你买来三份“不同”的行业数据，模型也从中找到了一个漂亮规律。后来才发现，它们都由同一批网页材料生成，只是分别交给大语言模型改写、分类和包装。模型以为三条线索互相印证，其实只是同一句话被说了三遍。这正是基金眼下担心的问题：AI让数据更容易生产，却没有让数据更容易相信。
现有材料主要来自 Hedgeweek 对 Business Insider 报道及 Neudata 研究的转述，另有 GlobalTrading 对行业讨论的简短报道。它们足以说明风险正在受到关注，但尚不能证明量化信号已被大规模污染，更不能证明投资回报因此普遍受损。
数据多了，独立信息未必多
量化投资依靠数据寻找可重复的规律。除了财报和交易行情，许多基金还购买“另类数据”——例如消费行为、企业活动和网页流量，希望从尚未充分反映在价格里的信息中提取交易信号。
据 Hedgeweek 转述的 Neudata 研究，购买外部数据集的投资者中，约三分之一表示过去两年收到的数据质量有所下降；部分市场参与者把下降部分归因于AI使用增加。不过，报道没有披露样本量、调查对象构成、地区或问卷方法，因此这个比例不能外推到整个行业。
问题不只是某个数字写错。AI降低了采集、处理和包装信息的门槛，也推动更多供应商进入市场。一名购买外部数据的股票投资者告诉 Business Insider，一些新供应商似乎大量依赖大语言模型处理信息。AggKnowledge 联合创始人 Daniel Entrup 则称，有的数据商直接用AI生产待售数据集，或以采用AI为由削减、调配负责维护数据质量的人员。这些都是单一报道中的受访者观察，尚不是行业普查结论。
信号为什么会被“污染”？
数据污染，是错误、重复、合成内容或未来信息混入研究样本。生成式AI尤其放大了两个麻烦。
第一是重复。多个产品可能看似来自不同供应商，底层却循环引用同一批材料。基金若无法确认来源，就可能把重复信息当成多重证据。第二是不可追溯。数据溯源记录一条信息从哪里来、何时生成，又经过哪些清洗和改写。供应商如果讲不清加工过程，基金就难以判断数据是否可靠，也难以确认取得和使用方式是否满足隐私及监管要求。
这还会加重过拟合——模型把历史样本中的偶然噪声当成稳定规律。更多低质量或高度重复的数据，不一定能稀释噪声，反而可能让回测结果显得更有把握。一旦信号在实盘中失常，团队需要倒查的可能不是几个异常值，而是整条供应链。
一个旧案例能说明“数据多”为什么不能替代验证。据 Smithsonian Magazine 和 Science，Google Flu Trends 曾用搜索词追踪流感，但在2012—2013年流感季高峰时，估计一度接近 CDC 数据的两倍；从2011年8月至2013年9月的108周里，它有100周高估疫情。媒体报道会反过来刺激搜索，Google 调整产品也会改变数据怎样产生。输入数据的生成机制一变，原本有效的关系就可能失灵。
真正稀缺的是验证能力
技术预算和内部数据科学能力较强的对冲基金，可能更愿意购买原始数据，再用自己的系统处理，而不是依赖供应商的专有AI模型。这样既便于检查加工过程，也能保留“原始信息如何变成交易信号”这一核心环节的控制权。
Neudata 研究主管 Daryl Smith 用一句话概括这种态度：基金更愿意把AI放进工作流程，而不是直接把产生 alpha 的任务交给它。这里的 alpha，指策略相对市场获得的超额收益。这句话更像受访者对行业心态的概括，不能视作所有基金的统一选择，但它点出了部署瓶颈：AI可以加快处理，可信度仍要靠溯源、人工监督和独立验证建立。
局限与未知
- 现有材料没有给出错误数据导致具体交易损失、回报下降或错误交易的案例，也没有测量“污染”程度。
- “约三分之一”的调查缺少样本与方法信息；AI与数据质量下降之间目前只是部分参与者的归因，不是因果识别。
- 不同供应商使用什么模型、人工复核到什么程度，以及购买原始数据是否确实改善结果，材料均未披露。