AI 正在重塑期货交易所：基础设施层的落地图谱与主体影响

当一笔期货委托以毫秒级穿过撮合引擎，真正决定市场能否“跑得稳、管得住、服务得好”的，往往不是盘口上的那一行价格，而是交易所背后那套看不见的基础设施：交易与行情、清算与保证金、监查与异常识别、交割与仓单、场外联动与数据服务。过去十年，这套底座先被程序化交易与穿透式监管“逼着”数字化；近两三年，机器学习与大模型又开始从外围工具，渗入监管研判、运营提效、客户服务，乃至把算力本身变成可对冲的期货标的。

本文聚焦一个更硬核的问题：AI（含大模型）在期货交易所基础设施搭建中，已经或即将落地的应用有哪些？对交易者、产业客户、做市商分别意味着什么？各交易所与机构用了哪些核心技术、踩过哪些坑、正在收敛到怎样的框架？

信息时效说明：文中事实主要综合 2016–2026 年交易所/科技厂商官方通稿、证监会体系公开报道与行业实践（截至 2026 年 8 月）。涉及“词元期货”等尚处研究或报道阶段的事项，文中单独标注。本文为行业综述，不构成投资建议，亦不代表任何交易所立场。

一、先画一张地图：AI 落在“哪一层基础设施”

期货交易所的 IT 可粗分为六层。AI 并非均匀渗透，而是按“风险收益比”与“可解释性门槛”分层落地：

一句话概括行业共识：撮合层要确定性，监查与服务层要智能；大模型更适合“读、写、归纳、对话”，机器学习更适合“分类、排序、异常与关联”。

二、已经落地：五类可核对的应用

1. 市场监查：从规则告警到“行为画像 + 调查副驾驶”

这是全球期货与衍生品基础设施里，AI 落地最早、证据链最扎实的一环。

• • 上期所 × Nasdaq SMARTS（2016）上海期货交易所上线基于 Nasdaq SMARTS 的新一代市场监查平台，实时处理海量行情与委托，辅助异常检测与调查可视化。这标志着国内大型商品期货交易所，把“交易所级监查”正式纳入可对标国际的专业基础设施采购与共建轨道。
• • 港交所 × SMARTS 机器学习（2018）及后续生成式能力港交所（HKEX）是亚洲较早在监查工作流中部署 SMARTS 机器学习与参与者关系发现的交易所客户：系统学习分析师历史处置，对告警做优先级排序，并用关系可视化辅助识别多账户协同。近年港交所管理层公开表示，监查已从规则型 AI 向生成式 AI / 大模型扩展——用于快速整合价量与多源材料、生成研判建议，但最终仍由人工决策。
• • Nasdaq 监查平台的生成式 AI（2024–2025）Nasdaq 在全球 50+ 交易所、多家监管机构使用的监查产品中，嵌入生成式能力（如基于 AWS Bedrock）：自动汇总公告与新闻、情绪与缓解/加重因素，缩短告警分诊与调查起稿时间；2025 年进一步宣布在调查全流程嵌入更强的 AI 检测与多代理（multi-agent）行为建模，目标是降低误报、跟上跨境跨品种操纵手法的演化。

对基础设施的意义：监查不再只是“阈值脚本 + 人工翻流水”，而是实时事件流 → 特征与图关系 → 风险排序 → 调查画布/自然语言摘要的流水线。这直接决定交易所能否在程序化交易占比上升时，仍守住市场诚信。

2. 科技监管与交割数字化：把“库、货、单”纳入实时数据面

国内商品所的特色，是把 AI/数字化压到交割与仓单这一实体经济接口。

• • 大商所“数字大商所”：公开表述中明确借助大数据、区块链、人工智能等推进数字化基础设施与自动化监管；已建成以分布式存储与计算为基础的智能分析能力，支撑交易、清算、监查等系统迭代。数字仓单系统（一期 2023、二期 2025）将交割主体全生命周期管理线上化，对接工商数据做智能核验，并配合视频/物联监测，推动交割监管从“事后检查”走向“过程可视”。
• • 郑商所综合业务平台：以仓单交易、基差贸易、场外衍生品为抓手，推出场内外联动点价——买方在场外平台点价时，指令可联动卖方期货账户下单平仓，配合云服务实现“无人值守响应”。这更偏业务编排与系统联动，但为后续大模型做合同理解、客服与产业知识问答铺好了数据与流程底座。

