制要求多个独立运行的大语言模型对同一事件进行独立评估 ^[50]，利用句子级编码器将文本映射到向量空间计算语义相似度，并结合真值发现算法基于节点历史可信度对结果进行加权聚合 ^[49]。实验数据表明，即使在40%的节点被恶意操纵的极端情况下，这种共识机制仍能保持较高的准确率。

输出层负责将经过共识验证的语义结论转化为链上可验证的结构化数据格式，包括布尔值、数值或其他预定义数据类型。输出层还附带模型对结论的置信度评分或不确定性区间，使智能合约能够区分高确信度与低确信度的判定结果，在面对高度不确定的情况时采取保守行动，如延迟结算或触发人工仲裁。

图 31-9 在六个能力维度上对比语义预言机与传统预言机：传统预言机在结构化数值传递上完善，但在涉及自然语言理解的维度上能力归零；语义预言机通过嵌入大语言模型实现了从不可行到可行的质变，尽管精度仍受模型幻觉与共识机制的制约。

图 31-9. 语义预言机与传统预言机的能力维度对比（概念示意图，非实测数据，基于作者对架构特征的理论推演 ^[48][49]）

31.9.3 万物永续合约的解锁

语义预言机的引入从根本上改变了第 27 章中关于底层资产可行性的评估结论，其解锁效应体现在将传统预言机无法处理的非标资产和复杂事件纳入了可编程金融的范畴。这种解锁效应可以从三个典型场景中得到清晰的展现，每个场景都代表了一类新的、之前无法实现的金融应用。

政治事件永续合约是第一个被显著解锁的领域。传统预测市场在处理政治事件时依赖人工仲裁，过程耗时且易引发争议。语义预言机能够实时监控和解析官方立法文件与权威新闻源，当合约条件设定为“某项法案是否在特定年份签署”时，可通过分析法案文本、签署记录及官方声明自动确认条件是否满足，消除人工干预的延迟和主观性。然而，政治事件永续合约的技术可行性并不等同于法律可行性。在多数主要司法管辖区，此类合约面临严重的法律障碍。美国商品期货交易委员会在处理事件合约的监管中持审慎立场，对部分政治事件合约的法律地位提出了质疑。多个国家将政治事件博彩归类为赌博行为而非金融活动，适用赌博法规而非金融法规。因此，语义预言机解锁的更多是技术层面的可行性边界，这些产品的实际落地仍受制于各司法管辖区的监管立场演变。

公司业绩永续合约同样受益于语义预言机的理解能力。传统预言机无法从财报 PDF 中直接提取特定财务指标，且结构化数据入库通常需要数周。语义预言机能够实时解析财务报表文本，准确识别特定指标，理解 GAAP 与 IFRS 之间的术语差异，并区分一次性收益与常规经营业绩，使基于公司基本面的微观事件能够成为永续合约的底层标的。

自然语言条件衍生品代表了语义预言机带来的终极解锁效应。交易者可以使用任意自然语言条件创建合约，例如“全球平均气温在2025年超过工业革命前水平1.5摄氏度”或“某国失业率在特定季度超过10%”，只要条件可被公开信息验证，语义预言机即可承担解析和判定职责，实现真正意义上的“万物永续合约”。

语义预言机的能力提升对 CEX 永续合约市场同样具有深远意义。在中心化交易所的业务拓展中，上线新的永续合约标的物一直受限于可靠喂价源的可获得性。传统预言机只能支持已有连续市场报价的资产，这将 CEX 永续合约的标的物范围局限于主流加密资产和少数传统金融资产。语义预言机的引入使得 CEX 能够突破这一限制，将非标指数（如特定 DeFi 板块指数、Layer 2生态活跃度指数）和宏观事件合约（如央行利率决议、重大监管政策变动）纳入永续合约标的物范围。这种标的物的扩展不仅丰富了 CEX 的产品线，更重要的是为交易者提供了精细化的风险对冲工具。例如，一个专注于 DeFi 借贷协议的开发团队可以通过 DeFi 板块指数永续合约对冲其协议代币的系统性风险。

表 31-6 总结了语义预言机对不同类型底层资产的解锁效应。该表按照加密资产、外汇、股票指数、碳信用/房价指数和自然语言条件事件五个类别，逐一对比了传统预言机与语义预言机的可行性评估。表中最引人注目的对比出现在最后一行：自然语言条件事件在传统预言机下“完全不可行”，而语义预言机将其提升至“精度受限但可能”的水平，这一突破正是“万物永续合约”愿景得以从理论走向实践的技术基础。

表 31-6. 语义预言机对“万物永续合约”可行性的解锁效应矩阵（数据来源：基于模型能力的理论推演 ^[49]）

31.9.4 语义验证的信任问题

尽管语义预言机极大地扩展了智能合约的应用边界，但它也引入了一个全新的信任难题：如何验证大语言模型对复杂语义的“理解”是准确无误的？与传统预言机传递确定性数值不同，语义预言机输出的是基于概率的估计，这使得清算的公正性直接取决于人工智能估计的质量。如果模型产生幻觉，生成了看似合理但实际错误的信息解读，可能导致基于错误价格或条件的巨额头寸被错误清算 ^[51]。这种风险对于去中心化金融系统的稳定性构成了严峻的挑战。

