超越 DeepSeek, MiniMax 才是 AI 股神

太长不看: 最近看到一篇来自香港大学的论文 AI-Trader, 用真实环境评测各个 LLM 在股市中的表现, minimax 超过 deepseek 堪称股神.

下面是论文的详细解读

一句话：本论文构建了全球首个全自主、实时、无数据污染的 LLM 智能体金融交易基准 —— AI-Trader，跨越美股、A股、加密货币三大市场，系统揭示了"通用智能 ≠ 交易能力"这一核心发现。

🎓 学术价值：填补了 LLM Agent 评测体系中"真实动态金融环境"这一关键空白。现有基准大多依赖静态历史数据或模拟环境，无法真实反映智能体在市场压力下的实时决策能力。AI-Trader 率先实现了"活体评测"——Agent 在真实市场中用真实时间做真实决策。

🏭 工业价值：为金融机构评估"哪款大模型更适合做量化策略"提供了客观的多维基准。同时，代码与评测数据开源，使研究者可以在真实市场条件下测试自研策略，而无需从零搭建交易环境。

💡 直觉类比：这篇论文就像是给六位来自不同背景的"实习交易员"（大模型）安排了同一岗位的"实习考核"——只给他们一台电脑和基本的交易工具，不提供任何指导，让他们在真实股市里自己搜集信息、独立决策、真金白银地买卖，最后看谁赚钱最多、谁亏损最惨，从中找规律。

🗺️ 知识地图

核心概念讲解：

LLM Agent（大语言模型智能体） ⭐⭐

• 是什么：在 LLM 基础上增加"感知—推理—行动"循环的自主系统，能调用外部工具完成复杂任务。
• 为什么重要：本文的 Agent 不是被动回答问题，而是主动搜索信息、决定买卖、执行交易。
• 现实类比：就像把 ChatGPT 从"顾问"升级成"可以自己下单的基金经理"。

ReAct 推理范式 ⭐⭐

• 是什么：Reasoning + Acting 的缩写，Agent 先思考（生成中间推理链），再行动（调用工具或做决策），交替进行。
• 为什么重要：确保每一笔交易背后都有可追溯的逻辑，而不是黑盒输出。
• 现实类比：就像一个分析师先写研报（推理），再向基金经理汇报并执行（行动）。

Sortino Ratio（索提诺比率） ⭐⭐

• 是什么：风险调整后收益指标，只惩罚下行波动（亏损），不惩罚上涨波动。公式为 ，其中 是下行标准差。
• 为什么重要：比夏普比率更贴近投资者真实关切——我们担心亏钱，不担心赚太多。
• 现实类比：就像评价一个司机不只看平均速度，而是专门扣除"急刹车次数"的分数。

MCP 协议（Model Context Protocol） ⭐

• 是什么：标准化的 LLM 与外部工具交互接口协议，类似 API 的"统一电源插座"。
• 为什么重要：AI-Trader 所有工具（查价格、搜新闻、下单）都通过 MCP 实现，确保不同模型调用相同工具时行为一致。

🔬 论文精读

Why — 研究动机

现有评测体系的三大痛点：

金融市场天然具备"好的 Agent 测试场"所需的所有特质： 动态演化、信息噪声高、决策时效性强、结果可量化。且市场不会"配合"Agent——它是无情的真实世界。

What — 核心方法：AI-Trader 框架

最小信息范式（Minimal Information Paradigm） 是本文最关键的设计哲学：Agent 仅获得三样东西——可用工具列表、当前持仓状态、实时市场价格，其他一切信息必须自己通过工具获取。这彻底杜绝了"外挂信息"的可能性，确保评测的是 Agent 的真实自主能力。

How — 技术细节

观测空间：Agent 在每个时间步的完整感知为：

其中 是资产实时价格向量， 是持仓状态向量， 是通过工具主动获取的个股详细数据， 是宏观信息（新闻、经济指标等）。

白话解释：Agent 先看到"手里有什么股票、各自现价多少"，然后自己去查自己想查的信息，最终形成完整的"市场视野"。

行动空间：对每个可交易资产，Agent 只能执行三种离散操作：

at ∈ { 买入(Buy), 卖出(Sell), 持有(Hold) }

若提交的订单超过可用流动资金，系统拒绝执行并触发自我纠错——Agent 必须重新推理并生成合规订单。这模拟了真实交易中的资金约束。

关键评估指标：

So What — 实验结果

评测周期：美股 & A股：2025年10月1日—11月7日；加密：2025年11月1日—11月14日。

六大模型：DeepSeek-v3.1、MiniMax-M2、Claude-3.7-Sonnet、GPT-5、Qwen3-Max、Gemini-2.5-Flash。

