London Finance Forum

伦敦金属交易所——148年历史沉淀下的全球定价基准

第一场演讲由来自LSE（伦敦政治经济学院）的Ms Lynn Chai带来，主题为“What is the LME?”。作为全球历史最悠久、规模最大的基础金属交易市场之一，伦敦金属交易所（LME）成立于1877年，其诞生本身就是一部工业革命的缩影——彼时英国工业金属消费激增却严重依赖海外进口，而智利的铜矿、马来西亚的锡矿运抵伦敦往往需要三个月的航程，产业界迫切需要一种能够对冲长途运输价格波动风险的工具，LME标志性的“三月期”标准合约由此而生。

Lynn的分享沿着LME近150年的发展脉络展开：从16世纪伦敦皇家交易所商人们以物易物的非正式铜锡交易，到1877年LME正式创立并专注铜品种交易；从两次世界大战期间LME持续稳定运营、支撑全球工业供应链，到1990年代震动业界的住友铜事件推动了监管改革；再到2012年港交所以13.88亿英镑收购LME，正式打通与亚洲大宗商品市场的战略通道，以及2022年镍价触及每吨10万美元的历史性逼仓事件，LME的历史几乎就是一部全球大宗商品市场风险与治理演进的历史。

Lynn特别提到，如今的LME已经形成了全球定价、风险管理、市场透明度与实物交割四大核心功能。2025年平均每日成交量超过75.7万手，通过全球450多个批准仓库、32个交割地点支撑实物金属的真实流转，这也是LME区别于纯金融交易所的关键所在。她进一步介绍了LME独特的三大交易平台体系——仅限Category 1会员参与、每个金属品种限时5分钟喊价的“Ring”公开喊价交易场，覆盖全部合约品种的高流动性电子平台LMEselect，以及全天候运行、覆盖亚洲与美洲时区的场外电话市场；三者协同运作，共同生成被全球矿山、冶炼厂与制造商奉为基准的“官方结算价”。

在谈到会员制度时，Lynn梳理了从Category 1（Ring喊价会员）到Category 5（客户）的完整分层体系，以及外资与中资机构参与LME的主流路径——多数中国机构选择通过香港子公司，以套期保值名义间接参与，同时需符合外管局与国资委的合规要求。她也特别提到，随着中国作为全球最大工业金属消费国的地位持续巩固，叠加AI基建与电网建设对铜、银等关键金属需求的结构性拉动，以及2025年香港仓库的获批，LME与中国市场之间的联系正在不断加深，这既是历史的延续，也是新一轮机遇的起点。

Ms Lynn Chai介绍LME

AI对金融行业的变革性影响——从“能不能用”到“该怎么管”

第二场演讲由Ms Elaine Xu（MSc, CFA, CAIA）带来，主题为“The Transformative Impact of AI on the Financial Industry”，副标题清晰地界定了讨论范围：“人工智能如何重塑投资、风险管理、运营与金融服务——来自英国与欧洲的视角”。如果说第一场演讲讲的是一套历经百年考验的成熟交易制度，那么第二场演讲面对的，则是一套仍在快速演化、亟待被治理框架追上的新技术。

Elaine的分享并没有停留在“AI能做什么”的兴奋层面，而是直接切入了金融机构在实际应用AI时必须面对的核心命题：风险与治理。她提出了一套“AI催生的新风险分类法”（The new risk taxonomy created by AI），指出AI风险本质上是多维度的——除了模型本身的表现不佳、漂移、“黑箱”不透明、幻觉与验证薄弱等模型风险（Model risk）之外，还叠加了数据风险（陈旧、不完整、有偏、未授权或机密数据泄露）、行为风险（输出不当、误导性评论、模糊了建议与指导的边界）、运营韧性风险（工作流依赖、网络暴露、系统中断、缺乏应急预案）、供应商集中度风险（过度依赖少数模型或云服务提供商及“黑箱”工具），以及系统性风险（模型高度相关、信号拥挤、顺周期行为与自动化偏见）。

