三校教授开源小模型炒股方案：Qwen3-4B复现AURA-4B

斯坦福、哈佛和普林斯顿的教授们拿了一个免费的小型 AI 模型，教会它预测市场走势。它研究了 499 只美国股票 13 年的数据，给它一个股票代码，它会自己调取图表并预测下一步走势。以下是他们的构建步骤：

第一步 → 他们采用了 Qwen3-4B，这是一个免费的开源模型，并为其配备了 9 个工具：K线图、技术指标、股票排名、行业和市场数据。

第二步 → 第一课：3631 个完整的股票分析示例，让它学会在做出预测前该调取哪些数据。

第三步 → 第二课：在 2011-2023 年的数据上进行约 3200 次预测练习，每次都根据实际价格走势进行评分，然后在 2024-2026 年的数据上进行盲测。

第四步 → 你的版本：将下面的提示词复制到 Claude Code 中，它会阅读论文，在免费的 Yahoo 数据上重建这 9 个工具，并设置好 Qwen3-4B。

第五步 → 最厉害的部分：它运行相同的盲测，对模型隐藏 2024-2026 年的数据，并将其与 GPT-5.6 和一个简单的动量规则进行比较。

结果是：一个真正可以在你电脑上进行交易的免费小型模型，使用了世界顶尖大学的相同方法构建。现在就试试。然后阅读下面的文章，了解如何搭建最危险的交易平台：

论文：
提示词：
“在我的电脑上重建普林斯顿大学论文《语言模型能学会预测股票价格吗》（arXiv 2609.36914，AURA-4B）中的股票预测设置，并向我展示免费的 Qwen3-4B 在训练前后的对比。这是研究，不是交易：永远不要连接券商或下单。完成的标准是：一个 ~/aura 文件夹，其中包含 (1) SPEC.md，一份对论文方法的简明总结：9 个工具、任务格式、预测周期、评分 S = D x M / 100、训练/测试划分以及训练步骤；(2) 一个基于免费 Yahoo Finance 数据的可用预测环境；(3) 一个在 2024-2026 年数据上的盲测结果表：简单动量规则、基础 Qwen3-4B，以及（如果我选择训练）我训练后的模型，并与论文中的数据（基础 20.94，动量 42.00，AURA-4B 43.31）并列；(4) 一份简明的英文报告。当某一步不需要我参与时，继续进行。

方法：
- 先阅读论文（https://arxiv.org/html/2609.36914，必要时看 PDF），并在公开数据允许的范围内尽可能遵循它。如果论文中有不清楚的地方，自行做出选择，并将选择记录在 SPEC.md 中。
- 数据：通过 yfinance 从 Yahoo Finance 获取 S&P 500 股票数据。每个工具只能看到截至预测日期的数据。不能有未来数据，通过测试检查这一点。在报告中注明，今天的 S&P 500 名单不包括已退市的股票（幸存者偏差）。
- 模型：来自 Hugging Face 的 Qwen3-4B。选择在我的机器上运行它的最快方式（Ollama、llama.cpp、Mac 上的 MLX 或 transformers），并告诉我选择了哪种。如果完整测试太慢，先从 40 个测试任务的快速模式开始。
- 先运行免费部分：动量基线和基础 Qwen3-4B 的盲测。

训练（可选，需要费用，先问我）：
- 步骤 A，示例：论文使用了 3631 个由强模型编写的示例。估算我所选模型的 API 费用，展示出来，并等待我的同意。从环境变量中读取任何 API 密钥；永远不要让我在聊天中粘贴它。
- 步骤 B，微调加 RL（论文使用了 SFT，然后是 PPO）：告诉我需要什么 GPU、最便宜的租赁选项和预估费用，并等待我的同意。给我在那里运行的确切命令。
- 训练后，重新运行相同的盲测并更新表格。

规则：标记任何你无法确认的内容。如果我的结果与论文不同，说明这一点并解释可能的原因；不要在测试期间进行调整。非财务建议。最后以三个标题结尾：结果、费用、我需要你做什么。”