AI學習與應用體會系列文章05:AI管理強積金
接上文
技術上做到，係咪代表值得做？
AI 可以搜集基金資料、計算目標配置同提醒偏離；真正困難係登入、多重認證、瀏覽器變動、敏感資料同維護責任。成熟嘅自動化唔係追求零人手，而係將機器放喺高回報、低風險嘅位置。
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
上一篇講到筆者點樣用 AI 將投資資料、策略規則同組合監察連成一個流程。將同一套方法放入強積金，表面上似乎更容易：基金範圍較集中，調整唔需要日日做，系統計好目標比例之後，只要登入平台改幾個數字。
但真正做落，筆者反而覺得強積金係一個好好嘅自動化教材。前面嘅資料搜集、計算同提示相對容易；最後嗰幾個按鈕，卻牽涉登入憑證、多重認證、平台版面、確認程序同真實資產。技術上做到全自動，唔代表成本、保安風險同實際收益成正比。
見到 Agent 可以控制瀏覽器，好自然會想將整個流程由登入到提交一次過交俾佢。eMPF畫面上只係幾個選單同百分比，似乎比分析年報簡單得多。但工程上，最難嘅往往唔係正常情況，而係平台改版、頁面載入失敗、驗證逾時、資料未更新、前一次指示仍然處理緊，或者系統完成咗一半就斷線。
所以，筆者會將「能力測試」同「實際部署」分開。證明 Agent 可以撳到按鈕，只代表技術可行；要判斷值唔值得長期使用，仲要計節省幾多時間、錯一次會有幾大影響、維護由邊個負責，以及有冇更簡單、更安全嘅替代方法。
| 成熟嘅自動化，唔係用「機器完成咗幾多步」衡量，而係用節省時間、減少錯誤、改善紀律同承擔風險一齊衡量。 |
對筆者嚟講，強積金流程最有價值嘅自動化，並唔係代筆者登入eMPF，而係將每次調整之前需要做嘅工作固定化。呢部分重複、規則清楚，而且大多數係讀取基金價格同回報及策略計算，風險遠低於直接登入修改eMPF帳戶。
1｜資料搜集：定期取得所屬計劃、可選基金、基金價格、資料日期、基金說明同其他需要嘅公開或帳戶資料。
2｜名稱對照：為每隻基金保存穩定代號，避免相似名稱、中英文顯示或者平台文字改動造成配錯。
3｜策略計算：按照已批准規則，用固定程式計算目標比例；總和必須等於百分之一百，並記錄程式同規則版本。
4｜現況比較：讀取現有配置、已提交但未生效嘅指示同新供款設定，清楚區分系統正在比較邊一部分。下載PDF然後交俾AI agent讀取就可以。
5｜觸發判斷：偏離未超過容許範圍就唔處理，避免為小數點變動或者短期升跌不停改配置。
6｜決策文件：產生一頁清單，列出資料截至日期、現有比例、目標比例、需要改動、改動後結果同異常警告。
呢個流程完成之後，人手操作可能只剩低登入、下載PDF、核對同提交。即使最後一步完全手動，AI 已經消除咗大量重複查找、抄寫同計算工作，亦令每次決定使用同一套標準。
如果 Agent 只交出一句「將基金 A 調到百分之四十」，其實仍然唔夠。要知道佢用咗邊日資料、邊個策略版本、現有比例係點讀返嚟、今次改動係針對現有結餘、日後供款，定係兩者都有，以及有冇其他指示尚未完成。
筆者會要求每次輸出都包含幾個可以逐項核對嘅部分：
資料快照：資料來源、截至日期、基金代號同名稱，並標示任何缺失或者過期項目。
策略快照：策略版本、主要參數、容許偏離範圍，以及今次點解觸發調整。
配置比較：現有比例、目標比例、差距、總和檢查，同埋調整前後嘅完整配置。
執行清單：平台上需要選擇嘅項目同輸入比例，但唔包含密碼、一次性驗證碼或者其他登入憑證。
完成核對：提交後預期狀態、平台確認結果，同埋需要保存嘅非敏感操作紀錄。
基金名稱有時好相似，亦可能因平台語言或者顯示方式而不同。系統唔應只靠文字相似度估配對，而要用受控對照表；遇到新名稱或者無法確認嘅代號就停止。總比例唔等於百分之一百、資料過期、平台現況同上次紀錄不一致，亦都應該標示為例外，而唔係自行補數。
強積金平台現時沒有提供方便個人使用嘅公開 API。要做到全自動，通常要靠瀏覽器自動化：開啟頁面、輸入帳戶資料、處理多重認證、選擇基金、輸入比例、閱讀確認頁，再提交指示。
每一步本身都可以寫成程式，但將佢變成可以長期信任嘅系統，就要處理大量外部依賴：
