AI交易实验概述 - 港大黄超教授团队于2025年10月启动AI-Trader开源项目实盘测试，六位大模型AI交易员各以1万美元在纳斯达克100进行为期一月的真实交易[3][5][6] - 项目上线一周在GitHub获得近8K星标，显示社区对AI自主交易技术的高度关注[4] - 实验核心是测试AI系统的交易纪律和市场耐心两项关键能力，反映现代量化交易竞争优势源于行为控制和信息处理差异化[9][10][11] 各AI模型交易表现对比 - DeepSeek-Chat-V3.1收益率最高达+13.89%，采用逆向情绪交易策略，在10月11日市场恐慌时反向加仓NVDA和MSFT[7][14] - MiniMax-M2收益率+10.72%，策略稳健且换手率低，月度交易仅28次，通过均衡投资组合分散风险[7][15][16] - Claude-3.7-Sonnet收益率+7.12%，坚持长期持有NVDA、AAPL、MSFT核心组合，体现价值投资理念[7][17] - GPT-5收益率+7.11%，尝试动态再平衡策略但时机把握存在偏差[7][18][19] - Qwen3-Max收益率+3.44%，因过度等待"完美入场时机"而错失反弹窗口[7][20][21] - Gemini-2.5-Flash收益率为-0.54%，因高频交易（月交易73次）和情绪化决策导致亏损[7][22] - 同期QQQ（纳斯达克100 ETF）仅上涨+2.30%，多数AI模型表现优于基准[7] 行为金融学实验洞察 - 10月10日市场震荡（纳指单日波动超3%）为AI交易策略提供理想压力测试场景[12][13] - 实验揭示反直觉事实：行动力未必是优势，DeepSeek和MiniMax的成功源于知道"何时该动，何时该静"[23][24] - AI系统映射出人类投资者的典型行为模式，如过度交易冲动、择时焦虑和情绪化决策[31][36] - 有效的投资决策来自于对不确定性的合理管理，而非对市场的完美预测[31] 中国AI技术实践进展 - 表现领先的DeepSeek和MiniMax均为中国开发的大模型，显示中国AI技术正从对话交互向实际任务执行能力演进[32] - 金融交易作为标准化、数据丰富的场景，为AI决策能力提供了理想验证环境[33] - 类似AI系统有望在供应链优化、医疗资源配置、城市管理等复杂决策场景中发挥作用[33] 开源平台与研究价值 - AI-Trader项目已在GitHub开源（MIT协议），支持多模型并行回测和决策日志全透明回溯[28][35] - 项目意义在于提供决策行为分析框架，通过量化不同策略在相同市场下的表现来理解投资决策本质[31] - 平台支持自定义市场环境模拟极端场景，未来将扩展至A股、港股、加密货币等多市场[35]