2025 年 10 月，美股經(jīng)歷了一輪典型的震蕩行情：月初科技股強勢反彈，月中通脹數(shù)據(jù)擾動市場，10 月 10 日前后納指單日波動超過 3%。

就在這波譎云詭的市場環(huán)境中，港大黃超教授團隊的開源 AI-Trader 項目正式啟動實盤測試。

該項目上線一周時間在 GitHub 上獲得了近 8K 星標，展現(xiàn)了社區(qū)對 AI 自主交易技術(shù)和金融市場分析的能力高度關(guān)注。

• 開源項目地址： https://github.com/HKUDS/AI-Trader
• 實時交易監(jiān)控： https://hkuds.github.io/AI-Trader/

六位大模型 AI 交易員，每人手握 1 萬美元啟動資金，被獨自投入納斯達克 100 的激烈戰(zhàn)場。

規(guī)則嚴苛：不能求助、不能預(yù)知、不能重來。

它們只能憑借自己的「智慧」——看新聞、查價格、分析數(shù)據(jù)、執(zhí)行交易，在真實的市場風(fēng)暴中求生存、求盈利。在 10 月一整月的實盤交易后，它們交出了截然不同的答卷：

作為參照，同期 QQQ（納斯達克 100 ETF）僅上漲 +2.30%。

這并非單純的智力較量，而是一場深度的行為金融學(xué)實驗。

實驗核心在于測試 AI 系統(tǒng)的三項關(guān)鍵能力：

交易紀律：能否嚴格執(zhí)行既定策略，不被短期波動左右

市場耐心：在高頻噪聲中保持冷靜，等待真正的交易機會

信息過濾：從海量市場數(shù)據(jù)和新聞中篩選出真正有價值的信號

這種設(shè)計反映了現(xiàn)代量化交易的核心挑戰(zhàn)：技術(shù)分析已經(jīng)高度同質(zhì)化，真正的競爭優(yōu)勢往往來自于行為控制和信息處理的差異化能力。

震蕩中的六種 AI 的「生存策略」

10 月 10 日的市場震蕩為這場 AI 交易實驗提供了一個理想的壓力測試場景。各 AI 系統(tǒng)的反應(yīng)模式，清晰地展現(xiàn)了其底層算法架構(gòu)和決策框架的本質(zhì)差異。

DeepSeek-Chat-V3.1：在恐慌中看見機會，反向思維的量化體現(xiàn)

策略特征：逆向情緒交易在市場普遍減倉時，DeepSeek 于 10 月 11 日反向加倉 NVDA 和 MSFT。其決策邏輯基于基本面分析：「財報季臨近，龍頭公司基本面未變，短期波動提供更好入場點。」

分析要點：這種策略成功的關(guān)鍵在于其對市場情緒與基本面價值的區(qū)分能力。13.89% 的領(lǐng)先收益驗證了 contrarian 策略在震蕩市中的有效性。

MiniMax-M2：穩(wěn)如磐石的「平衡術(shù)」，低頻交易的風(fēng)險控制優(yōu)勢

策略特征：組合平衡 + 低換手率 MiniMax 在震蕩期間基本未調(diào)整倉位，月度總交易次數(shù)僅 28 次。其預(yù)先構(gòu)建的均衡投資組合（科技 + 消費 + 半導(dǎo)體）有效分散了單一板塊風(fēng)險。

分析要點：該模型體現(xiàn)了噪音與信號分離的核心理念。10.72% 的穩(wěn)定收益說明，在高波動環(huán)境下，策略一致性往往比靈活性更重要。

Claude-3.7-Sonnet：長期主義者的勝利

策略特征：長期持有 + 基本面導(dǎo)向 Claude 自 10 月 1 日起持續(xù)增持 NVDA、AAPL、MSFT，即使在 10 月 10 日的暴跌中也未減倉。其決策框架明確基于企業(yè)長期價值：「現(xiàn)金流強勁、AI 業(yè)務(wù)增長可見?！?/p>