在此基础上，Elaine给出了一套“六大原则”的控制框架（Control framework: six principles），强调管控力度应当与重要性、客户及投资影响相匹配，核心始终围绕Human-in-the-loop（人在回路中）、可解释性与可审计性展开。第一，对使用场景与重要性进行分类（是行政性、分析性、投资决策支持、面向客户，还是自动化决策）；第二，明确责任人与人在回路中的角色（业务责任人、模型责任人、数据责任人、风险与合规监督）；第三，确保输出可解释、可举证（来源引用、提示词与输出日志、权威数据源与版本控制）；第四，管理数据风险（尊重权限管理、数据分类与隐私要求）；第五，管理模型与供应商风险（尽职调查、服务级别协议、韧性测试、退出计划）；第六，将AI真正纳入现有治理体系（模型识别、独立验证与模型风险缓释措施）。她援引欧盟《人工智能法案》第14条以及英格兰银行/FCA的调查，指出监管层同样高度关注人类监督与可解释性的重要性。

她还特别展示了一套“AI辅助的治理文档流程”：输入端是会议记录、议程、文件、出席情况与市场/风险报告；AI输出端生成摘要、决策要点、质疑点与责任人/行动清单；随后必须经过人工审批环节，由主席与责任人确认后记录才能生效；最后所有版本、原始材料、修订与后续跟进都需形成完整的审计轨迹。她将这一原则概括为一句话：“AI可以起草记录，但治理责任人必须批准记录。”

在随后的问答环节中，Elaine补充了她对英国金融行业AI应用现状的观察：由于金融服务是高监管行业，企业在采用AI技术时普遍非常谨慎，应用的广度、深度与是否具备可扩展性是三个独立的维度；目前应用最广的场景集中在会议记录自动生成（仍需人工审核）、基于检索增强生成（RAG）的海量文档定位，以及投资组合归因层面的评论生成（Commentary）。而在模型选择上，银行更倾向于部署在自有服务器上的开源模型或高安全等级方案，Microsoft Copilot 365等嵌入式办公工具的采用度较高，同时也出现了越来越多与主流大模型厂商的合作探索，但涉及客户数据时，企业普遍坚持“内部数据留在企业层、绝不与公用大模型共享”的原则，并逐渐倾向于本地化部署。

Ms Elaine Xu分享“The Transformative Impact of AI on the Financial Industry”

预测加密货币——把它当作一个分布，而不是一个猜测

第三场演讲由Dr Simon Wang, Founder & CEO of SimicX带来，主题为“Forecasting Crypto — As a Distribution, Not a Guess”。Simon开场便表明，这不是一场“压轴”演讲，而更像是一次与现场听众的深度互动——因为前两位讲者已经分别把交易所制度与治理框架讲得足够透彻，他想做的，是从自己十几年量化交易从业经验出发，聊聊AI正在如何具体地改变他自己的这份工作。

演讲一开始，Simon向在座听众抛出了两个问题：有没有人完全没有用过AI？现场无人举手。有没有人认为自己现在的工作、或想从事的工作，有很大概率会被AI取代？现场有三四位听众举手。这个小小的互动，也为接下来的分享埋下了伏笔。

Simon坦言，量化交易这个行业在二三十年前曾被称为“华尔街的火箭科学家”（The Rocket Scientist on Wall Street）——从业者往往拥有数学或物理学博士学位，甚至曾从事航天工程，凭借扎实的数学功底，将市场规律抽象成数学模型，进而对市场走势做出预测。而如今，这个原本高度依赖顶尖人才与多年经验积累的领域，正在被AI重新定义。

他以加密货币市场为例，深入浅出地解释了这一转变背后的逻辑。他指出，预测未来价格其实有两种方式：一种是直接“猜”一个具体数字，比如比特币明天是6万还是7万美元；另一种，也是数学上更有效的方式，是去预测一个“分布”（Distribution）——即明天上涨或下跌某个百分比的概率分别是多少。基于这样的分布，可以用一种叫做“连续分级概率评分”（Continuous Ranked Probability Score, CRPS）的方法，对预测的累积分布函数（CDF）进行打分，分数越小代表预测越精准。

