← 返回列表

【翻译】Part 1: 使用AI 进行交易到底靠不靠谱?

单站 凌晨一点零三分 发布 Thu, 06 Nov 2025 20:30:00 +0800 入库 2026-11-18T12:20:06

原创 收录 2025-11-06 20:30 中国香港

原文地址:https://blog.mobiusquant.ai/part-1-is-using-ai-for-trading-really-reliable-77d3e924acb1

AI Trading 到底靠不靠谱?这个问题随着 Nof1.ai 的 Alpha Arena 项目破圈出圈,开始被更广泛地讨论。

使用 AI 进行交易,正好也是我们团队长期专注的研究方向。接下来一段时间,我们将围绕 LLM 在交易中的应用、LLM Trading 的局限性、上下文管理与 CoT 优化方法、以及强化学习在 AI 交易中的融合等主题,持续发布系列技术博客。

大语言模型在交易过程中的实现逻辑

Alpha Arena 的第一期已经结束,对于排名的讨论其实没有太大意义。

从比赛过程来看,Alpha Arena 中的各个模型主要依据提示词和仓位反馈进行判断,呈现出典型的趋势交易特征。

然而,在量化交易的完整流程中,一笔趋势交易应包含信号评估、状态评估与仓位管理等多个环节。这些关键要素在提示词中并未体现。根据页面中 ModelChat 的展示,核心提示信息仅包括代币的简单指标与价格情况。

因此,这种“全托管式”的 AI 交易方式在实际应用中存在较大风险与局限。预计在后续的比赛中,项目方会对整体逻辑进行调整与优化。

不过,我们可以以 Alpha Arena 为引子,简单介绍一下 AI Trading 系统的设计逻辑。

总体而言,一个完整的 AI Trading 系统通常由以下几个核心部分组成:

a. 数据层

功能:稳定、全面地采集并存储所有与交易相关的原始数据。

获取的数据主要分为两类:行情数据 和 舆情数据。

主要来源于 Binance、Hyperliquid 等交易所的行情 API。

固定周期数据可通过REST API获取,而实时监控则依赖WebSocket API。

常见数据类型包括 Kline(K线)、深度、盘口挂单及成交明细等。

主要用于情绪分析。此类指标通常属于“宽指标”,仅具参考意义,权重较低。

仅在出现宏观事件(如 CPI、PPI 或 Taco 等)时,舆情指标的权重才会显著提高。

LLM 角色:

为舆情数据进行语义理解与标签化处理(即情绪分类与主题识别),为后续策略层提供特征输入。

b.指标与特征工程层

功能:

将原始数据加工为“可直接用于决策的特征”。

常规量化特征包括:

将“多指标 + 多周期”的量化特征结果输入 LLM,由其生成对当前行情的自然语言描述与综合评分。

需要强调的是:指标计算由程序完成,特征描述由 LLM 负责。

特征描述的核心目标是为决策系统提供高信息密度的输入。为了提升响应效率,此阶段的 LLM 不需要使用大型推理模型,经过简单微调的 32B 甚至 14B 轻量级模型即可胜任。

c.策略层

策略层是整个交易系统的“中枢大脑”,负责将市场信号、模型输出、AI 推理与风险约束整合为最终的交易决策。它决定系统的 买 / 卖 / 观望 行为、仓位大小 与 执行时机,是整个体系中最核心的部分。

策略层通常由两部分构成:

硬逻辑(规则 / 模型) + 软逻辑(LLM 推理)

硬逻辑指基于传统规则或数学模型计算得到的结果,包括:

这部分逻辑具备可回测、可复现的特性,是确定性的量化路径,由程序代码直接计算完成。

软逻辑指 LLM 对多种规则的综合理解与权衡。AI 大模型会基于特征摘要与上下文信息,进行“语言化决策”或模糊判断,从而补充硬逻辑无法覆盖的非结构化信息与语义关联。

输入:

{

"BTCUSDT": {

"MA_1h": 0.82,

"VWAP_Trend": "up",

"FundingRate": 0.012,

"OI_Change": "+5.3%",

"Sentiment": "positive",

"Event": "ETF inflow + news: 'BTC institutional demand rising'"

}

}

LLM 输出:

{

"decision": "LONG",

"confidence": 0.87,

"reason": "MA_1h and VWAP confirm trend; funding neutral; OI increase supports breakout."