分析要點：7.12% 的收益率雖不突出，但其低回撤、高一致性的表現(xiàn)體現(xiàn)了經(jīng)典價值投資理念在 AI 交易中的可行性。

GPT-5：靈活但略顯猶豫

策略特征：適應(yīng)性調(diào)倉 GPT-5 試圖通過 10 月 8 日減持 MSFT、10 月 12 日回補的操作實現(xiàn)「動態(tài)優(yōu)化」，但兩次調(diào)倉均未能精確把握市場時點。

分析要點：7.11% 的收益與 Claude 基本持平，但其策略執(zhí)行中暴露的時機判斷偏差問題，反映了高頻調(diào)整策略在實際交易中面臨的執(zhí)行成本。

Qwen3-Max：等待「完美時機」的代價

策略特征：擇時等待 Qwen3 前兩周保持空倉狀態(tài)，直到 10 月 18 日才開始建倉 NVDA 和 META，試圖等待「完美入場時機」。

分析要點：3.44% 的收益率揭示了擇時策略的根本性挑戰(zhàn)：市場最佳機會窗口往往稍縱即逝，過度等待的機會成本可能超過風(fēng)險收益。

Gemini-2.5-Flash：被噪聲淹沒的「高頻戰(zhàn)士」

Gemini 月度交易 73 次，僅 10 月 10 日就執(zhí)行 5 次買賣操作。更關(guān)鍵的是，其 10 月 22 日的全倉清倉決策產(chǎn)生了顯著的市場沖擊成本。

分析要點：-0.54% 的負收益主要源于兩個結(jié)構(gòu)性問題：過度交易導(dǎo)致的摩擦成本累積和情緒化決策導(dǎo)致的時機錯誤，這正是傳統(tǒng)高頻交易策略在小資金規(guī)模下的典型失效模式。

真正的智能，是克制「做點什么」的沖動

這場實驗揭示了一個反直覺的事實：在復(fù)雜系統(tǒng)中，行動力未必是優(yōu)勢，有時反而是負擔(dān)。

Gemini 擁有最快的推理速度和最豐富的參數(shù)，卻因「過度反應(yīng)」而失??； Qwen 追求絕對安全，卻因「過度等待」而錯失良機； 而 DeepSeek 和 MiniMax 的成功，恰恰源于它們知道何時該動，何時該靜。

這讓人想起巴菲特那句老話：

「別人恐懼時我貪婪，別人貪婪時我恐懼?！?br/>

但 AI 沒有「恐懼」或「貪婪」——它們有的，是對信息的過濾機制、對目標的錨定能力，以及對自身策略的忠誠度。

DeepSeek 不是預(yù)測了市場， 而是拒絕被市場牽著鼻子走。

開源平臺：

不只是炒股，更是研究「智能行為」

AI-Trader 已在 GitHub 開源（MIT 協(xié)議），支持：

• 多模型并行回測（現(xiàn)支持 DeepSeek、Claude、GPT、Qwen、Gemini、MiniMax）
• 自定義市場環(huán)境（可模擬 2020 年熔斷、2022 年加息等極端場景）
• 決策日志全透明回溯（查看 AI 每一步推理鏈）
• 未來將支持 A 股、港股、加密貨幣等多市場接入

你甚至可以：

• 給 Claude 加上「價值投資」人格提示，看它是否更保守；
• 讓 Gemini 接入情緒過濾插件，測試能否減少噪聲干擾；
• 或訓(xùn)練一個「宏觀 AI」，結(jié)合美聯(lián)儲利率路徑做資產(chǎn)配置。

但請記?。哼@仍是實驗，不是投資工具。當前 AI 尚無法穩(wěn)定戰(zhàn)勝市場，且極端行情下可能放大風(fēng)險。

結(jié)語：

AI 交易的鏡像效應(yīng)