版面依賴：按鈕、欄位、選單或者頁面路徑一改，原本嘅操作流程就可能失效。
狀態依賴：登入逾時、彈出提示、前一次指示未完成或者網絡中斷，都會令畫面同預期不同。
認證依賴：多重認證通常需要由帳戶持有人確認，亦唔應該為咗自動化而削弱。
結果依賴：Agent 撳過提交掣，唔代表平台已經接受指示；必須讀到明確確認，否則狀態只可以標示為不明。
保安依賴：密碼、登入狀態、復原資料同操作紀錄都屬敏感資料，需要同模型對話、一般日誌同開發環境分隔。
多重認證本來就係用嚟阻止只憑一組密碼完成高風險操作。如果為咗方便自動化，而長期保存登入狀態、分享一次性驗證資料或者削弱確認步驟，就等於用增加保安風險去換取幾分鐘便利。對涉及退休資產嘅帳戶，筆者唔會將呢個取捨視為純技術問題。
每月一兩分鐘，全年其實只係十幾至二十幾分鐘
以筆者自己為例，假設每月先由系統計好一次目標配置，登入平台按照清單手動更改，可能只需要一至兩分鐘。即使每月都調整，一年節省嘅純操作時間大約只係十二至二十四分鐘。
但一個全自動系統唔係寫完一次就永遠運作。佢需要建立、測試、監察、更新版面流程、管理憑證、處理失敗、保存紀錄，同埋每次平台改動之後重新驗證。真正成本仲包括一次錯誤配置、重複提交或者帳戶資料外洩可能造成嘅損失。
MPF: 低頻、後果較大、狀態複雜而且未必容易即時逆轉嘅操作，通常唔係最適合全自動化嘅候選。相反，ETF: 每日重複、規則清楚、容易驗證、失敗可以回復，而且有正式 API 嘅工作，先更容易得到正收益。
將自動化分成四級，與其只問「自動定手動」，更傾向將流程分級，按實際需要逐步增加權限：
第一級｜監察自動化：系統只讀取資料、更新基金價格、計算配置同發出偏離提示，完全唔接觸帳戶操作。
第二級｜決策準備：系統再產生完整配置表、觸發原因、核對清單同操作步驟，等人判斷是否採納。
第三級｜人機協作執行：人自行登入平台同通過認證，按照已核對清單輸入；AI 可以協助檢查總和同前後一致性，但提交由人完成。
第四級｜全自動執行：系統直接登入、修改同提交；只應喺有清楚長期收益、受支援介面、嚴格權限、完整測試、審批同停止機制時考慮。
對強積金呢類低頻而又涉及長期資產嘅操作，筆者較傾向停喺第三級：機器準備，人負責提交。呢個唔係一套未完成嘅自動化，而係刻意將控制邊界放喺風險最高嘅位置。
最好嘅方案，往往係九成自動、最後一成由人做
當資料搜集、基金對照、策略計算、偏離判斷、配置表同提醒都自動完成，人只需要處理低頻而高風險嘅最後一步，已經取得大部分實際效益。為咗追求百分之一百自動，而承擔額外憑證、維護同失敗風險，未必係一個成熟選擇。
自動化嘅成熟度，唔係睇取消咗幾多人手步驟，而係睇系統有冇將重複工作交俾機器、將精確計算交俾程式、將敏感權限收窄，同時將價值判斷同責任留俾人。知道邊一步唔應該自動化，本身就係系統設計能力。
呢篇文章分享嘅係點樣評估強積金工作流程同自動化邊界，唔係任何基金、配置或者轉換指示嘅建議。實際操作仍然要按照自己嘅情況，同埋所屬計劃及平台提供嘅最新資料作判斷。
43個新MPF策略, AI 幫我Kill 左27個, 得7個Pass可以持續觀察.
6個MPF計劃合共90個策略表現，AI自動觀察，最高CAGR 16.1%。筆者一直寫書寫文章嘅心願，就係呢啲研究成果可以幫助到香港人去管理MPF。以前要由SAA, TAA入手，又excel又手計，依家有AI，其實人人都可以做到上面呢啲portfolio dashboard。
將AI 結合強積金令筆者更清楚，自動化值唔值得，主要取決於頻率、可逆性、資料敏感度、失敗成本、介面是否受支援，同埋人手替代方案有幾簡單。呢套判斷唔只適用於金融，亦適用於之後每一個 AI 項目。
下一篇，會由一個網站項目講起。
下一篇
一個人點樣用 AI Agent 由零建立網站
下一篇會由網站定位、同類網站研究同資訊架構開始，講到數據庫、Frontend、Backend、測試、部署、SEO、GEO，以及點樣用一個主要 Agent 協調多個 sub-agents，同時控制模型成本、工具權限同高風險操作。