模型风险

模型风险 = 因为模型（数学公式、算法、AI）本身设计有缺陷、用错了场景、或输入数据有问题，导致决策错误并造成损失的风险。模型不是“客观真理”，它是对现实的近似，天生可能出错。

量化基金、银行风控、保险公司定价、推荐算法，全都依赖模型。模型错了，系统会“很自信地犯大错”。

模型越强大，模型风险的破坏力越大。AI 和量化时代，模型在毫秒级自动执行交易，一个错误假设可能瞬间放大成巨额亏损。

• 量化基金：回测漂亮的策略，实盘失效——过拟合是模型风险的高发区；
• 银行风控：模型误判让你被拒贷，或误判让坏账漏过；
• 保险定价：定价模型低估赔付，保费定低了，亏损要很多年才能暴露；
• 个人使用：用 IRR、估值公式做投资决策，公式用错场景，结论全偏。

• 任何模型结果都要追问：“假设是什么、输入数据哪来的”；
• 看回测更要看实盘：样本外测试、压力测试通过，才说明模型有一定鲁棒性；
• 关注模型失效预警：市场结构变化（新规则、新参与者）会让老模型集体失灵；
• 个人应用：用现成公式时先搞清楚适用条件，别拿不适用场景硬套。

• 迷信“AI 预测”：AI 也会过拟合，回测跑赢不代表未来跑赢；
• 只报喜不报忧：很多模型在极端行情下才暴露缺陷，日常看不出；
• 数据脏了还硬跑：输入数据有偏，输出再漂亮也是错的（垃圾进，垃圾出）；
• 以为模型风险只是量化机构的事：个人用估值模型、自动化定投也一样会踩。