我们花了六个月，把三千五百个AI交易机器人的钱亏光了，然后写了一篇论文

先说一个数字，你可能觉得离谱。

有一群研究者，让几千个由大语言模型驱动的自动交易账户，在真实的加密货币市场里跑了六个月。一个跑在Base链的memecoin市场，用真金白银的以太坊，三千五百个用户出资的账户，跑了21天。另一个跑在Hyperliquid永续合约市场，几百个用户自己配置的智能体，跑了两个多月。

结果呢？两个系统全部不赚钱。不是小亏，是系统性地、结构性地不赚钱。DXAP那个平台上的机器人胜率41%，而普通散户在同一个市场里胜率能到50%。机器人跑得比业余玩家还差。

这事儿本身已经够让人意外了。毕竟过去两年,"AI能不能炒股炒币"是个被反复炒作的话题，各种媒体标题党喜欢说"AI交易员碾压华尔街"之类的话。但这篇论文没有回避这个尴尬的结果，反而把它当成整篇研究里最有价值的部分,因为亏钱亏得明明白白,才能看清楚问题出在哪儿。

这篇论文的作者来自一家叫DX Research Group的实验室,他们手上握着的是一份极其罕见的数据:七百五十万次模型调用,约三十万次链上操作,再加上二十三万一千多次多工具交互产生的一万四千多笔真实成交记录。这不是实验室里的模拟数据,这是几千个真实用户拿真钱在真实市场里跑出来的记录。这种规模的、贯穿六个月的、population级别的观测,在这个领域里此前没有人做过。

那么问题来了:既然结果是"不赚钱",这篇论文到底在讲什么?

答案是,它在回答一个比"赚不赚钱"更根本的问题:这些AI智能体的行为,到底是被什么决定的?

操盘手真正的老板,不是它的"想法",是它的操作台

你可能会下意识地觉得,一个AI交易智能体的行为应该主要取决于它的"智能"、它的推理能力、它读到的策略文本。毕竟它是个大语言模型,理论上应该像个有主见的交易员一样,根据市场信息做判断。

但这篇论文最核心的发现,恰恰推翻了这个直觉。

研究者发现,决定这些智能体行为的,主要不是模型的"思考",而是它周围那层被称为操作层的东西。

操作层:指智能体所处的整个交互界面和执行环境,包括用户配置的滑块参数(比如风险等级)、系统展示给模型看的候选列表(比如排行榜)、以及订单执行的具体机制。简单说,就是模型"看得到什么"和"能做什么"的那一整套软硬件约束。

举个最直接的例子。DXAP平台给用户提供一个风险承受度滑块,从1到5级。研究者发现,这个滑块每往上调一级,机器人实际使用的杠杆倍数就会精确地增加0.425倍,这个统计关系强到什么程度呢,p值是3.8乘以10的负279次方,这基本相当于说这不是巧合,这是一种被硬编码的因果关系。而智能体本身的身份(也就是不同的"个性设定")能解释60%的行为差异,远超市场行情、历史盈亏这些"看起来更重要"的因素。

这就好比什么呢?

想象你去开一辆车,车上有个定速巡航按钮,设定了每小时80公里,不管你多想踩油门加速超车,车子就是稳稳保持在80。这时候如果你还坚持说"这辆车的驾驶风格取决于我的心情",那显然是错的,真正决定车速的是那个定速巡航系统,你的"心情"只是在系统允许的范围内小幅波动。如果没有这个定速巡航约束会怎样?研究者在另一个系统DX Terminal Pro里发现,反过来的情况也存在:当滑块设置为最低交易频率,但用户在策略文本里"坚持"要求高频交易时,智能体的交易率确实会从1.51%抬升到3.95%,但依然被死死摁在滑块划定的上限附近,冲不破那个天花板。文本能影响,但操作层的约束才是硬边界。

更让人意外的是另一个发现,关于一个叫"排行榜"的界面设计。

DXAP系统会给智能体展示一个"热门榜"(movers leaderboard),列出九个代币:涨幅前三、跌幅前三、成交量前三。研究者发现,46.5%的交易发生在这九个被展示出来的代币上,而如果是完全随机选择,理论上应该只有8.9%的概率落在这九个里。也就是说,被展示,直接带来了超过五倍的选中概率。