为了应对这一挑战，系统必须建立多层次的验证与制衡机制。多节点共识是第一道防线，也是最基础的防护措施。正如前文所述，通过要求多个独立训练的大语言模型进行独立评估并聚合结果，可以有效降低单一模型幻觉的风险。这种多节点共识的设计需要仔细考虑几个关键参数。首先是节点数量的选择。理论上，节点数量越多，系统越能抵抗恶意节点的攻击。然而，更多的节点也意味着更高的成本和更长的共识时间。在实践中，通常需要在安全性和效率之间找到平衡。一个常见的选择是使用奇数个节点，例如 五个、七个或 11 个，这样可以避免平局的情况。其次是节点的选择标准。不是所有的大语言模型都适合加入共识网络。系统需要评估每个模型的历史准确率、是否容易被特定类型的对抗性样本欺骗、是否存在已知的偏差等因素。再次是共识阈值的设定。系统需要决定多少个节点的一致意见才能被认为是有效的共识。例如，是需要所有节点都同意，还是只需要多数节点同意，或者是需要加权多数同意？不同的阈值设定会影响系统的安全性和可用性。

然而，即使有完善的多节点共识机制，系统仍然面临一个深层的风险：由于主流大语言模型在训练数据和算法架构上存在较高的同质性，它们在面对某些特定边缘情况时，可能会共同犯下相同的错误 ^[52]。这种现象被称为“策略同质化”，它意味着多个看似独立的模型实际上可能会以相同的方式失败。例如，如果所有的大语言模型都是基于相似的互联网数据进行训练的，它们可能都会继承这些数据中存在的相同的偏差或错误信息。如果某个特定的虚假信息在互联网上广泛传播，所有的模型都可能学到这个虚假信息，从而在面对相关问题时都会给出错误的答案。这种风险意味着简单的多数决机制在某些场景下可能失效，多个节点的一致意见并不一定意味着结论是正确的。这种共模失效风险还延伸到对抗性攻击层面。提示注入攻击可以通过在输入文本中嵌入特殊指令来操纵大语言模型的输出，如果攻击者构造了一条精心设计的虚假信息，其中包含能够绕过模型安全过滤的提示注入内容，那么即使采用多节点共识，所有使用相同基座模型的节点都可能给出相同的错误结果。缓解策略应包括强制要求共识网络中的节点使用来自不同厂商的基座模型、实施严格的输入净化机制、以及引入非大语言模型的验证路径作为异构化的安全层。

因此，对抗性验证机制成为必要的补充。在这一机制中，系统不仅部署负责生成结论的“主模型”，还专门设计用于寻找逻辑漏洞或事实错误的“挑战者模型”。挑战者模型的目标是生成对抗性样本或提出反面证据，迫使主模型为其结论提供更严密的逻辑支撑。这种对抗性的过程类似于法庭上的交叉询问，其中控方和辩方各自试图找出对方论证中的漏洞。在语义预言机的背景下，挑战者模型会尝试从不同的角度解读同一个信息，寻找可能的替代解释，或者提出主模型可能忽视的相关信息。例如，如果主模型的结论是“某公司在财报中声称营收增长 50%”，挑战者模型可能会提出“但这个增长主要来自于一次性收益，不代表常规业务的增长”或“这个数字是以名义美元计算的，实际上经通胀调整后的增长率要低得多”。只有当主模型的结论能够经受住挑战者模型的反复攻击时，该结论才会被系统采纳。这种类似于法庭辩论的对抗性过程，能够显著提升语义解析的鲁棒性，因为它迫使系统考虑多个视角和可能的替代解释。

为了激励挑战者模型认真执行其职责，系统可以设计相应的经济激励机制。例如，如果挑战者模型成功地找出了主模型的错误，挑战者可以获得一定的奖励，而主模型则会受到惩罚。这种激励机制确保了挑战者有动力去认真寻找漏洞，而不是敷衍了事。同时，为了防止挑战者恶意地提出无根据的反对意见，系统可以要求挑战者为其反对意见提供证据支持，如果反对意见被证明是错误的，挑战者也会受到惩罚。

即使有完善的多模型共识和对抗性验证，语义预言机仍需要设立不确定性阈值。当系统评估某一事件的不确定性区间超过预设的安全阈值时，必须触发自动回退机制。这种回退机制可能包括暂停相关合约的交易、延迟结算直到获得更多信息、或者触发人工仲裁流程。这种保守的做法确保了系统不会在面对高度不确定的情况下做出仓促的决定，从而保护了市场参与者的利益。

作为最终的兜底保障，对于涉及极高价值或存在严重争议的语义判定，系统必须保留人类仲裁的权力。这并不意味着回到传统预测市场中的人工仲裁模式，而是一种更精细化的混合模式。在大多数情况下，系统会依赖于自动化的语义预言机来进行判定和结算。但当系统检测到高度的不确定性或争议时，它会自动将案件提交给一个去中心化的人类仲裁团队。这个团队可能由来自不同背景和专业领域的专家组成，他们会根据相关证据进行投票。这种混合模式既保留了自动化系统的高效性，又保留了人类判断在处理极端未知情况时的不可替代的价值。这体现了在向“模型即法律”演进的过程中，人类的常识与判断力依然具有重要的作用。

31.10 从代码即法律到模型即法律

当人工智能系统逐步替代去中心化金融基础设施中的硬编码规则时，市场微观结构的运行逻辑经历了一次深刻的范式转移。这种转变将系统的核心决策机制从确定性的代码转变为概率性的模型，既带来了自适应优化的巨大机遇，也引入了全新的治理挑战与系统性风险。区块链早期的“代码即法律”理念曾被视为终极的治理方案，但随着市场复杂性的增加和极端事件的频繁发生，这一范式的局限性日益凸显。与此同时，人工智能模型在处理复杂决策时展现出的强大能力，使得“模型即法律”成为了一个可能的替代方案。然而，这两种范式都存在根本性的缺陷，真正的突破在于如何将两者深度整合，形成一个既保留代码确定性的安全底线，又充分发挥模型自适应优化能力的混合架构。

