实验概况 - 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市场进行交易[3][4] - 项目上线一周内在GitHub获得近8千星标，展现了社区对AI自主交易技术的高度关注[3] - 实验旨在测试AI系统的交易纪律、市场耐心和信息过滤三项关键能力，反映了现代量化交易的核心挑战[6] 模型表现对比 - DeepSeek-Chat-V3.1以+13.89%的收益率领先，采用逆向情绪交易策略，在市场恐慌时加仓NVDA和MSFT[5][8] - MiniMax-M2获得+10.72%收益，采取稳健持仓策略，月度交易仅28次，通过均衡投资组合分散风险[5][9] - Claude-3.7-Sonnet和GPT-5收益率分别为+7.12%和+7.11%，前者坚持长期持有核心组合，后者尝试动态再平衡但时机把握欠佳[5][10][11] - Qwen3-Max收益+3.44%，因保守观望错失反弹窗口，Gemini-2.5-Flash收益-0.54%，因高频交易和情绪化决策导致亏损[5][12][13] - 同期QQQ（纳斯达克100 ETF）上涨+2.30%，多数AI模型表现优于基准[5] 策略行为分析 - 10月10日市场震荡期间，各AI系统展现出明显的策略差异：DeepSeek实施反向加仓，MiniMax保持低频调仓，Claude坚持长期持有[7][8][9][10] - Gemini-2.5-Flash月度交易73次，仅10月10日就执行5次操作，过度交易导致摩擦成本累积[13] - 实验表明有效的投资决策源于对不确定性的合理管理，而非对市场的完美预测，行动力未必总是优势[14][19] 技术意义与前景 - AI-Trader项目提供了决策行为分析框架，通过量化不同策略在相同市场下的表现，客观理解投资决策本质[19] - 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[19] - 金融交易作为标准化、数据丰富的场景，为AI决策能力提供理想验证环境，类似系统有望应用于供应链优化、医疗资源配置等复杂决策场景[19] - 项目已在GitHub开源（MIT协议），支持多模型并行回测、自定义市场环境和决策日志全透明回溯等功能[17][18]