把 AI 丢进真实市场:港大发布实时自主交易基准 AI-TRADER

新闻

作者：微信文章






随着大型语言模型（Large Language Models, LLMs）在自然语言理解、推理和工具调用方面取得显著进展，学界和产业界开始尝试将其部署为能够自主决策的智能体。然而，大多数现有评估仍停留在静态数据集或离线模拟环境中，这类基准很难反映真实世界中连续变化、反馈即时且后果真实的复杂系统。

金融市场恰恰构成了这样一个高强度试验场。市场持续运行、价格剧烈波动、信息高度噪声化，每一次决策都伴随着直接的经济后果。香港大学的研究团队正是在这一背景下提出了 AI-TRADER，试图回答一个核心问题：具备通用智能能力的 LLM 智能体，在真实、实时的金融市场中，究竟能表现到什么程度？

AI-TRADER 是首个完全自主、实时运行且数据无污染的基准，专门用于评估 LLM 智能体在真实金融市场中的交易与决策能力。

研究团队的出发点并非证明 AI 已经能够战胜市场，而是系统性地揭示通用智能在高风险动态环境中的真实边界，从而为下一代自主智能体的设计提供更可靠的参考。


AI-TRADER 的架构设计

传统的金融 AI 评估往往依赖于历史数据，这种方式极易受到“数据泄露”的影响。由于 LLM 的预训练数据可能已经包含了历史行情，智能体在回测中表现优异可能只是因为它们“背下了答案”，而非具备真正的预测能力。

AI-Trader 的核心创新在于构建了一个完全脱钩的实时评估环境，实现了真正意义上的“数据无污染”。

环境解耦，闭环决策



AI-TRADER 在架构层面将交易环境与交易智能体彻底解耦，使得不同模型可以在完全一致的市场条件下接受评估。整个系统围绕一个持续运行的 「观察—推理—行动」 闭环展开。

每一个决策步骤都要求智能体经历复杂的思维链路。首先，通过工具调用获取市场现状；随后，遵循 ReAct 范式进行自主推理，并以自然语言形式记录下其思考过程；最后，执行“买入”、“卖出”或“持有”的离散指令。
最小信息范式与自主工具调用

AI-TRADER 的一个关键创新在于其采用的最小信息范式（Minimal Information Paradigm）。智能体在初始状态下只被提供三类基础信息：

• 可调用的工具列表• 当前投资组合持仓• 实时市场价格

系统不会向智能体注入任何人工整理的宏观判断、行业观点或专家规则。所有额外信息，包括新闻、宏观事件、市场背景，都必须由智能体通过工具自主搜索、筛选和验证。

工具链基于 Model Context Protocol（MCP） 构建，覆盖价格查询、网页搜索、金融新闻检索、数学计算与交易执行等功能。所有工具均设置了严格的时间过滤机制，以确保智能体只能访问当下可获得的信息，从根本上避免数据泄露问题。

其核心工具链集成了五大基础能力：

1. Check Price：查询跨市场的历史与即时量价数据。2. Search：实时检索互联网公开信息，严格限制在当前模拟时间点之前，杜绝未来信息干扰。3. News：获取结构化的金融新闻及情感信号，补充专业媒体视角。4. Math：进行复利计算、仓位配比等数学运算。5. Trade：执行符合市场规则的订单（例如 A 股的 100 股一手限制），并同步更新现金流。

在 AI-TRADER 中，成功不来自于“知道得多”，而来自于如何在不确定性下获取、验证并使用信息。

跨市场评估

研究覆盖了三个结构和行为差异显著的全球市场：

• 美国股票市场：涵盖全部 100 支 Nasdaq-100 成分股，按小时频率进行交易• 中国 A 股市场：涵盖 50 支 SSE-50 成分股，按日频进行交易• 加密货币市场：涵盖 10 个主流交易对，按日频运行

这种跨市场设计为评估模型的泛化能力提供了天然的对照
实验设计与模型对比

研究人员对 DeepSeek-v3.1、MiniMax-M2、Claude-3.7-sonnet、GPT-5、Qwen3-max 以及 Gemini-2.5-flash 六款主流 LLM 进行了为期一个多月的实时测评。结果出人意料：尽管这些模型在通用任务上已经展现出顶级智慧，但在金融这一高风险领域，它们的表现差异极大。