3. 会员与中介侧的“智能风控 / 智能投研”：交易所外围的第二道基础设施

交易所不直接持仓服务所有客户，但会员的风控与投研系统，是市场基础设施的延伸。

• • 中信期货智能风控平台（公开报道）：采用“量化 + 模型化 + 自动化”，结合客户风险分级与 AI 迭代，强化保证金管理与监测预警；业内观点认为期货场景丰富，适合作为 AI 示范试验场。
• • 期货公司部署 DeepSeek 等大模型（2025）：如东证期货将 DeepSeek-R1 及蒸馏模型接入智能投研平台，用于信息过载下的研报与问答提效；华泰期货等同步推进部署。路径多为私有化/本地化，以满足金融数据不出域要求。

4. 数据即服务：把历史行情变成“可训练资产”

• • CME DataMine Machine Learning Service：面向客户提供在历史数据集上自动构建、维护机器学习模型并回测策略的服务——交易所把“数据基础设施”产品化，降低产业与量化客户自建数据科学栈的门槛。

这对基础设施定义的扩展很关键：交易所不再只卖撮合与清算，也在卖可计算的市场记忆。

5. 即将落地的“元基础设施”：算力期货与词元期货

2026 年前后，AI 与期货基础设施出现反向咬合——AI 不仅用基础设施，还成为基础设施定价的标的。

• • CME Group × Silicon Data（2026-05-12 官方宣布）：计划在当年晚些时候（待监管审批）推出基于 Silicon Data GPU 现货租赁日度基准指数的算力期货（Compute Futures），服务交易商、金融机构、AI 开发者与云厂商对算力价格波动的对冲。Silicon Data 由交易商 DRW 等支持，同时覆盖 GPU、LLM token 等相关市场数据。
• • 中国侧路径（报道阶段）：路透等援引知情人士称，上海期货交易所曾研究以 AI 词元（Token） 为标的的期货合约设计，强调与美方“GPU 租赁成本”路线差异——更贴近模型调用消耗的计价单位。官方尚未给出明确推出时间表；行业研究亦提示：云厂商规格碎片化、指数可操纵性、交割/现金结算设计，是标准化合约的主要障碍。国家级层面则有推动“词元”作为可计量、可定价流通单元的政策讨论，与算力网建设同向。

本节结论宜分开表述：算力期货属“已官宣、待上市”；词元期货属“研究/报道中，未构成官方产品承诺”。

三、三类主体：影响分别落在哪里

1. 交易者（个人与量化机构）

对量化交易者而言，基础设施智能化是双刃剑：一方面行情与另类数据更易获取；另一方面，订单簿微观行为本身成为监管特征工程的原料——Alpha 策略与合规特征在同一数据面上竞争。

2. 产业客户（生产、贸易、加工企业）

产业客户真正刚需的不是聊天机器人，而是：点得准、交得清、风控跟得上。

• • 期现联动效率：郑商所联动点价一类能力，把“电话喊点价、再手动下期货单”压缩为平台编排，降低滑点争议与人力值守成本；后续大模型可进一步吃合同条款、升贴水说明与品种知识，降低中小企业使用门槛。
• • 交割透明度：数字仓单与交割主体全流程线上化，让货权、质检、库容状态更可审计，减少“货在库里却信息不在系统里”的摩擦。
• • 风险管理智能化：会员侧智能保证金与风险分级，使产业客户在波动放大时更早收到预警；但模型若过度依赖历史波动，可能在结构突变（政策、极端供需）时失效，仍需人工套保纪律。
• • 中长期：若算力/词元衍生品成熟，用电、云与模型调用成本高的制造业、AI 应用企业，理论上可像对冲铜铝一样对冲“数字生产要素”价格——这是产业风险管理工具箱的扩展，而非短期就能普及的日常操作。