这一转变的关键意义在于：一旦“预测准确性”可以被量化为一个具体的数值，那么接下来要做的，就是把“让这个数值变得更小”这个单一目标交给AI去自主优化——AI可以不断尝试新的策略、新的数学模型，唯一的任务就是持续降低这个评分。Simon分享了自己公司在这方面的一项实际项目成果：在一个相对简单的Harness环境下，AI已经能将CRPS做到万分之五的水平，预测准确率在某些情况下甚至可以达到55%左右——而这样的表现，放在传统量化交易语境下，可能是顶尖对冲基金团队耗费五年甚至十年才能达到的效果，AI却可能只需要三到六周。

Simon也坦诚地表达了自己的担忧：如果AI真的能够大规模、高效地完成这类预测与策略生成工作，其影响将是根本性的——人做量化交易往往带着具体的目的（谋生、为客户创造回报），而AI本身没有目的，它可能会让市场充分变得有效，也可能让市场充分失去原有的存在意义，因为对AI而言，投机本身并无意义可言。他也提到，目前这项技术仍处于早期阶段，过拟合（overfitting）、AI生成策略是否具备真正的金融基本面意义等问题仍存在争议，但他个人认为，这更多是时间问题——一旦AI在量化交易领域被大规模采用，交易本身的意义都可能被重新定义。

Dr Simon Wang分享“Forecasting Crypto — As a Distribution, Not a Guess”

问答环节：策略生命周期、市场有效性与AI在企业中的真实落地程度

三场演讲结束后，现场进入了热烈的开放问答环节，三位讲者共同参与讨论。

有听众提出，如果AI让交易策略的开发效率大幅提升，这是否意味着策略的生命周期会越来越短、市场信息差会被迅速抹平？对此，Simon回应认为，策略的“保鲜期”必然越来越短，因为任何人拥有相应工具后都能做类似的事情，而且这种能力是跨行业、跨领域、跨周期的；市场信息差在早期阶段反而可能因为“人类市场”与“人类+AI Agent市场”并存、彼此存在分歧而扩大，但当市场参与者逐步演变为高比例的“Agent对Agent”博弈后，市场将变得高度有效，交易成本随之降低。

围绕AI是否会催生新的市场博弈手段，Simon谈到，无论是人的策略还是AI的策略，本质上都是数学模型，都可能受到攻击——尤其是在缺乏监管的加密货币交易所里，基于订单簿深度的策略可能被恶意构造虚假市场深度所干扰，而人类发现此类问题的速度往往慢于AI。

Elaine也在问答中进一步分享了她对英国企业AI应用程度的整体判断：像Simon所在的对冲基金这类系统化投资机构，往往是最早采纳AI技术的群体，但这只是行业的一部分，而非全貌；行业内更广泛的应用，仍集中在会议记录、文档检索与归因评论等相对容错率较高、边界清晰的场景，涉及客户数据与关键决策环节的应用则依然保持谨慎，这也与她此前分享的治理框架及可解释性要求一脉相承。

来自SUFE的精彩提问

结语

从148年历史的伦敦金属交易所，到一套试图为AI时代的金融治理划定边界的六大原则框架，再到一位量化交易从业者对自己饭碗的真实忧虑与坦诚分享——本次伦敦金融论坛的三场演讲，恰好构成了一条完整的叙事线索：AI在金融行业中，既不是遥远的概念，也不是可以一蹴而就的答案，而是一场正在发生、且深度交织着效率、风险与信任的持续演化。

三位讲者从不同角度回应了同一个问题：当预测、决策与执行都可以被交给AI时，人类在这个系统里应该扮演什么角色？答案或许并不统一，但现场那份认真聆听、追问细节、彼此坦诚交流的氛围，本身已经说明这是一场值得被继续追问下去的讨论。