这还不是最狠的部分。研究者用了一种叫回归断点设计的统计方法。

回归断点设计:一种因果推断方法,利用某个人为设定的"分界线"(比如排行榜第3名和第4名之间的边界)前后两侧样本几乎完全相同这一特点,来判断"是否被展示"这件事本身有没有独立的因果效应,而不是市场本身导致的差异。

研究者比较了排名第三(被展示)和排名第四(未被展示)的代币,这两者在市场表现上几乎没有差异,是统计上的"孪生兄弟"。但排名第三的代币被选中交易的概率,是排名第四的1.75倍。这意味着,仅仅因为一个UI设计上"只展示前三名"的决定,就实实在在地改变了几千个智能体的真实交易行为,而这两个代币在基本面上毫无区别。

这就像超市把某个牌子的饮料摆在收银台旁边的显眼位置,哪怕隔壁货架上还有一款一模一样好喝、甚至更便宜的饮料,大多数人还是会顺手拿走收银台边上那瓶。不是因为那瓶饮料更好,是因为它"被看见了"。如果超市换个摆法,把它放到货架最底层,销量立刻就会掉下来,这跟饮料本身的品质毫无关系。研究者把这称为整份记录里"唯一一个干净的因果结果",而它的成因,是一个纯粹的界面渲染选择。

风险这件事,机器人是"色盲"的

再来说第二个让人意外的发现:仓位大小(也就是杠杆倍数)完全不看市场波动率。

研究者把六千四百笔已平仓的交易,按照开仓那一刻的市场波动率分成六等份,从最平静的市场到最剧烈波动的市场,波动率跨度达到5.7倍。

按理说,一个正常的风险管理逻辑应该是:市场越剧烈,越应该谨慎,杠杆应该调低。

但数据显示,不管市场是风平浪静还是剧烈震荡,这些机器人使用的杠杆倍数中位数,雷打不动地卡在5.0倍。统计学上的相关系数(Spearman)是负0.001,基本等于零,p值0.92,意味着这个"零相关"不是数据太少导致的偶然,是真的毫无关系。

更糟的是,仓位大小(名义本金)反而跟波动率呈正相关,相关系数是正0.165。也就是说,市场越乱,机器人反而敢下更大的注。这是一个方向完全反着来的风险管理。

后果是什么呢?最平静那组的交易,亏损中位数是10.6个基点(1个基点等于万分之一),而最剧烈波动那组,亏损中位数飙升到98.2个基点,亏损幅度扩大了将近九倍。爆仓率也从0.7%一路涨到4.3%。

这就好比一个人不管今天开车路况是市区平坦大道还是暴雨中的盘山公路,方向盘的松紧度和刹车灵敏度设置永远是同一套参数。晴天这套参数够用,暴雨天这套参数就是拿命在赌。如果这套参数是能根据路况自动调整的,悲剧至少能减少一大半,但这里的问题是,这套参数从一开始就没有和"路况"这个变量挂钩,它只跟"你出发前设置的驾驶模式"挂钩,跟你现在正在经历的天气毫无关系。

风险还有更集中的一面。研究者发现,在两百零五次爆仓事件中,有一百二十八次,也就是62%,全部集中在一个特定的组合里:交易风格被标记为"动量追涨型"、同时交易频率滑块拉到最高档5级的那批智能体,这批智能体大约只占整个账户池的11%。用统计学的方法算出来,这个组合的爆仓风险,是其他组合的22.37倍。而在同样是"动量追涨型"但频率滑块低于5级的四百一十一个仓位里,爆仓次数是零。

这说明什么?爆仓不是智能体在某一次交易中"脑子一热"的偶然决策失误,而是一个在用户设置账户参数那一刻就已经被注定的结构性风险。风险不是在交易过程中产生的,是在配置阶段就已经埋下的。

研究者甚至专门测试了一个"补救方案":强制要求模型在开仓前必须先计算并写出自己距离爆仓价还有多远。听起来是个合理的风控手段对吧?结果呢,45%的开仓操作里模型确实写出了这个数字,但写了之后该怎么下单还是怎么下单,仓位大小丝毫不变。更讽刺的是,那些"认真计算并写出爆仓距离"的交易,爆仓率反而是5.8%,远高于没写的1.2%。研究者的解释是,"写出这个数字"这个行为本身,标志着这笔交易本来就是激进的,写数字不是在克制风险,而是在给激进行为找了个仪式感十足的开场白。