3. 做市商

做市商是流动性基础设施的“人肉+算法”混合体，对 AI 最敏感的三点是：

1. 1. 报价与库存风险：传统上已深度使用统计模型与强化学习做报价；交易所侧的智能监查提高了对“异常报价、幌骗式摆单”的识别精度，做市策略必须把合规约束写进目标函数，而不是事后靠人工辩解。
2. 2. 跨品种/跨市场关联：图模型与关系发现若用于监查，也会反向推动做市商内部用相似技术做风险簿记——识别自身多账户、多席位、期现头寸的净暴露。
3. 3. 新产品做市：算力期货一旦上市，做市商需要同时理解 GPU 租赁现货曲线、合约规格与传统金融保证金体系，商品做市能力 + 科技供应链知识成为新门槛；指数编制透明度将直接决定做市库存风险能否对冲。

简言之：AI 让做市更“聪明”，也让做市的一举一动更“可见”。

四、核心技术栈：各家实际在用什么

抛开营销话术，能复现的技术组合大致如下。

1. 监查与异常识别（交易所核心）

• • 规则引擎：映射交易所异常交易细则（自成交、频繁撤单、大额报撤、实际控制关系等）——高确定性、可审计，仍是底座。
• • 监督学习 / 排序学习：用历史“告警→分析师是否立案/采取措施”训练优先级模型（HKEX SMARTS ML 路径）。
• • 无监督与时序深度模型：孤立森林、自编码器、LSTM/Transformer 等，捕捉未知模式与微观结构突变（行业研究与会员风控中常见）。
• • 图神经网络 / 复杂网络：账户—资金—委托共现构图，挖伞形账户与协同操纵。
• • 多模态融合：Tick/订单簿 + 舆情文本；生成式模型负责文本侧摘要与调查叙事。
• • 可解释性工具：SHAP、LIME、证据卡片（Evidence Cards），满足监管“说得清为什么报警”。

2. 数据与计算底座

• • 流批一体：Kafka 等消息总线 + 实时流计算 + 离线数仓（大商所公开材料中的 MPP + Hadoop 类架构是国内典型表述）。
• • 特征平台：撤单比、订单流不平衡、冲击成本、实际控制关系标签等。
• • 模型服务：在线推理（ONNX Runtime / TensorRT 等）与离线训练分离；关键路径要求延迟可控。
• • 云与私有化并行：海外厂商多用公有云托管生成式能力（如 Bedrock）；国内金融机构偏好大模型本地化部署（DeepSeek 私有化是 2025 年样本）。

3. 交割与产业平台

• • 数字仓单与电子签章、工商数据对接、视频/液位等 IoT。
• • 场内外联动编排：场外点价事件驱动场内报单（状态机 + 交易 API），本质是可靠工作流，而非大模型。
• • 知识库 + RAG（趋势）：品种交割细则、升贴水、仓库名录喂给大模型，做对客问答——正在从期货公司向交易所服务门户渗透。

4. 新产品基础设施（算力/词元）

• • 基准指数工程：采样多云、多区域、多 SKU 的 GPU 租赁价，编制日度指数（Silicon Data 路径）。
• • 合约设计：现金结算 vs 实物/算力交割、最小变动价位、持仓限额、防操纵条款。
• • 词元计量标准化：国内推动 Token/词元作为统一计量与结算讨论单元——先有计量标准，才有期货合约。

五、落地中反复出现的六类难题

1. 1. 误报洪峰 vs 漏报黑天鹅纯规则在程序化时代误报极高；纯模型又难向监管解释。行业收敛到“规则兜底 + 模型排序 + 人工闭环”，但阈值与模型漂移需要持续运维。
2. 2. 标签稀缺与样本不平衡真正立案的操纵案例极少，监督学习容易过拟合历史手法；无监督能发现“怪”，却不一定等于“违规”。
3. 3. 可解释性与问责交易所采取限制开仓等措施，必须经得起复议与舆论。黑箱深度学习很难直接当唯一执法依据，因而生成式 AI 多被定位为调查副驾驶，而非自动裁决器。
4. 4. 数据孤岛与跨境/跨市场操纵常跨期货与现货、跨交易所甚至跨境。单一市场模型视野不足；数据共享又受隐私、竞争与监管边界约束。联邦学习被反复提及，规模化生产仍少。
5. 5. 核心交易系统的“AI 禁区”撮合、清算的确定性、可回放、可审计要求极高。业界普遍避免让 LLM 直接改订单状态；AI 更多停在旁路分析、容量规划与运维辅助，防止引入不可复现行为。
6. 6. 新品种的指数治理算力/词元期货的生命线是指数抗操纵与代表性。现货市场碎片化（不同 GPU、不同折扣、不同 SLA）会使基差与收敛困难——这是产品能否吸引真实套保盘的核心技术—制度问题，而不只是“再训练一个模型”。