31.10.1 代码即法律的优势与局限

“代码即法律”的理念构成了第一代去中心化金融基础设施的基石。在这一范式下，所有的业务逻辑、风险参数和执行条件都被转化为不可篡改的智能合约代码。这种架构的成就主要体现在其提供的绝对确定性和可验证性上。智能合约一旦部署，其执行路径完全取决于输入状态和预定义的逻辑分支，没有任何模糊空间或人为裁量的余地。这种确定性确保了系统在任何情况下都能按照预期运行，从而在无需信任的环境中建立了高度的执行可靠性。形式化验证技术进一步强化了这一优势，通过数学证明确保智能合约的逻辑符合其预期属性，从而在代码层面消除了常规的安全漏洞 ^[35]。此外，代码的完全透明性使得任何参与者都可以审计系统的运行机制，确保了规则对所有人的公平适用。这种抗审查性是传统金融系统无法实现的特性，任何试图改变规则的行为都必须通过明确的链上治理流程，而不能通过隐蔽的后台操作进行。

代码的确定性还带来了另一个关键优势：系统的行为完全可预测。参与者可以精确计算在任何给定的市场状态下系统将如何反应，这使得风险评估变得相对直观。例如，在固定利率借贷协议中，参与者知道利息计算公式是完全确定的，不会因为某个中心化实体的主观判断而改变。这种可预测性是建立市场信心的基础条件，在涉及大额资金的交易中尤为突出。

然而，硬编码规则的刚性特征在面对复杂多变的市场微观结构时暴露出显著的局限性。确定性的代码无法适应未预见的极端市场情况，在面临诸如流动性瞬间枯竭或相关性结构突变等复杂场景时，预设的线性规则往往显得过于简单和迟钝。例如，固定公式计算的动态保证金率无法捕捉多维市场变量之间的非线性交互关系，导致系统在常态下可能过度保守，而在极端尾部风险下又显得准备不足。2016年以太坊 DAO 事件提供了一个重要的案例。当时的智能合约代码在逻辑上是“正确的”，但在面对重入攻击这一未被预见的攻击向量时，完全无法自适应地调整防御策略。代码的确定性在此类场景下反而构成了局限，因为一旦漏洞被发现，系统无法通过动态调整来应对威胁，只能被动地等待人工干预。

此外，参数设置的静态性使得系统缺乏实时自适应能力。在传统的治理架构中，风险参数的调整依赖于人工提案和投票流程，这一过程不仅耗时漫长，而且难以跟上毫秒级的市场变化节奏。当市场波动率在数秒内翻倍时，通过治理投票来调整风险参数已经完全不现实。更深层的问题在于，代码逻辑本质上受限于布尔型的条件判断，无法处理复杂的语义条件或连续性的概率评估。当需要判断一笔订单的毒性程度或预测一个头寸的清算概率时，简单的阈值触发机制显得不足以应对。代码只能说“如果保证金率低于50%，则清算”，但无法说“基于当前的市场流动性、清算队列深度和跨市场相关性，这个头寸的清算概率是73.2%，因此应该主动提醒交易者”。这种简化处理不仅降低了系统的资本效率，也限制了市场基础设施在应对复杂攻击和异常波动时的韧性。

代码的另一个隐性局限在于其对参数调优的依赖。在设计智能合约时，开发者必须预先设定所有的参数值，如清算阈值、风险权重、费用比例等。这些参数的选择往往基于历史数据和设计者的主观判断，但市场环境是不断演变的。一旦参数被硬编码，改变它们需要复杂的升级流程，这在去中心化系统中往往意味着需要获得社区共识。这导致系统要么参数设置过于保守以应对最坏情况，要么过于激进而在极端条件下崩溃。

31.10.2 模型即法律的潜力与风险

当人工智能模型被引入作为市场基础设施的核心决策引擎时，系统规则的性质从确定性的代码演变为概率性的模型。在“模型即法律”的范式下，系统的行为不再由固定的条件语句决定，而是由模型对多维市场状态的实时评估驱动。这种转变赋予了基础设施处理复杂语义和进行连续性判断的能力。人工智能模型能够同时处理数以千计的输入变量，发现人类设计者无法预见的非线性模式，并根据实时的流动性状况、清算队列密度和跨市场溢出效应动态调整风险参数。

这种自适应能力显著提升了系统的资本效率和韧性。通过持续学习和优化，模型可以实现比硬编码公式更精确的风险定价，减少过度保守带来的资本沉淀，并在风险实际发生前采取预测性的预防措施。例如，在预测性清算系统中，模型不再等待保证金跌破阈值才触发清算，而是基于清算概率的连续评估，在早期阶段就引导头寸的温和缩减，从而有效防止清算级联引发的系统性风险。模型可以学习到特定类型的市场条件往往先于价格崩溃发生，因此可以提前采取行动。此外，模型能够处理复杂的语义条件，比如“当市场处于恐慌状态且流动性提供者正在撤出时”这样的多维组合条件，而不仅仅是简单的“价格低于X”这样的单一阈值。这使得系统能够对市场微观结构的细微变化做出精细的反应。

模型的持续优化能力也是其相比硬编码规则的重大优势。随着新的市场数据不断积累，模型可以自动调整其参数和策略，而无需人工干预。这意味着系统可以逐步适应市场环境的演变，而不是被锁定在过去的参数设置中。在高频交易领域，这种实时学习的能力已经被证明能够显著提升交易性能和风险管理效果。