这个发现的分量其实很重。它说明,靠"让模型多想一步、多算一下"这种纯粹在文字层面的干预,根本管不住一个由配置参数硬编码出来的行为。你没法用嘴上说说来对抗一个写在系统里的数字。

到嘴的肥肉,吃不进去

第三个发现,可能是整篇论文里最让人心疼的一个。

研究者发现,这些机器人经常"抓住"了盈利机会,却守不住。

具体说,六千四百笔交易里,有43.2%(两千七百六十五笔)在开仓后24小时内,曾经浮盈达到过至少300个基点以上,这在加密货币这种波动大的市场里不算罕见。

但这两千七百六十五笔里,有49.3%,几乎一半,最后平仓的时候是亏损收场的。只有13.3%的交易,守住了曾经浮盈幅度的一半以上。

最大浮盈:一笔交易在持仓期间曾经达到过的最高账面盈利幅度,英文缩写MFE(Maximum Favorable Excursion)。这个指标衡量的是"机会曾经出现过多大",而不是最后实际赚了多少。

整体来看,所有交易的最大浮盈中位数是247.9个基点,而最终实际到手的收益中位数是负33.3个基点。研究者算了一个"捕获率",在曾经有过明显浮盈的交易里,最后真正锁住的收益比例中位数只有2.0%。

更值得琢磨的是,浮盈这件事本身是可以被预测的(用市场状态预测浮盈大小,准确率ROC值达到0.751,接近他们预测爆仓风险的0.783),但能不能"守住"这个浮盈,几乎完全无法预测(ROC值只有0.541,基本等同于瞎猜)。也就是说,市场状态能告诉你"这笔交易大概率会先冲高",但完全没法告诉你"机器人会不会在冲高的时候把它锁住"。这中间隔着的,不是市场判断力,是执行纪律。

研究者甚至试过一个"看起来很聪明"的策略:专门挑选预测浮盈潜力最大的那批交易去加仓,结果这么做反而让整体表现更差,那批交易最后的实际收益中位数是负71个基点。选对了会冲高的股票,不代表你能吃到那口肉。

这就好像一个人钓鱼,鱼上钩了,浮标沉下去的那一刻他明明看见了,但手抖了一下,鱼跑了,还有一半的情况是,鱼上钩之后他犹豫要不要现在收线,结果犹豫的功夫鱼脱钩了,net下来手里啥也没有。问题不在于他找不到鱼塘,问题在于他缺一套"看到浮标沉下去就该怎么做"的固定流程。如果没有这套流程,再会找鱼塘的人也白搭。

那有没有解药?研究者试了一个极其朴素的办法:在每次开仓的时候,自动挂上一个固定的止损止盈括号,比如跌2%止损,涨4%止盈,完全不需要模型再做任何"临场决策"。

结果这个笨办法,反而是整个研究里"最好用"的一个干预手段。按天聚类统计,这套机制平均每笔交易能多赚39.0个基点,即便把所有爆仓的极端情况排除掉,依然能多赚16.6个基点。研究者进一步拆解发现,这里面大约60%的收益提升来自"防止了灾难性爆仓",剩下的部分则来自"普通交易里少亏了一点"。研究者测试了十六种不同的退出策略,只有十一种统计上站得住脚,但没有一个是真正净赚钱的,表现最好的那个也只是"少亏"。

这说明,靠模型自己临场判断"现在该跑了"这件事,本身就是靠不住的,靠谱的做法是提前把纪律焊死在下单流程里,不给模型临场反悔的机会。

一个佐证是,在同样这批交易里,83%的开仓操作确实写明了止损止盈价位,但一百三十一次执行退出的交易里,零次出现"临时改变计划"的情况,而抽查的十个智能体里,十个的"决策日志"栏目全部空白。也就是说,真正起作用的纪律,压根不在模型的"思考记录"里,而在那个提前焊死的机械开关里。

换个模型就能解决问题吗?答案可能让你意外

看到这里你可能会想,那是不是换一个更聪明的大模型,这些问题就能解决?