六、正在收敛的核心框架（可复用的参考架构）

综合交易所与监管科技实践，一套可落地的“AI 增强型期货基础设施”框架可概括为四层闭环：

┌─────────────────────────────────────────────────────────────┐│  L4 决策与治理层                                              ││  人工终审 · 措施工单 · 模型治理(版本/回测/偏见) · 审计留痕          │└─────────────────────────────▲───────────────────────────────┘                              │ 建议/摘要/风险分┌─────────────────────────────┴───────────────────────────────┐│  L3 智能应用层                                                ││  监查：规则+ML+GNN+GenAI副驾驶                                 ││  清算风控：情景生成/参数建议                                     ││  产业服务：联动点价编排 · RAG客服/投教                            ││  数据产品：ML回测 · 指数与新品种研究                              │└─────────────────────────────▲───────────────────────────────┘                              │ 特征/Embedding/子图┌─────────────────────────────┴───────────────────────────────┐│  L2 特征与知识层                                              ││  微观结构特征 · 账户关系图谱 · 舆情/公告知识库 · 交割主体主数据       │└─────────────────────────────▲───────────────────────────────┘                              │ 清洗对齐的事件流┌─────────────────────────────┴───────────────────────────────┐│  L1 确定性事务层（AI弱介入）                                    ││  撮合 · 清算 · 保证金记账 · 仓单权属 · 权限与密钥                  │└─────────────────────────────────────────────────────────────┘

框架要点：

1. 1. 确定性内核不可让渡：L1 保持可回放、可审计；AI 不得静默改写成交与权益。
2. 2. 双引擎监查：规则给合规确定性，模型给覆盖率与优先级。
3. 3. 人在回路（Human-in-the-loop）：尤其大模型输出，只能作为证据整理与假设生成。
4. 4. 模型运营（MLOps/LLMOps）：监控漂移、定期用新案例重训、红队测试对抗性报单模式。
5. 5. 主体分轨服务：同一底座上，对交易者输出合规与数据服务，对产业输出期现工具，对做市输出低延迟接口与清晰的监管预期。

七、对照表：交易所 / 机构 × 技术 × 阶段

八、结语

回看全貌，AI 在期货交易所基础设施中的演进，其实沿着三条主线并行：

1. 1. 守住市场：监查从规则告警进化到行为建模与生成式调查——这是对交易者与做市商约束最强的一条线。
2. 2. 服务实体：仓单、交割、基差点价的数字化，决定产业客户能否低摩擦地使用期货；大模型在此更多是“说明书与操作员”，不是撮合本身。
3. 3. 定价未来：算力与词元试图把 AI 的生产要素纳入衍生品谱系——交易所基础设施从“服务传统商品”扩展到“给数字经济定价”。

对市场参与者，务实的态度或许是：把 AI 当成正在写入规则与接口的新常态——策略、合规模块、期现流程和人才结构，都要按“模型可观测、决策可解释、核心事务仍确定性”来改造。真正的竞争力，不在于谁先接一个聊天窗口，而在于谁能在 L1 的稳与 L3 的智之间，搭出经得起极端行情与监管追问的闭环。

参考来源

• • CME Group：CME Group and Silicon Data Partner to Launch First Compute Futures（2026-05-12）
• • Nasdaq IR：Shanghai Futures Exchange Launches New Market Surveillance Platform Powered by Nasdaq's SMARTS（2016）；HKEX Deploys Nasdaq SMARTS Machine Learning Technology（2018）；Nasdaq 生成式监查相关公告（2024–2025）
• • CME DataMine Machine Learning Service 产品页
• • 上海证券报：中信期货智能风控与 AI 应用专访
• • 中国证券报 / 期货日报等：大商所数字仓单、数字大商所建设报道
• • 证券时报系等：期货公司部署 DeepSeek 报道
• • 路透及相关财经转载：上期所词元期货研究（报道阶段，非官方产品公告）
• • 监管科技与异常交易识别的技术综述类材料（用于概括共性架构，不单独作为事实断言）