一个月实验后：现有大语言模型不适合做交易决策

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！