实验数据表明，通用智能的领先地位并不能自动转化为交易的成功，大多数智能体在风险管理和跨市场泛化方面表现不佳。

关键绩效指标的整体分布



在美国市场，MiniMax-M2 表现最为惊艳。它实现了 9.56% 的累计回报率（CR），并拥有高达 4.42 的索蒂诺比率（Sortino Ratio）。相比之下，GPT-5 的累计回报率仅为 1.56%，甚至低于 QQQ 基准指数的 1.87%。这说明即使是最强大的模型，在没有特定金融逻辑优化的情况下，也很难在成熟市场跑赢指数。

而在 A 股市场，环境的挑战性显著增加。GPT-5 和 Qwen3-Max 分别遭受了 3.53% 和 3.86% 的显著损失。这种负收益现象反映了 AI 在面对政策主导型市场时的迷茫。

从整体指标分布来看，不同智能体之间的差异十分显著：

• 累计回报率（CR）：区间从 -18.63%（Gemini 于加密市场） 到 +9.56%（MiniMax-M2 于美国市场）• 索蒂诺比率：MiniMax-M2 在所有市场中持续领先，显示出卓越的风险调整后收益• 最大回撤：部分智能体在极端行情中经历了 超过 15% 的回撤，暴露出对尾部风险的高度敏感

这些结果表明，即便在完全一致的环境下，模型结构与决策机制的差异也会被真实市场迅速放大。
风险管理决定长期表现



在所有模型中，MiniMax-M2 展现出了最为稳定的跨市场表现。其优势并非来自激进的收益追逐，而是源于对下行风险的持续抑制。

在美国市场中，MiniMax-M2 实现了 9.56% 的累计回报率，同时拥有 4.42 的索蒂诺比率，最大回撤仅为 -4.92%。这种稳健的风险控制结构，使其在不同市场环境中均能保持相对一致的表现。

实验结果显示，跨市场稳健性更多来自风险管理能力，而非单次市场判断的准确性。

相比之下，部分模型在单一市场中取得较好收益，却在其他市场迅速失效，暴露出策略结构高度依赖特定环境的问题。
市场结构对智能体性能的影响

研究进一步表明，市场的流动性与制度特征显著影响 AI 智能体的表现。在流动性充足、信息透明度较高的美国市场中，多个智能体实现了正向超额收益，包括 MiniMax-M2、DeepSeek-v3.1 和 Claude-3.7-Sonnet。

然而，在波动性更高、政策影响更强的 A 股市场中，所有智能体均未能跑赢 SSE-50 基准。其中，GPT-5 与 Qwen3-Max 分别录得 -3.53% 和 -3.86% 的显著损失。

在可预测性较低、制度干预频繁的市场中，自主智能体面临的挑战被显著放大。

这一结果提示，自动化交易系统对市场微观结构的适应能力，仍然是当前 LLM 智能体的一大短板。
跨市场泛化能力

多市场评估清晰地揭示了当前模型在泛化能力上的局限。DeepSeek-v3.1 是一个具有代表性的案例：它在美国市场实现了 8.39% 的累计回报率，索蒂诺比率达到 3.73，但在 A 股市场却转为 -1.23% 的负回报。

在加密货币市场中，该智能体通过维持较高现金仓位并执行「逢低买入」策略，重新获得了正向表现。这种策略切换并非源于显式规则，而是智能体在持续交互中形成的行为模式。

案例分析显示，智能体在决策中呈现出类似人类投资者的行为与脆弱性。DeepSeek-v3.1 曾通过自主检索贸易紧张相关新闻，成功规避了美股市场的一次显著下跌；但在 A 股市场中，它却直接采信了未经充分验证的「结构性慢牛」叙事，从而错失了后续行情。


结语

AI-TRADER 的研究结论为金融领域的自主智能体开发提供了重要启示。实验表明，复杂推理能力并不会自动转化为可盈利、可控风险且可泛化的交易系统。

当前 LLM 智能体在真实金融市场中仍明显受限，尤其在风险管理、信息验证与跨市场适应性方面。通过引入完全自主、实时决策与真实经济后果，AI-TRADER 为评估和改进高风险环境下的智能体提供了重要基准，也为下一代金融与现实世界自主系统的发展指明了方向。
论文原文

Fan, T., Yang, Y., Jiang, Y., Zhang, Y., Chen, Y., & Huang, C. (2025). AI-Trader: Benchmarking Autonomous Agents in Real-Time Financial Markets. arXiv preprint arXiv:2512.10971.

💬 想深入了解对冲基金策略、顶级研究员的思维框架与实战经验？
欢迎加入 LLMQuant知识星球，获取第一手资料与独家内容。