人工智能（AI）已渗透投资全流程，从数据获取、预测、研究、组合构建到执行与工具使用。技术能力本身并不等同于投资盈利。
本综述梳理截至2026年8月31日公开的研究，覆盖上市股票、ETF、中心化加密现货、永续合约以及链上市场。我们采用“α 翻译链”框架：即时信息 → 稳定信号 → 可行仓位 → 可执行订单 → 扣除成本后的风险调整收益。机器学习、时间序列基础模型、金融语言模型、强化学习和智能体等方向在预测、文本处理、组合设计和工作流集成上取得了上游进展，但对持久净收益的证据仍然薄弱。
时间泄漏、重复选择、生存偏差、基准弱、实现成本、交易场所机制和容量限制等因素会削弱净 α 的转化。历史上出现过强劲的回测结果，却伴随预测衰减、纠正的前视错误、混合的前瞻证据以及极少的审计实盘记录。加密市场提供额外信息，但需分别处理现货、永续和去中心化的现金流与执行。当前公开证据未显示任何通用 AI 架构能够持续、跨周期、考虑容量限制地产生净 α。更可信的主张需要使用点时数据与模型、与决策对齐的目标、组合与执行的联合评估、受控的适应、前瞻测试以及与监管匹配的治理。这些条件可提升证据质量和实现水平，但并不保证盈利。
点评