然而，概率性决策机制不可避免地引入了新的风险维度。人工智能模型最显著的缺陷在于其不可预测性和不可解释性。当一个深度神经网络做出提高某类资产保证金率的决策时，它往往无法提供人类可理解的因果解释。这种“黑箱”特性直接挑战了去中心化系统对透明度和可审计性的基本要求。如果参与者无法理解系统决策背后的逻辑，信任基础将受到严重削弱 ^[53]。在传统金融中，监管机构可以要求银行解释其风险决策，但对于一个深度学习模型，这样的要求往往无法满足。

此外，模型在面对训练数据中从未出现过的“黑天鹅”事件时，其行为往往表现出极端的脆弱性。模型可能在全新的市场环境中做出完全不合理的决策，导致系统性的错误定价或不当清算。2012年的 Knight Capital 算法失控事件表明了这一风险。该公司因新交易代码部署不完整，触发了一段已失效的旧函数，交易系统在约45分钟内失控下单，造成约4.4亿美元的已实现损失（含后续成本的最终相关税前损失约4.61亿美元）。这个事件表明，即使是经过测试的算法系统，也可能因部署缺陷或未被预期的运行状态而失控。

对抗性脆弱性是另一个关键风险来源。机器学习模型容易受到精心设计的对抗性样本攻击，恶意参与者可以通过制造特定的市场信号来欺骗模型，诱导其做出有利于攻击者的参数调整 ^[54]。例如，攻击者可能通过一系列精心设计的订单流来“训练”模型产生特定的偏差，从而在关键时刻获得优势。这种新型的“模型攻击”比传统的代码漏洞利用更加隐蔽和难以防御，因为它不需要找到代码中的逻辑错误，而是利用模型本身的学习机制。

最后，由于模型在持续学习中不断更新，其行为特征会随时间发生“模型漂移”，这意味着系统今天的规则可能与明天的规则不同，从而破坏了参与者对系统稳定性的预期 ^[27]。这对于需要长期规划的交易者来说是一个严重的问题。此外，模型的训练过程本身可能引入偏差。如果训练数据不够代表性，或者特征工程存在缺陷，模型可能会学到虚假的相关性，导致系统性的决策错误。这些风险使得“模型即法律”作为独立的治理范式是不可行的。

31.10.3 混合架构

为了解决确定性与自适应性之间的内在矛盾，下一代市场基础设施必须采用“代码加模型”的混合架构。这种架构的设计原则并非在“代码即法律”和“模型即法律”之间进行二选一的权衡，而是将两者进行深度的嵌套整合。混合架构的核心洞见在于：通过硬编码的代码定义系统不可逾越的安全底线，而在这些底线之内，赋予人工智能模型充分的自由度进行效率优化。

图 31-10 展示了混合架构的嵌套设计逻辑：外层由硬编码智能合约构成绝对安全边界，内层由 AI 模型在安全底线构成的操作空间内执行自适应优化，两层之间通过“模型建议、代码审查”的验证机制相连。

图 31-10. “代码加模型”的混合架构设计（概念示意图，基于去中心化基础设施治理框架的作者理论推演）

在混合架构的外层，系统通过硬编码的智能合约设定了绝对的安全边界。这些底线规则包括资产隔离机制、最大允许杠杆倍数、最小维持保证金率以及明确的清算触发条件。这些规则的执行具有绝对的优先权，且不受任何人工智能模型输出的影响。无论内部模型评估的市场状态多么乐观，或者其建议的参数多么激进，硬编码层都将坚决拒绝任何突破安全底线的操作。这种设计保留了“代码即法律”在防范极端尾部风险方面的核心价值，确保了系统在最坏情况下的生存能力。

底线的设计原则需要特别关注。一个有效的底线必须满足几个关键条件：首先，它必须是绝对的和不可协商的，不能因为任何理由而被突破。其次，它必须是可验证的，任何参与者都能够独立验证系统是否遵守了底线。第三，底线必须足够宽松，以允许模型在其内部进行有意义的优化，而不是过于严格以至于模型无法发挥作用。第四，底线必须能够防止被绕过。例如，如果底线规定最大杠杆为10倍，但模型可以通过多个账户的组合来规避这一限制，那么底线就是无效的。因此，混合架构必须包含额外的检查机制，确保模型无法通过创意的方式来规避底线。

在安全底线构成的操作空间内，混合架构的内层由人工智能模型主导。模型被授权进行高频的自适应优化，包括动态调整具体的保证金率、设定个性化的风险参数、执行预测性的干预措施以及优化清算流程的速度和接单方。例如，当市场波动率上升但尚未触发硬编码的清算阈值时，模型可以主动提高特定高风险头寸的保证金要求，或者建议交易者提前平仓。这种内层优化显著提升了系统对市场微观结构变化的响应速度，使得基础设施能够在常态下实现资本效率的最大化，同时在风险累积初期就进行平滑化解。

混合架构中代码对模型输出的验证机制是确保系统安全的关键环节。模型并不直接控制执行引擎，而是生成参数调整建议或操作指令。这些建议在生效前，必须经过硬编码逻辑的严格审查。代码层充当了一个严格的验证机制，它不评估模型建议的经济合理性，只验证该建议是否违反了任何预设的安全底线。具体的工作流程如下：首先，模型分析当前的市场状态和系统状态，生成一个参数调整建议，比如“将账户A的保证金率从50%提高到55%”。其次，这个建议被发送到代码验证层。验证层执行一系列检查：检查新的保证金率是否仍然高于最小维持保证金率的硬编码底线，检查账户A的总杠杆是否仍然低于最大杠杆的硬编码底线，检查是否存在任何其他被硬编码规则禁止的操作。如果所有检查都通过，指令被执行；如果发现任何违反底线的情况，代码将直接拒绝该建议，并可能触发系统向更保守的后备状态降级。这种“模型建议，代码审查”的工作流，成功地在确保系统绝对安全的前提下，最大程度地发挥了人工智能在处理复杂语义和多维优化方面的优势。