研究者专门做了一次模型对比赛,挑了几个当前最顶尖的模型,包括qwen3.7系列和claude-fable-5,让它们在四百一十六个真实交易场景的"回放"里重新做决策,用一种叫"遗憾值"的指标衡量决策质量距离理论最优解有多远。

回放评测:把历史上真实发生过的交易场景重新喂给不同的模型,让它们在同样的信息下各自做一次决策,然后比较谁的决策更接近当时"事后看最优"的选择。这种测试的局限在于,它只能衡量决策质量的高低,不能直接说明真实盈利表现,因为市场后续的走势是固定的,不会因为你换了个决策而改变。

结果三个顶尖模型的遗憾值分别是263.27到264.37个基点,差距小到什么程度呢,统计检验的置信区间完全重叠,做Holm校正之后的显著性检验,最小的p值都到了0.46,基本可以认定这几个模型在这个任务尺度下,决策质量没有可测量的差异。

但研究者又做了另一个有意思的测试:同一个场景,同一个模型,反复问三次,看它给出的答案会不会变。结果claude-fable-5大概35%的情况下会给出不同的选择,而qwen3.7系列则高达90%到95%都在换答案。这说明不同模型家族之间,"每次给出一样答案"的稳定性差异巨大,但这种"善变"并没有带来更差的结果,选择质量的分布几乎就是随机水平的上下浮动(0.486到0.508,而0.5就是纯瞎猜)。

翻译一下就是,这些模型换答案换得再频繁,反正也没换出个更好的结果来,决策的一致性和决策的正确性,是两件完全不搭边的事。

更实际的一点是成本。跑完这四百一十六个场景的测试,qwen3.7-plus只花了8.25美元的推理费用,而claude-fable-5花了203.61美元,贵了差不多25倍。既然效果一样,那生产环境里当然选便宜的那个,这也是为什么这两个真实系统最终都主要跑在qwen3.7这个模型家族上。

这个发现的意义在于,它直接堵死了一条大家本能会想到的路,"换个更强的模型"。既然顶尖模型之间的决策质量已经拉不开差距,那想要真正做出差异化的交易智能体,出路可能根本不在"哪个大模型更聪明",而在别的地方。

那出路到底在哪儿

论文里给出的答案,呼应了前面所有发现:既然操作层决定了绝大部分行为,那真正值钱的改进,也应该优先砸在操作层上,而不是模型本身。

研究者提出了一套优先级排序。第一步,也是最便宜、最立竿见影的一步,是把订单执行机制本身修好,比如让"开仓"和"挂止损止盈"这两个动作变成一个不可分割的原子操作。研究者发现现有系统里存在一个技术缺陷,一个不可重试的触发器配额错误,导致在一个48小时的窗口里,三十五次成功开仓中有二十四次根本没能成功挂上保护性止损单,这种基础设施层面的疏漏,比任何模型升级都更紧迫。

第二步是给每一个"工具"或"子代理"设定一个硬性门槛:必须能证明自己确实改变了智能体的行为,才配留在系统里。研究者发现有一个专门做"市场调研"的子模块,一百二十次样本测试下来,给出的建议基本是无效的,统计上跟瞎猜没区别。研究者的结论很干脆,既然它证明不了自己有信息增量,那就把它当成一个纯粹的"行为触发器"来对待,而不是当成一个真的能提供洞见的分析工具。

第三步才轮到"训练模型",而且是针对这个具体环境去做定向训练,而不是指望市面上现成的通用大模型自己变聪明。研究者提到一个早期内部实验,用四万一千多条真实交易记录做了一次监督微调,在内部评测基准上,决策评分从119分降到96分(分数越低越好),这只是一个早期、未经外部验证的信号,但方向是明确的:与其等一个更强的通用模型出现,不如拿真实生产环境里的数据去喂养一个专用模型。

第四步贯穿始终,是把"基准测试"本身当成基础设施来长期维护。这一点听起来有点绕,但道理很实在。研究者坦白承认,这个项目自己历史上退回过三个"看似成立"的结论,其中一个滚动更新的p值,在不同时间点分别是0.0067、0.19、0.0277,如果研究者在p值等于0.0067的那一刻就急着发表"我们发现了赚钱信号",那就是一个彻头彻尾的假阳性。只有坚持用同一套versioned benchmark反复复核,才能防止团队自己骗自己。