核心数据表

*加密市场整体处于下跌周期，所有 Agent 均亏损，但部分优于基准。SR最优由Claude持有（-2.27），CR最优由DeepSeek持有（-12.18%，唯一跑赢基准-14.30%）。

四大核心发现

① 通用智能 ≠ 有效交易GPT-5、Qwen3-Max 在 NLP 任务上表现顶尖，但在两个股市均录得负收益。智能体在受控任务中表现优秀，并不代表能在嘈杂、动态的真实市场中盈利。

② 风控能力决定跨市场鲁棒性MiniMax-M2 是唯一在美股和 A 股双双表现稳定的模型。其优势不来自激进追涨，而是来自下行风险控制——美股最小回撤仅 -4.92%，A 股波动率最低（6.72%）。

③ 高流动性市场更利于 AI 超额收益在美股（成熟、透明、连续交易），三个 Agent 跑赢 QQQ 基准；但在 A 股（政策驱动、情绪主导），无一 Agent 跑赢 SSE-50。结论：当前 AI 更擅长在信息透明、机制稳定的市场中寻找 alpha。

④ 单市场优化无法跨市场迁移DeepSeek 在美股（+8.39%）表现亮眼，但在 A 股录得 -1.23%；而在加密市场中凭借高仓位现金管理（现金占比峰值约41%）反而成为唯一跑赢基准的模型。说明当前模型缺乏真正的跨市场泛化能力。

Now What — 对我们意味着什么？

学术界：

• 开辟了"活体评测（Live Evaluation）"这一新的研究范式，使静态基准无法触及的能力（实时适应、信息验证、跨市场泛化）进入可研究范畴。
• 为 Agent 的"认知偏差"研究提供素材——Case Study 展示了 LLM 会出现类似人类的"情绪化交易"和"锚定偏误"。

工业界：

• 金融机构可参考本框架评估哪款模型更适合特定市场的自动化策略；
• "风控优先"的设计哲学（MiniMax-M2 的成功）对实际量化产品有直接指导意义；
• 开源的 MCP 工具链可被复用于构建合规的 AI 交易系统原型。

📖 术语词典

最小信息范式（Minimal Information Paradigm）

• 是什么：Agent 仅获得工具列表、当前持仓和实时价格，所有其他信息必须通过工具自主获取，零人工干预。
• 为什么重要：这是 AI-Trader 区别于所有现有金融基准的核心设计——消除了"喂数据"带来的虚假表现。
• 现实类比：就像考驾照不给你提前看题，直接把你放上真实路况考试。

数据无污染（Data-Uncontaminated）

• 是什么：评测使用评测期内产生的真实实时数据，模型在训练时不可能见过这些数据。
• 为什么重要：避免 LLM 因"记住"历史数据而表现出虚假的预测能力。
• 现实类比：就像用明年的考题考学生，而不是去年已经泄露的题。

累计收益（Cumulative Return, CR）

• 是什么：评测期内策略的总盈亏百分比， 。
• 为什么重要：最直观的"赚没赚钱"指标，但不考虑风险。
• 现实类比：你投了100块，最后剩了多少。

最大回撤（Maximum Drawdown, MDD）

• 是什么：评测期内从峰值到谷底的最大跌幅，永远是负数。
• 为什么重要：衡量"最坏情况"，决定投资者心理承受力和资金安全边际。
• 现实类比：你账户最高涨到120块，后来跌到90块，MDD就是 -25%。

ReAct 范式

• 是什么：交替执行"思考（Reasoning）"和"行动（Acting）"的 Agent 决策框架，确保行动有明确推理支撑。
• 为什么重要：让 Agent 的每一笔交易都有可解释的逻辑链，支持审计和改进。
• 现实类比：就像医生先做诊断报告（推理），再开药方（行动），而不是随机猜测。

索提诺比率（Sortino Ratio, SR）

• 是什么：用下行波动（只计亏损方向的标准差）衡量风险调整收益的指标。
• 为什么重要：比夏普比率更公平——策略因为大涨而波动高，不应被惩罚。
• 现实类比：一个驾驶员只因"紧急刹车"扣分，不因"加速超车"扣分。