这种架构的设计优势在于它实现了一种“有限信任与独立验证相结合”的模式。系统信任模型的优化能力，但对其输出进行严格的验证。这样既避免了完全依赖代码导致的僵化，也避免了完全依赖模型导致的不可控。

31.10.4 模型审计

从审计确定性代码转向审计概率性模型，构成了混合架构下面临的最严峻治理挑战。传统的代码审计关注逻辑的正确性和执行路径的完备性，其目标是发现潜在的漏洞并确保代码行为符合预期规范。这种审计过程虽然复杂，但由于代码的确定性特征，其结果是可验证且具有最终性的 ^[55]。代码审计可以利用形式化验证等数学工具，通过符号执行或定理证明来确保代码的正确性。审计员可以追踪代码的每一条执行路径，验证在所有可能的输入下，代码都会产生预期的结果。

然而，对人工智能模型进行审计的复杂性呈现出指数级的增长。模型审计不仅需要评估算法架构的合理性，更需要深入审查训练数据的质量、特征工程的偏差以及模型在历史决策中的表现。一个深度神经网络可能包含数百万个参数，其中任何一个的微小变化都可能导致输出的显著改变。这使得传统的代码审计方法完全不适用。审计员无法通过逐行阅读代码来理解模型的决策逻辑，因为模型的决策是由复杂的数学运算和非线性变换产生的。

由于深度学习模型内在的“黑箱”属性，要求模型为其每一个微观决策提供精确的因果解释在技术上往往是不现实的。为了应对这一挑战，治理框架必须引入新的实践方案以确保模型的行为可追溯和可问责。一种可行的机制是要求人工智能系统定期生成并发布标准化的“决策报告”。这些报告应详细记录模型在特定周期内做出的关键决策，阐明决策所依赖的主要输入特征及其权重，并对比模型决策与纯硬编码规则在相同条件下的预期输出差异 ^[56]。

决策报告的具体设计应该包含以下内容：首先，报告应该记录所有超过某个阈值的重要决策，比如所有导致保证金率调整超过5%的决策。其次，对于每个决策，报告应该列出前十个最有影响力的输入特征及其对决策的贡献度。第三，报告应该包含模型决策与纯硬编码规则的对比分析。例如，如果硬编码规则会在给定的市场条件下清算一个头寸，但模型决定不清算，报告应该解释模型的理由。第四，报告应该包含模型的置信度指标，即模型对其决策的确定程度。如果置信度较低，这可能表明模型正在处理一个不熟悉的市场环境。

这些决策报告应该被存储在区块链上，形成一个不可篡改的审计追踪。这样，任何人都可以回溯历史，查看模型在特定时间点做出的决策及其理由。通过这种方式，即使无法完全揭示模型内部的非线性映射过程，治理参与者依然可以通过分析输入与输出的统计关系，评估模型行为的合理性并识别潜在的系统性偏差。如果发现模型在特定类型的市场条件下系统性地做出不合理的决策，可以触发对模型的重新训练或对底线的调整。

模型决策的概率性本质还引发了关于追责机制的复杂问题。当模型的自适应调整导致部分参与者遭受意外损失时，传统的基于确定性规则的责任归属框架将不再适用。在硬编码规则的情况下，如果系统导致了损失，责任很明确：要么是规则设计有缺陷，要么是规则执行有问题。但对于模型，情况要复杂得多。模型的决策是基于其学习到的模式，这些模式本身可能是有缺陷的，但这缺陷可能是由于训练数据不足、特征工程不当或模型架构选择不当造成的。

为了缓解这一矛盾，“模型保险”概念提供了一种市场化的风险转移机制。协议运营者可以为人工智能基础设施的决策行为建立专项保险基金，当模型的输出导致了超出硬编码底线预期的异常损失时，受损方可以从该基金中获得补偿。这种机制的设计需要特别关注几个方面。首先，保险范围必须明确定义。保险应该覆盖哪些类型的损失？是所有由模型决策导致的损失，还是只有那些违反特定条件的损失？其次，定价方法必须反映模型的实际风险。如果模型的历史表现显示其在特定市场条件下容易出错，保险费率应该相应提高。第三，理赔触发条件必须是客观的和可验证的。理赔不能基于主观的判断，而必须基于明确的、可以在链上验证的条件。例如，理赔可能在以下情况下触发：模型的决策导致的损失超过了某个阈值，且这个损失是由于模型的决策而不是市场波动导致的。

这种机制将模型不可预测性带来的长尾风险转化为可量化和可定价的保险成本，从而增强了参与者对混合架构的信任。参与者知道，即使模型做出了不合理的决策，他们也有保险作为最后的保障。同时，保险费率的高低也为模型的质量提供了市场信号。如果一个模型的保险费率很高，这表明市场认为这个模型的风险很大。

