用GPT6 Ultra帮个人炒股，结果不如预期

过去两周，用户Kay2289123把自己的全部持仓和过往所有交易记录毫无保留地交给了GPT6 Ultra，希望AI能辅助做出正确股票操作。

任务要求是，每10分钟结合盘面、unusualwhale期权链、暗池、当前市场环境、用户交易历史、财报及华尔街研报等专有数据，给出适合用户当前情况的买卖交易建议。

测试结果并不理想，目前Kay2289123正对问题进行调整。

第一个问题是成本过高。如果每天重复处理同一类任务，每次都调用最强大模型，在速度、成本和部署方式上都不合适。

第二个问题是GPT6 Ultra只会说套话和平均话。炒股盈利需要独特视角和小众判断，但GPT6 Ultra经过厂商对齐训练，不推荐用户进行高风险金融行为，无论怎么提问，它都只会说模棱两可的车轱辘话。

针对这些问题，Kay2289123团队提出了一个解决方案：先用大模型教会小模型特定金融交易技巧，后续日常任务交给小模型完成。

再用用户的专属金融数据和操作观念，每天对小模型进行对齐调整，每天和GPT6 Ultra一起复盘，对照对话轨迹、思考过程和市场实际走向进行校验，通过后训练中的蒸馏、强化学习（RL）和监督微调（SFT）训练小模型。

这种方式可以让小模型突破提示词限制，输出更有实际意义的观点，而不是车轱辘话。这就是Kay2289123认为强化即服务（RL as a service）最吸引人的地方。

任何人都可以用这套框架，输入自己的专属数据，最终得到的小模型会是最了解个人投资习惯、常犯错误、持仓情况和盈利方式的工具，而且能做到知无不言。

Kay2289123团队成员同时具备金融和技术背景，目前已经完成了基础架构闭环，还处在基础架构迭代过程中。

短期计划出一篇通俗易懂的技术分享，讲解背后的实现原理；中期会发布经验报告，分享模型的实际效果，验证它到底能不能解决问题；长期计划将项目开源，供所有人共同开发，最终实现更懂个人、不说车轱辘话、成本更低的投研平权。

对于为何机构没能推出这类产品，Kay2289123也给出了自己的看法。首先，这款产品需要工程能力和金融知识深度交叉，开发难度大，但目前已有机构如Jane Street在用自有数据开展类似研究。其次，机构如果要对外推出这类服务，通用系统很难满足用户五花八门的个性化需求，系统通用性越强，越难满足所有人的需求。

因此这套方案的核心思路是通过自我递归迭代，专门解决个人专属问题，而非依靠一个通用大模型解决所有个性化问题。