MCP（Model Context Protocol）

• 是什么：标准化的 LLM 工具接口协议，让不同模型以统一方式调用外部工具。
• 为什么重要：保证六个模型在完全相同的工具条件下公平竞争，结果差异只来自模型本身。
• 现实类比：就像所有选手用同款球拍打比赛。

跨市场泛化（Cross-Market Generalization）

• 是什么：在一个市场训练/优化的策略，能否在另一个市场同样有效。
• 为什么重要：真正通用的 AI 交易系统必须在不同市场微结构下都能适应。
• 现实类比：一个在上海炒股赚钱的策略，拿到纽约或币圈还能赚钱吗？

⚖️ 批判性评估

1. 假设前提的合理性

评测周期过短：美股和 A 股仅评测约5周（38个交易日），加密仅两周。金融策略的有效性通常需要跨越多个市场周期（牛熊转换）才能验证。本文的评测恰逢美股上涨期和加密下跌期，这一特定市场环境可能系统性地偏袒某类策略（如 MiniMax-M2 的防御风格在美股上涨期自然表现出色）。

"最小信息"设计的双刃剑：让 Agent 从零开始搜集信息，是真实模拟，但也引入了"工具调用效率"这一干扰变量。擅长高效搜索的模型可能比"思维更深邃"的模型表现更好，评测的究竟是推理能力还是信息检索效率？

基准选择的局限：以 QQQ（大盘 ETF）作为 baseline 是合理的，但没有对比传统量化策略（如均值回归、动量策略），也没有对比更简单的"等权持有所有成分股"策略，难以判断 AI 是否真的带来了方法论上的价值。

2. 实验设计的可质疑之处

仅六个模型：选取的六个模型（DeepSeek、MiniMax、Claude、GPT-5、Qwen3、Gemini）版本选择时间点不同，且 GPT-5 和 Claude-3.7 处于不同的代际——这不是真正的同期公平对比，更像是"近期最强模型大乱斗"。

Prompt 设计的影响：论文展示了统一的系统 Prompt，但不同模型对相同指令的理解和响应方式存在显著差异。Prompt 工程本身可能比模型本身的差异更影响结果，这是一个未受控的变量。

单次运行无置信区间：金融市场本身具有随机性，同一策略不同时间运行结果可能差异巨大。论文未报告多次运行的方差，也未做统计显著性检验，难以判断结果是否稳健。

3. 方法的适用边界

真实资金规模问题：本实验显然是小规模虚拟资金测试。一旦 Agent 管理大额资金，其自身交易行为会显著影响市场价格（市场冲击），当前框架完全没有考虑这一现实约束。

监管合规盲区：Agent 的完全自主决策在许多司法管辖区涉及合规问题（如 MiFID II 要求人类监督）。论文将这个问题完全忽略，但对工业落地至关重要。

对极端事件的脆弱性：Case Study 显示 Agent 会被单一新闻源误导（"结构性慢牛"案例），在信息对抗（fake news、市场操纵）场景下，当前 Agent 的鲁棒性存疑。

4. 未来改进方向

作者提出的方向：

• 引入多智能体协作（如分析师+风控+执行多角色分工）；
• 增强信息验证模块，避免单一信息源触发决策；
• 研究更复杂的连续动作空间（而非买/卖/持三选一）。

我们认为还可以从以下角度改进：

• 对抗性评测：注入错误信息、噪声新闻，测试 Agent 的信息甄别能力；
• 长周期评测：延长到6个月以上，覆盖完整的市场周期；
• 成本建模：纳入交易手续费、滑点、市场冲击成本，使结果更贴近真实盈利能力；
• 可解释性研究：对 Agent 的推理日志做系统性分析，量化不同信息类型（宏观/公司/情绪）对决策的贡献比例；
• 人机协作：研究"AI建议+人类审核"的混合范式是否优于纯自主决策。

📚 参考资料

• 原文：arXiv:2512.10971
• 项目主页：https://ai4trade.ai/
• 开源代码：https://github.com/HKUDS/AI-Trader
• 相关基准：LiveCodeBench（动态代码评测）、StockBench（早期 LLM 股票基准）、InvestorBench（金融决策基准）
• 关键技术：ReAct: Synergizing Reasoning and Acting in Language Models、Model Context Protocol