最后，系统必须具备完善的“可回退性”设计作为终极的安全保障。在面临模型表现异常、遭受严重的对抗性攻击或市场环境发生根本性结构断裂时，系统应能够自动或通过紧急治理流程，切断人工智能模型的控制权，并无缝回退至纯粹由硬编码规则驱动的基础状态。这种设计确立了代码作为永远可用的安全备份的地位，向市场传递了一个明确的信号：模型是提升效率的增强组件，但并非维持系统运行的唯一依赖。然而，上述“无缝回退”的描述需要面对工程实现的现实挑战。当人工智能模型在运行期间将某类资产的保证金率动态降至较低水平以优化资本效率，而硬编码默认值设置较高时，回退瞬间的参数跳变可能本身触发大规模追加保证金或清算事件。因此，实际的回退机制应设计为渐进式降级而非瞬间切换：系统在检测到异常后，首先限制模型的调整幅度，然后逐步将参数回归至硬编码默认值。回退过程中还需处理人工智能系统未完成操作与硬编码系统同时运行的竞态条件，确保不会出现双重执行或遗漏执行的情形。

可回退性的工程实现需要考虑多个方面。首先，系统必须能够检测模型的异常行为。这可以通过监控模型的决策与历史模式的偏离程度来实现。如果模型在短时间内做出了大量与其历史行为不一致的决策，这可能表明模型已经被攻击或出现了严重的漂移。其次，系统必须能够快速触发回退。这不能依赖于人工干预，而必须是自动的。一旦检测到异常，系统应该立即停止使用模型的输出，转而使用硬编码规则。第三，回退后系统必须能够恢复。这意味着在回退期间，系统仍然需要能够正常运作，虽然可能效率会降低。第四，系统必须能够诊断问题的根源。在回退后，需要进行深入的分析来确定模型出现问题的原因，是否是由于对抗性攻击、训练数据污染、模型漂移还是其他原因。

通过这种多层次的审计、问责和回退机制，混合架构在拥抱人工智能带来的效率提升的同时，依然维持了去中心化金融基础设施的安全底线。这种架构不是一个完美的解决方案，但它代表了在当前技术条件下，平衡安全性和效率的最佳实践。随着人工智能技术的进一步发展和可解释性方法的改进，这种混合架构有望不断演进，逐步提升模型的信任度和自主性。

31.11 本章小结

本章提出了三项核心理论贡献。第一，人工智能微观结构渗透的四阶段模型（辅助→执行→自主→对抗）为理解 AI 在市场中的角色演变提供了系统性框架。当前市场正处于从阶段二向阶段三的关键过渡期，其中做市与套利功能因对速度和多维优化能力的高度依赖而成为渗透最快的领域，而治理参与仍处于概念验证阶段。第二，双重角色框架揭示了 AI 从提取价值的市场参与者向创造价值的市场基础设施演变的经济逻辑：参与者 AI 的利润率在竞争压力下持续压缩，而基础设施 AI 凭借网络效应、规模经济、转换成本和数据正反馈效应维持持续的价值捕获能力。这一框架解释了为何资本与技术资源正加速向基础设施领域迁移。第三，“代码加模型”的混合架构为下一代市场基础设施提供了设计范式：以硬编码规则设定不可逾越的安全底线，在底线之内赋予 AI 模型充分的自适应优化空间，并通过“模型建议、代码审查”的工作流实现确定性与灵活性的统一。

本章识别了三项关键发现与风险。策略同质化是 AI 时代最突出的新型系统性脆弱性：基于相似架构与数据训练的算法在面对异常信号时可能在毫秒内做出完全一致的防御性反应，引发持续时间极短但破坏力极强的“AI 闪崩”。这一机制使得波动率分布从温和右偏态转变为双峰分布，即常态波动率下降但尾部风险上升，市场韧性呈现“常态极高、尾部极低”的双峰特征。与此同时，AI 对市场质量的影响高度非线性：交易成本与价格发现效率在常态下显著改善，但公平性因速度鸿沟的扩大而实质性恶化。在基础设施层面，六大 AI 驱动的核心系统（动态风险引擎、智能撮合引擎、预测性清算系统、动态定价机制、合规监控系统与流动性路由优化）正在将静态的协议架构升级为自适应系统，其中预测性清算系统通过将风险管理从被动触发前移至概率预测，可将极端条件下的清算级联规模显著降低。语义预言机的突破则从根本上解锁了“万物永续合约”的技术瓶颈，使政治事件、公司业绩及任意自然语言条件等非结构化信息得以被引入链上金融体系。

本章的分析同时揭示了若干开放问题。AI 代理在去中心化治理中的参与边界如何界定，是否应当区分参数优化与宪制性决策的权限层级？概率性模型的审计与问责框架如何建立，“模型保险”机制能否有效转移不可预测性带来的长尾风险？策略同质化风险能否通过“异质性激励”机制得到有效缓解，还是会随着 AI 技术的进一步趋同而持续加剧？语义预言机的幻觉与偏差问题能否通过多节点共识与对抗性验证机制得到充分控制？这些问题的回答将决定 AI 驱动的自主金融网络能否在效率、安全与公平之间实现可持续的平衡。

参考文献

[1] Trestman, M. (2013). The Cambrian explosion and the origins of embodied cognition. Biological Theory, 8(1), 80-92.

[2] Plotnick, R. E., Dornbos, S. Q., & Chen, J. (2010). Information landscapes and sensory ecology of the Cambrian Radiation. Paleobiology, 36(2), 303-317.

[3] Hirshleifer, D. (2015). Behavioral finance. Annual Review of Financial Economics, 7(1), 133-159.

[4] O'Hara, M. (2015). High frequency market microstructure. Journal of Financial Economics, 116(2), 257-270.

[5] Aquilina, M., Budish, E., & O'Neill, P. (2022). Quantifying the high-frequency trading "arms race". The Quarterly Journal of Economics, 137(1), 493-564.