通過觀察六個 AI 系統(tǒng)在股市中的表現(xiàn)差異，我們不僅看到了算法架構(gòu)的不同，更重要的是，它們映射出了人類投資者的典型行為模式：

• 過度交易沖動：如 Gemini 在市場波動時的頻繁操作
• 擇時焦慮：如 Qwen 過度等待「完美時機」的決策延遲
• 情緒化決策：在不確定性面前的紀律性缺失

實驗的深層價值

AI-Trader 項目的意義并非在于創(chuàng)造超額收益，而在于提供了一個決策行為的分析框架。通過量化不同策略在相同市場環(huán)境下的表現(xiàn)，我們能夠更客觀地理解：

有效的投資決策往往來自于對不確定性的合理管理，而非對市場的完美預(yù)測。

中國 AI 的實踐進展

值得注意的是，本次實驗中表現(xiàn)領(lǐng)先的 DeepSeek 和 MiniMax 均為中國開發(fā)的大模型。這表明中國 AI 技術(shù)正在從對話交互能力向?qū)嶋H任務(wù)執(zhí)行能力演進，在金融決策這類復(fù)雜場景中展現(xiàn)出了可觀的應(yīng)用潛力。

技術(shù)應(yīng)用的前景展望

金融交易作為一個標準化、數(shù)據(jù)豐富的應(yīng)用場景，為 AI 決策能力提供了理想的驗證環(huán)境。隨著模型能力的持續(xù)提升，類似的 AI 系統(tǒng)有望在供應(yīng)鏈優(yōu)化、醫(yī)療資源配置、城市管理等更多復(fù)雜決策場景中發(fā)揮作用。

當然，從實驗室到實際應(yīng)用，仍需要在監(jiān)管合規(guī)、風(fēng)險控制、系統(tǒng)穩(wěn)定性等維度進行更深入的驗證和優(yōu)化。

團隊介紹

范天宇，香港大學(xué)博士二年級學(xué)生，研究方向為檢索增強生成 (RAG) 與大語言模型智能體。學(xué)術(shù)成果發(fā)表在 ICLR 會議，并主導(dǎo)開源項目 MiniRAG (約 1.5k GitHub 星標)，在學(xué)術(shù)與產(chǎn)業(yè)界獲得廣泛應(yīng)用與關(guān)注。

蔣揚欽，香港大學(xué)博士四年級學(xué)生，研究方向涵蓋大模型智能體、圖學(xué)習(xí)與推薦系統(tǒng)。其研究成果入選 KDD 2022 最有影響力論文榜單，并獲 ACM MM 2024 Best Paper Honorable Mention Award。

楊雨豪，香港大學(xué)博士四年級學(xué)生，谷歌學(xué)術(shù)引用 1800+。主要研究方向為大模型智能體、圖學(xué)習(xí)與推薦系統(tǒng)。其成果多次入選頂級會議最有影響力論文榜單 (KDD 2022/2023、WWW 2023、SIGIR 2022)。其開源多模態(tài) GUI 智能體 Aria-UI 在學(xué)界與業(yè)界獲得關(guān)注。

黃超，香港大學(xué)博士生導(dǎo)師，研究方向大語言模型、智能體與圖機器學(xué)習(xí)，Google Scholar 引用 1.3 萬+。其團隊推出 LightRAG、RAG-Anything、DeepCode、AutoAgent、AI-Researcher、MiniRAG、VideoRAG 等開源項目，累計 6 萬余 GitHub 星標、50 次登上 GitHub Trending。曾獲 WAIC「璀璨明星」、2024 前沿科學(xué)獎，并入選 2025 AI100 青年先鋒與 AI 2000 全球最具影響力學(xué)者。其多項成果在 KDD、WWW、SIGIR、AAAI 等頂會被評為最具影響力研究之一，并于 ACM MM、WWW、WSDM 等獲得最佳論文提名。