十七条用血泪换来的方法论

论文的最后,列出了整整十七条统计方法上的"避坑指南",而且明确说,每一条都是拿一次错误的结论或一次退稿换来的。

比如第一条:交易日,而不是单笔交易,才是统计推断的基本单位。因为同一天开仓的仓位共享同一段市场行情,如果把每笔交易当成独立样本,算出来的置信区间会比实际情况窄2.5倍左右,这会让你误以为自己发现的东西比实际更可靠。

再比如第十七条,关于时机运气的底线。研究者拿完全相同的交易策略,只是把执行时间错开正负十五分钟,结果一组赚21美元一组亏88美元,另一组一个赚17美元一个亏38美元,第三组一个赚9美元一个亏75美元。这意味着,很多研究者拿来比较"策略A比策略B强"的效果差异,可能还没有这个纯粹时间戳偏移带来的随机波动大。

这十七条规则背后有一条统一的原则,机制胜过说教。任何试图靠"让模型多想一步、多写一段解释、换个更严厉的措辞"来修正一个本质上是系统机制问题的行为,效果都不如直接去改一行订单执行代码或者调整一次界面渲染逻辑。

写在后面

读完这篇论文,最触动我的不是"AI交易员不赚钱"这个结论,这个结论其实不算意外,过去两年各种AI炒股噱头翻车的新闻不算少。真正让我愣了一下的,是那个回归断点的发现,排名第三和排名第四的代币,市场表现几乎一模一样,仅仅因为"有没有被展示在榜单上",选中概率就差了1.75倍。

这个发现让我想到一个更大的问题:我们平时评价一个AI系统"聪明不聪明",其实很大程度上是在评价它的界面设计,而不是它的推理能力。一个模型能力再强,如果它每次决策前只能看到系统喂给它的那几个选项,它的"智能"就被这几个选项框死了。这跟人类社会里"信息渠道决定认知边界"是同一个道理,只是在AI身上,这个边界变得可以被精确测量、精确量化成一个1.75倍的数字。

另一个让我反复琢磨的细节,是那个"要求模型写出爆仓距离"的实验彻底失败了。这戳破了一个我们很容易有的迷信,以为只要让AI"多解释一步"、"多算一步",它就会更谨慎。事实是,写出风险数字这个动作本身没有约束力,它甚至可能是一种自我壮胆的仪式。真正管用的,是把风控焊死在它够不着的地方。这和教育孩子有点像,你让一个孩子口头承诺"我以后会小心",不如直接把危险的东西收起来。

论文里还有一处没有被充分展开的伏笔,就是那个"H2探针"实验,研究者试图从模型的神经网络内部激活中,提取出比表面特征更早的风险信号,结果发现这个信号只在模型"读到订单那一行文字之后"才出现,之前完全没有。这意味着,至少在这个规模的模型上,并不存在一种提前于文字表达的、隐藏的"风险直觉"。这对整个"AI有没有内在判断力"的讨论,是一个挺冷静的证据。

Q&A

Q1：DXAP智能体交易表现为什么不如普通散户？

A：DXAP智能体的四天滚动胜率只有41%,而同期匹配的Hyperliquid散户胜率是50%。持仓时间接近,但智能体更偏爱做多(约78%对60%)、杠杆更高(有效杠杆是散户的4到5倍),累计已实现盈亏在统一手续费口径下是负21.7万美元,亏损不是手续费造成的。

Q2：为什么排行榜设计会影响AI交易机器人的选币行为？

A：因为智能体只会优先看到系统展示出来的候选名单。研究用回归断点方法发现,榜单第三名和第四名在市场基本面上几乎没差别,但因为第三名被展示、第四名没被展示,前者被选中交易的概率是后者的1.75倍,这是一个纯粹由界面设计造成的因果效应。

Q3：给交易机器人加止损止盈括号真的有用吗？

A：有用,而且是目前测出来效果最好的干预手段。固定挂载2%止损4%止盈的机械括号,按天聚类统计后平均每笔交易多赚39个基点,排除所有爆仓极端情况依然多赚16.6个基点,效果主要来自提前防住了灾难性爆仓,而非临场判断的改善。