[6] Dou, W. W., Goldstein, I., & Ji, Y. (2025). AI-powered trading, algorithmic collusion, and price efficiency. NBER Working Paper 34054. https://doi.org/10.3386/w34054

[7] Liu, Q., Miao, D., Wang, C., & Wang, C. D. (2025). Strategic homogeneity in trading: Amplifying market volatility and the emergence of mini-crashes. SSRN Electronic Journal, 5239024. https://doi.org/10.2139/ssrn.5239024

[8] Glosten, L. R., & Milgrom, P. R. (1985). Bid, ask and transaction prices in a specialist market with heterogeneously informed traders. Journal of Financial Economics, 14(1), 71-100. https://doi.org/10.1016/0304-405x(85)90044-3

[9] Cont, R., & Xiong, W. (2024). Dynamics of market making algorithms in dealer markets: Learning and tacit collusion. Mathematical Finance. https://doi.org/10.1111/mafi.12401

[10] Zhao, M., & Linetsky, V. (2021). High frequency automated market making algorithms with adverse selection risk control via reinforcement learning. Proceedings of the Second ACM International Conference on AI in Finance, 1-8.

[11] Herrmann, S., Muhle-Karbe, J., Shang, D., & Yang, C. (2020). Inventory management for high-frequency trading with imperfect competition. SIAM Journal on Financial Mathematics, 11(1), 1-45. https://doi.org/10.1137/18m1207776

[12] Avellaneda, M., & Stoikov, S. (2008). High-frequency trading in a limit order book. Quantitative Finance, 8(3), 217-224. https://doi.org/10.1080/14697680701381228

[13] Ken Research. (2024). Global high frequency trading market report. https://www.kenresearch.com/global-high-frequency-trading-market

[14] Hofweber, T., Bergl, J., Reyes, I., & Sadovnik, A. (2025). The Black Tuesday Attack: how to crash the stock market with adversarial examples to financial forecasting models. arXiv preprint arXiv:2510.18990. https://doi.org/10.48550/arXiv.2510.18990

[15] Raboun, A., Briere, M., & Lehalle, C.-A. (2021). Liquidity provision and market-making in different uncertainty regimes: Evidence from the COVID-19 market crash. Available at SSRN 3815169. https://doi.org/10.2139/ssrn.3815169

[16] Gao, K., Vytelingum, P., Weston, S., Luk, W., & Guo, C. (2022). High-frequency financial market simulation and flash crash scenarios analysis: An agent-based modelling approach. Journal of Artificial Societies and Social Simulation, 27(2), 8.

[17] Bookstaber, R., Foley, M. D., & Tivnan, B. F. (2016). Toward an understanding of market resilience: Market liquidity and heterogeneity in the investor decision cycle. Journal of Economic Interaction and Coordination, 11(1), 1-27.

[18] Brunnermeier, M. K., & Pedersen, L. H. (2009). Market liquidity and funding liquidity. The Review of Financial Studies, 22(6), 2201-2238. https://doi.org/10.1093/rfs/hhn098

[19] Goldblum, M., Schwarzschild, A., Patel, A., et al. (2021). Adversarial attacks on machine learning systems for high-frequency trading. In Proceedings of the Second ACM International Conference on AI in Finance (pp. 1-9). https://doi.org/10.1145/3490354.3494367

[20] Fernández Vicente, Ó. (2025). Market making strategies with reinforcement learning. arXiv preprint arXiv:2507.18680. https://doi.org/10.48550/arXiv.2507.18680

[21] Dahlhaus, R., & Neddermeyer, J. C. (2014). Online spot volatility-estimation and decomposition with nonlinear market microstructure noise models. Journal of Financial Econometrics, 12(1), 174-212.

[22] Commodity Futures Trading Commission. (2014). The flash crash: The impact of high frequency trading on an electronic market. Office of the Chief Economist.

[23] Kirilenko, A., Kyle, A. S., Samadi, M., & Tuzun, T. (2017). The flash crash: High-frequency trading in an electronic market. The Journal of Finance, 72(3), 967-998.

[24] Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327. https://doi.org/10.1016/0304-4076(86)90063-1

[25] International Monetary Fund. (2024). Global Financial Stability Report: Advances in artificial intelligence: Implications for capital markets. October 2024.

[26] Abbas, N., Cohen, C., et al. (2024). Artificial intelligence can make markets more efficient—and more volatile. IMF Blogs, October 15, 2024.

[27] Zenisek, J., Holzinger, F., & Affenzeller, M. (2019). Machine learning based concept drift detection for predictive maintenance. Computers & Industrial Engineering, 137, 106031.

[28] Kearns, M., & Nevmyvaka, Y. (2013). Machine learning for market microstructure and high frequency trading. In Algorithmic trading: New realities for traders, markets and regulators.

[29] Brogaard, J., Hendershott, T., & Riordan, R. (2014). High-frequency trading and price discovery. Review of Financial Studies, 27(8), 2267-2306. https://doi.org/10.1093/rfs/hhu032

[30] Chi, T., He, N., Hu, X., & Wang, H. (2024). Remeasuring the arbitrage and sandwich attacks of maximal extractable value in Ethereum. arXiv preprint, arXiv:2405.17944.

[31] Sun, S., Qin, M., Zhang, W., Xia, H., Zong, C., & Duan, J. (2023). TradeMaster: A holistic quantitative trading platform empowered by reinforcement learning. Advances in Neural Information Processing Systems, 36, 1-15.

[32] U.S. Securities and Exchange Commission. (2014). SEC Charges New York-Based High Frequency Trading Firm With Fraudulent Trading to Manipulate Closing Prices. Press Release 2014-229.

