标签
作者将自己实盘交易系统中的风险/授权层开源为一个独立的默认拒绝（fail-closed）策略引擎，该引擎在每次执行前评估智能体操作，并正在寻找智能体构建者进行试点。
一位软件工程师讨论了功能开关在何种情况下有意义，例如用于A/B测试和复杂部署，并提醒团队在能够控制部署时不要过度使用它们。
本文分析了企业AI在受监管企业中的部署为何停滞不前，提出了一个包含准确性、可复现性、有据可依性和可检测性的生产标准。文章测量了不同模型和工具配置下的人工审查负担，表明置信度信号和来源引用可将审查率从100%降至49%，但自我验证增加了延迟，却没有提高错误容忍度。
美国政府问责署（GAO）的一份报告发现，美国能源部错失了向其他国家学习核废料清理方法的机会，这些方法能够降低风险和成本，报告建议采取更具战略性的国际合作。
网络安全已从技术合规障碍演变为核心业务要务，面对日益增长的人工智能相关威胁和监管复杂性，CISO的角色现在充当战略业务领导者和关系管理者。
本文提出了一种方法，用于在领先AI公司之间推导统一的安全阈值，以解决现有阈值的不一致性，涵盖滥用风险和自动化AI研发，并指出了实证方面的不足。
高盛开源了其内部量化交易工具库 gs-quant，提供机构级的衍生品定价、风险管理和策略开发工具，已获 11.3K GitHub Star。
本文提出了一种AI加速的端到端快速职业提升框架，该框架通过以下方式得到验证：获得NASBA认可的CPE学分、学习者在创纪录时间内通过NVIDIA Certified Professional in Agentic AI考试，以及生成了一个稳健的多智能体AI风险数据集。
本文为自主式AI部署开发了一个原生AI框架，用于承保、定价和合约设计。该框架将每个部署表示为一个风险状态，并围绕保费、免赔额和治理义务构建了一个合约设计问题。
观察从应对AI幻觉转向更紧迫的生产级AI故障问题，强调企业部署中需要系统可靠性、决策追踪和限制爆炸半径。
本文提出了一种深度强化学习框架（MORP-DRL），用于多目标基于可靠性的投资组合优化，在实践约束下使用CVaR和EVaR联合优化期望收益和下行风险，并在不同市场体制下的全球股票指数上展示了性能。
Raven-Agent 是首个面向预测市场的自主交易代理，具备明确的信念到交易层。它在受控回测中实现了正收益，弥合了校准预测与盈利交易之间的差距。
本文详细介绍了如何利用免费的AI开源工具（如OpenBB、Qlib、TradingAgents等）搭建个人量化交易系统，涵盖数据、研究、回测、风控和执行五大模块，并指出了常见陷阱与纪律。
文章认为，AI代理应根据风险拥有不同的权限级别，低风险任务拥有更多自主权，涉及金钱、客户或声誉的行动则需批准。文章质疑用户是否会因基于风险的自主权而更加信任代理。
本文研究了以人为中心的人工智能（HCAI）的采纳如何影响企业特有风险，发现HCAI与较低的风险相关，而数字化和高管持股增强了这一效应。
Deutsche Bank India 在其班加罗尔全球能力中心（GCC）展示了三款人工智能应用，包括用于自动化财务数据分析的 Financial Spreading，旨在加速银行业务并改善风险管理，但同时也使部分银行岗位面临风险。
文章强调了AI代理从起草转向自主行动时的关键风险转变，并警告了“漂移”现象——即人类审批沦为橡皮图章，从而引发非预期的自动化。
AI代理正从生成文本发展到处理真实金融交易和商业行动，这将风险从不良输出转变为有害行为，并引发有关问责制的关键问题。
一个开源的Python量化交易系统，利用AI、实时数据处理和风险管理，已免费发布。
探讨在虚拟数据室中使用AI处理机密文件的权衡，重点指出了数据泄露和幻觉等风险与效率提升之间的对比。