一句话摘要

香港大学的研究人员提出了 AI-Trader，这是一个完全自动化的实时基准，用于评估大型语言模型（LLM）代理在美股、A股和加密货币三大市场中的金融决策能力，引入了一种最小信息范式，强制代理自主进行实时数据合成；其评估结果表明，通用智能并不保证交易成功，风险控制成为跨市场鲁棒性的关键，尤其在流动性市场中表现突出，凸显了在动态金融环境中改进代理设计的迫切需求。

主要贡献

• 我们提出了 AI-Trader，这是首个完全自动化、实时且数据无污染的基准，用于评估大型语言模型（LLM）代理在三大主要市场——美股、A股和加密货币——中的真实金融决策能力，支持多种交易粒度以模拟动态、实时的市场环境。
• 该基准强制执行最小信息范式，代理仅接收必要上下文，必须通过自主工具调用独立搜索、验证并合成实时市场数据，杜绝人为干预，从而严格评估实时推理与适应能力。
• 对六种主流 LLM 的评估显示，通用智能并不等同于交易有效性，大多数代理表现不佳，收益低下且风险管理薄弱，而风险控制成为跨市场鲁棒性的关键决定因素，高流动性市场中实现超额收益更具可行性。

引言

金融市场是一个高风险、实时性的环境，自主代理必须整合实时信息、在不确定性中推理，并做出时间敏感的决策——这些挑战是静态基准无法捕捉的。以往的评估框架往往依赖固定数据、预设工作流或人机协同干预，导致实验室表现与真实世界能力之间存在脱节。这些局限性阻碍了对真正自主决策能力的有意义评估，尤其是在交易等动态领域。

本文作者提出了 AI-Trader，这是首个完全自动化、实时且数据无污染的基准，用于评估大型语言模型（LLM）代理在美股、A股和加密货币中的表现。代理仅以最少的上下文信息运行——当前持仓、实时价格以及工具访问权限——必须独立搜索、验证并合成实时市场数据，全程无需任何人为指导。这种最小信息范式强制要求代理展示长期推理、信息检索和自适应策略执行的严格能力。

对六种主流 LLM 的评估表明，通用智能并不意味着交易能力：大多数代理收益表现差，风险管理薄弱，其表现高度依赖市场流动性与结构。该研究强调，风险控制是跨市场鲁棒性的核心，同时凸显了在 LLM 代理中提升自主规划与适应能力的必要性。开源框架使得在真实金融环境中对代理能力进行可复现、高保真的评估成为可能。

数据集

• 数据集涵盖三个截然不同的金融市场：美国股票市场、中国 A 股市场和加密货币市场，支持评估代理在不同监管环境、投资者行为和市场动态下的泛化能力。
• 支持小时级和日级两种交易频率，以捕捉多样化的市场行为，并测试代理在不同时间尺度下的响应能力。
• 对于美国股票市场，数据集包含纳斯达克-100 指数的全部 100 只成分股，代表科技、半导体、生物技术、互联网服务和可选消费等领域的大型非金融企业。主要公司包括苹果、微软、英伟达、亚马逊、谷歌母公司 Alphabet、特斯拉和 Meta。
• 美股投资组合包含一项无收益现金资产，使代理能够练习无风险资本配置，并展示完整的组合管理能力。
• A 股市场子集包含上证 50 指数的 50 只股票，选自上海证券交易所。这些是金融、消费品、工业、IT、能源和医疗健康等领域的龙头企业，包括平安保险、贵州茅台和招商银行。
• 两个市场环境均设计为反映现实条件：美国市场强调对宏观经济因素和技术创新的敏感性，而 A 股市场则突出宏观驱动的波动性、行业轮动和非平稳行为。
• 作者在训练与评估框架中使用数据，代理在混合市场子集上进行训练，且各子集比例动态调整，以模拟跨市场适应能力。
• 数据经过处理，确保各市场间时间对齐，不使用任何外部数据增强。
• 未进行裁剪；每只资产均使用完整的历史价格与成交量数据。
• 元数据包括资产标识符、行业分类、市值层级和指数归属，以支持结构化分析与模型解释。