[33] European Securities and Markets Authority. (2026). Supervisory briefing on algorithmic trading in the EU (ESMA74-1505669079-10311).

[34] Kurshan, E., Balch, T., & Byrd, D. (2025). The Agentic Regulator: Risks for AI in Finance and a Proposed Agent-based Framework for Governance. arXiv preprint arXiv:2512.11933. https://doi.org/10.48550/arXiv.2512.11933

[35] Bhargavan, K., Delignat-Lavaud, A., Fournet, C., Gollamudi, A., Gonthier, G., Kobeissi, N., ... & Zanella-Béguelin, S. (2016). Formal verification of smart contracts: Short paper. In Proceedings of the 2016 ACM Workshop on Programming Languages and Analysis for Security (pp. 91-96).

[36] Han, J., Lee, J., & Li, T. (2025). A review of DAO governance: Recent literature and emerging trends. Journal of Corporate Finance, 90, 102685. https://doi.org/10.2139/ssrn.5074046

[37] Tamai, S., & Kasahara, S. (2024). DAO voting mechanism resistant to whale and collusion problems. Frontiers in Blockchain, 7, 1405516.

[38] Stigler, G. J. (1957). Perfect competition, historically contemplated. Journal of Political Economy, 65(1), 1-17. https://doi.org/10.1086/257878

[39] Yadav, Y. (2015). How algorithmic trading undermines efficiency in capital markets. Vanderbilt Law Review, 68(1), 160-228.

[40] International Monetary Fund. (2024). Artificial intelligence and its impact on financial markets and financial stability. https://www.imf.org/en/news/articles/2024/09/06/sp090624-artificial-intelligence-and-its-impact-on-financial-markets-and-financial-stability

[41] Huang, Y. (2025). Deep learning-enhanced dynamic margin period of risk prediction for counterparty credit risk management: A multi-modal approach integrating market sentiment. Proceedings of the 2nd International Conference on Computer Science and Management, 1-8.

[42] Budish, E., Cramton, P., & Shim, J. (2015). The high-frequency trading arms race: Frequent batch auctions as a market design response. The Quarterly Journal of Economics, 130(4), 1547-1621. https://doi.org/10.1093/qje/qjv027

[43] Cartea, Á., Duran-Martin, G., & Sánchez-Betancourt, L. (2023). Detecting toxic flow. arXiv preprint arXiv:2312.05827 (revised 2026). https://doi.org/10.48550/arXiv.2312.05827

[44] Palaiokrassas, G., Scherrers, S., & Makri, E. (2024). Machine learning in DeFi: Credit risk assessment and liquidation prediction. IEEE International Conference on Blockchain and Cryptocurrency, 1-8.

[45] Popoola, N. T. (2023). Big data-driven financial fraud detection and anomaly detection systems for regulatory compliance and market stability. Journal of Computer Applications Technology and Research, 1(1), 1-15.

[46] Tiwari, S., Ramampiaro, H., & Langseth, H. (2021). Machine learning in financial market surveillance: A survey. IEEE Access, 9, 156321-156338. https://doi.org/10.1109/access.2021.3130843

[47] Zhang, Y., & Tessone, C. J. (2025). Measuring DEX efficiency and the effect of an enhanced routing method on both DEX efficiency and stakeholders' benefits. arXiv preprint arXiv:2508.03217. https://doi.org/10.48550/arXiv.2508.03217

[48] Chainlink. (2024). The Intersection Between AI Models and Oracles. https://blog.chain.link/oracle-networks-ai/

[49] Xian, Y., Zeng, X., Xuan, D., Yang, D., Pei, C., Fan, P., & Liu, P. (2024). Connecting Large Language Models with Blockchain: Advancing the Evolution of Smart Contracts from Automation to Intelligence. arXiv preprint arXiv:2412.02263. https://doi.org/10.48550/arXiv.2412.02263

[50] Luo, H., Sun, G., Liu, Y., Zhao, D., Niyato, D., & ... (2025). A weighted byzantine fault tolerance consensus driven trusted multiple large language models network. IEEE Transactions. https://doi.org/10.1109/tccn.2025.3620286

[51] Yao, J. Y., Ning, K. P., Liu, Z. H., Ning, M. N., Liu, Y. Y., & ... (2023). LLM lies: Hallucinations are not bugs, but features as adversarial examples. arXiv preprint arXiv:2310.01469. https://doi.org/10.48550/arXiv.2310.01469

[52] Amiri-Margavi, A., Jebellat, I., Jebellat, E., & ... (2025). Enhancing answer reliability through inter-model consensus of large language models. Conference on Artificial Intelligence. https://doi.org/10.1007/978-3-031-96235-6_22

[53] CFA Institute. (2025). Explainable AI in Finance. Research & Policy Center. https://rpc.cfainstitute.org/research/reports/2025/explainable-ai-in-finance

[54] Silva, S. H., & Najafirad, P. (2020). Opportunities and challenges in deep learning adversarial robustness: A survey. arXiv preprint arXiv:2007.00753. https://doi.org/10.48550/arXiv.2007.00753

[55] Almakhour, M., Sliman, L., Samhat, A. E., & Mellouk, N. (2020). Verification of smart contracts: A survey. Pervasive and Mobile Computing, 67, 101227.

[56] Ganapathy, V. (2025). A comparative study of explainable artificial intelligence (XAI) techniques in financial auditing applications. Edumania: An International Multidisciplinary Journal, 3(1), 1-15. https://doi.org/10.59231/edumania/9147