}

在这一层中,LLM 参与交易决策,主要承担以下几项工作:

LLM 的角色:充当行情推理与决策的大脑。

传统量化系统在多指标、多因子决策中,常采用线性加权、投票机制或强化学习等因子融合方式。

但无论哪一种,本质上都存在 因子间高度相关、权重难以动态调整、以及模型缺乏对市场状态切换的自适应能力 等问题。

在 LLM 场景 下,系统可以通过 Prompt 将结构化行情数据与自然语言描述相结合,让模型在语义层面理解市场状态。LLM 能够判断当前哪些因子更具解释力,动态调整其权重,并输出具有可读性的决策理由。

这意味着量化系统不再只是一个“因子加权器”,而演化为具备 语义推理与可解释性 的智能分析层。

关键在于:如何让 LLM 进行合理的推断,使其像一位经验丰富的交易员那样思考与判断。这一主题涉及 LLM 的局限性、上下文管理以及思维链(Chain of Thought, CoT)等内容,我们将在后续的博文中专门展开讨论。

d.执行与交易路由层 / 监控、报警与可视化层

功能:将上层的交易决策真正落地执行——即将指令发送至交易所(如 Binance、OKX、Hyperliquid 等),并对执行过程进行跟踪、监控与可视化展示。

在实现上,这一层主要负责对交易所 API 的封装与调用。系统会解析 LLM 输出的格式化 JSON 下单数据,并执行对应的交易操作。

除此之外,其他部分主要属于常规的工程化实现,例如:订单状态回调、日志记录、异常报警、以及执行结果的可视化呈现等。

{

"meta": {

"model": "gpt-5-trading-001",

"timestamp_utc": "2025-10-06T08:30:15Z"

},

"context": {

"symbol": "BTCUSDT",

"timeframe": "15m",

"price": 103281

},

"decision": {

"action": "OPEN_LONG",

"confidence": 0.86,

"position_size_usdt": 6000,

"leverage": 3,

"entry_price": 103281,

"stop_loss": 101200,

"take_profit": [102261, 104251],

"valid_for_s": 120

},

"reasoning": {

"summary": "1h 与 15m 周期均处上升趋势,资金费率中性且 OI 稳定增加,推测为健康多头延续。",

"factors": ["xxx = 0.82", "xxx_趋势=上", "Funding=0.012", "OI_+5.3%"]

},

"risk_flags": {

"within_limit": true,

"high_volatility": false

}

}

总结

在量化交易场景下,AI 的核心价值在于为“多指标、多因子”的决策系统提供了一种更智能的解决路径。

回顾整个流程,LLM 在交易系统中的主要作用可以归纳为以下三个方面:

其中最关键的,是 特征描述 与 多因子决策 这两个环节

两者所使用的 LLM 类型与目标并不相同:

需要特别强调的是,一股脑地将所有数据直接喂给 LLM,效果往往极差。正如 AlphaArena 的表现所示,若缺乏结构化输入与信息压缩,模型难以形成有效决策。

在实际应用中,提交给决策层的内容必须经过筛选与压缩,提升信息密度,才能在有限的上下文窗口中实现高质量推理。

看到这里,相信你已经对 AI Trading 有了更客观、系统的认识。在接下来的章节中,我们将深入探讨 LLM 的局限性、决策优化路径,以及 如何让模型真正具备交易员式的思考能力。

关于我们

Mobius Quant 是一个以 指标研发 与 人工智能(AI) 为驱动力的量化研究团队,致力于打造更高效、更智能的交易系统。

不久之后,我们将在官网上展示由 AI Agent 驱动的实盘交易成果,敬请期待。

原文链接:https://mp.weixin.qq.com/s?__biz=MzIxMjI0Mzk0OQ==&mid=2247485638&idx=1&sn=783368ff73646d3e2d04da35023f7a8d