CryptoPainter
CryptoPainter
老朋友叫我“画师”，技术\数据分析和量化交易，提供各种刁钻角度看市场，用时间做杠杆。 实盘为Agent账户，正在测试的一个自进化策略系统，请勿跟单！
32关注中
3,396粉丝
动态
动态
所以 OpenAI 现在连对话框里都要打广告了...
非常合理...我很李姐...
CryptoPainter
刷到一篇论文，聊 AI 基建及投资问题的，里面的数据很有意思！
按照当前在建以及计划建设的所有数据中心及基建设施的投资体量来计算，到2032年花在 AI 基建上面的钱差不多会有3.725万亿美元...
而按目前对 OpenAI 与 Anthropic 合计年收入约 1,000 亿美元的估计，要达到所需的 3.725 万亿美元收入，到 2032 年之前，收入需要以每年约 80% 的速度增长。
也就是说，以后这两家公司必须每年保持80%以上的收入增速，才能让投资 AI 的资金不赔本...
注意，这里的80%是收入增速，今年1000亿，明年1800亿，后年3240亿，然后是5832亿，10497亿，18895亿，直到2032年收入达到34012亿才算这些投资开始赚钱了...
刷到一篇论文，聊 AI 基建及投资问题的，里面的数据很有意思！
按照当前在建以及计划建设的所有数据中心及基建设施的投资体量来计算，到2032年花在 AI 基建上面的钱差不多会有3.725万亿美元...
而按目前对 OpenAI 与 Anthropic 合计年收入约 1,000 亿美元的估计，要达到所需的 3.725 万亿美元收入，到 2032 年之前，收入需要以每年约 80% 的速度增长。
也就是说，以后这两家公司必须每年保持80%以上的收入增速，才能让投资 AI 的资金不赔本...
注意，这里的80%是收入增速，今年1000亿，明年1800亿，后年3240亿，然后是5832亿，10497亿，18895亿，直到2032年收入达到34012亿才算这些投资开始赚钱了...
今天正式给最近一个月的 Agents Trading 实验画上句号！
以下是具体原因以及论证为何现有大语言模型无法用于交易决策的核心原因：
由于目前所有 LLM 输出的都是基于概率条件下的文本，除非你限制它只能回答“是”或“不是”这样的选项类答案，否则只要输入的文本量较大，输出必然具有随机性。
而如果你通过重重限制约束了大模型的输出，将其作为决策，你就会发现限制越多，Agents 的交易决策越趋向于一个纯算法策略。
简单说来，限制越少，决策随机性越高，越难以回测，实盘的未知风险也就越高。
限制越多，决策随机性越低，虽然方便回测了，但最终 AI 参与的决策权重也越来越少，最后约等于一个量化策略系统，AI 几乎没有参与感...
而考虑到实盘交易时，最不可接受的往往是决策流程完全黑箱化，当多个 Agents 调用同一个大模型，进行同样条件的交易时，会给出完全不同的多个决策，这就导致了系统的收益预期完全不受控制...
因此可以证明，大模型对于重要的交易决策环节完全不具备可靠性，任何依靠 AI 进行交易决策的系统本质上都等同于将资金交给了一个随机系统。
虽然我做过的众多实验中，回测结果盈利的并不少，但问题是过程无法复刻，即使将模型温度设为0，依旧会产生不同的结果，早期的几笔交易在轻微的随机扰动下，就会产生类似蝴蝶效应一般的长期影响...
因此从量化角度来说，AI 在系统的中的位置必须下放：
我的观点是，固定算法策略 + AI 优化才是最稳妥的方案，决策权彻底与 AI 隔离，但 AI 可以提供大量底层数据的处理和收集、因子搜寻自动化以及外部新闻理解等等。
总之，纯 Agents 交易实验就到此为止了，也算帮各位踩了一个坑，对我来说是一场宝贵的学习经验！不亏！
CryptoPainter
汇总一下最近使用各家大模型跑 Agents 投票决策进行交易的表现：
1. Astra 整体可以小幅盈利，Low 级别至 xHigh 表现没有明显差异，整体上更喜欢直接满仓做，然后亏一点就直接平仓，后期震荡行情里回撤巨大...
2. GPT 6 Luna High 速度快很多，但莫名其妙的喜欢反复加减仓，开了单之后不论涨跌都在减仓，3次实验中有2次都是亏损，只有一次小幅盈利...
3. Gemini 3.8 flash 速度是最快的，决策质量与表现远比 Luna High 要好，5次实验里只有一次亏钱，但剩余四次都是前期稳赚，后期逐步回撤大部分收益，交易风格看起来最像专业交易员...
4. Opus 5.5 和 Astra 表现差不多，前沿大模型的自信程度确实要高很多，经常满仓干进去，下根K线就斩仓...
总体来说，都不太行，即使我给投票机制加了论据主导和辩论环节，防止一个 Agent 带偏其他 Agents 的现象，但就结果而言，这些大模型面对市场的决策能力与普通人类中的裸K交易者相比，没有明显优势，甚至还略逊一筹...
因此很明显，无算法、无策略条件下，AI 的交易决策能力时至今日依旧是一个字“猜”...
接下来我会开始测试在部分固定算法策略框架下的决策能力，也就是给定一些简单的交易策略，让 Agents 在有效框架内做决策，他们可以决定一个交易信号开多少以及是否空仓拒绝或提前平仓，但没有权限反向交易。
我个人认为这种实验还是很有趣的，他帮我认清了 AI 大模型的能力边界，未来反而可以更好的使用 AI ！
以一个工具的身份，而不是智能体...