方法

作者采用模块化架构构建 AI-Trader，旨在统一且可扩展的框架内支持自主、自适应的交易代理。系统以闭环流程运行，代理持续观察市场状况，推理潜在行动，并执行交易，同时通过标准化工具集与实时环境交互。该架构围绕三个核心组件构建：代理的观测与动作空间、可用工具集，以及模拟真实交易约束的实时环境。

如图所示，代理的观测空间包含关键市场数据，如当前资产价格 $\mathbf{p}$p 和代理的组合持仓 $\mathbf{s}$s，构成初始观测 $o_0$o0​。该基础信息通过工具调用动态扩展，提供如详细股票指标 $\pi_i$πi​ 和市场新闻 $i$i 等附加数据，从而在每个时间步生成全面的观测 $o_t$ot​。代理的推理过程遵循 ReAct 范式，自主生成自然语言推理轨迹，阐明其决策逻辑。这些轨迹被记录下来，以确保透明性与可复现性，使研究人员能够分析代理在复杂金融情境中的行为。

动作空间被限制为每只资产三个离散动作：买入、卖出或持有。代理的策略函数 $a_t = f(o_t, r_t)$at​=f(ot​,rt​) 将当前观测 $o_t$ot​ 和推理 $r_t$rt​ 映射为可执行动作，确保决策既自主又符合现实约束（如流动性与监管规则）。若某动作违反这些约束，系统将触发自我纠正机制，要求代理重新评估并生成新的可行决策。

工具集包括价格查询、网络搜索、股票新闻获取、交易执行和计算等工具，设计为模块化且可扩展。每个工具基于模型上下文协议（MCP）构建，支持在不同资产类别和交易频率间无缝集成与适应。例如，交易工具强制执行市场特定规则（如最小交易单位），并实时更新持仓与现金余额，确保交易执行的准确性和可审计性。代理与实时环境之间的交互为双向：代理在每次动作后接收环境更新的观测，环境也根据代理决策进行更新，从而维持闭环系统的完整性。

实验

• 在美股、A股和加密货币市场中，采用日频（A股、加密货币）和小时频（美股）策略评估 AI 交易代理，评估指标包括累计收益、Sortino 比率、波动率和最大回撤。
• MiniMax-M2 在美股市场实现 9.56% 的最高累计收益（对比 QQQ 的 1.87%），Sortino 比率为 4.42，最大回撤为 -4.92%，展现出卓越的风险控制与跨市场鲁棒性。
• DeepSeek-v3.1 在加密货币市场表现优于 CD5 指数（-12.18% vs. -14.30%），通过维持高达 41% 的现金仓位并执行“逢低买入”策略，展现出在高波动环境中的适应能力。
• GPT-5、Qwen3-Max 和 Gemini-2.5-Flash 在所有市场中均表现不佳，GPT-5 在美股市场累计收益为 1.56%，在加密货币市场为 -16.41%，凸显通用语言能力与有效交易之间的差距。
• 模型泛化能力有限：DeepSeek-v3.1 在美股市场表现优异（8.39% 累计收益），但在 A 股市场失败（-1.23% 累计收益），而 MiniMax-M2 在所有市场中均保持稳定表现，表明上下文感知的适应能力至关重要。
• 案例研究显示，代理可模拟人类行为——DeepSeek-v3.1 成功通过分散至防御性板块并增加现金仓位，规避了美国市场的一次重大崩盘，但后期因依赖未经验证的新闻而表现不佳，暴露出信息验证方面的弱点。

作者采用多市场、多频率的实验设计，评估 AI 交易代理在美股、A股和加密货币市场中的表现，使用累计收益、Sortino 比率、波动率和最大回撤作为衡量指标。结果表明，MiniMax-M2 在美股市场实现最高累计收益与 Sortino 比率，且是 A 股市场中唯一持续盈利的代理；DeepSeek-v3.1 因有效的现金管理与下行期战略交易，在加密货币市场优于基准。

作者使用表格比较不同 AI 模型在三个市场中的交易行为，显示 MiniMax-M2 的交易频率低于大多数其他模型，在美股和 A 股市场中“无交易”执行比例最低。DeepSeek-v3.1 和 Claude-3.7-Sonnet 在美股和 A 股市场中平均交易次数更高，表明其采取更积极的交易策略，而 Gemini-2.5-Flash 在加密货币市场中平均交易次数最高，反映出其在该高波动环境中的更激进风格。