AI交易智能体新思路：让LLM写策略而非做决策

当AI交易智能体遇到"每天换答案"的难题

AI交易智能体的吸引力显而易见：没有情绪波动，普通人无需掌握量化数学，用自然语言就能把自己的交易想法变成可执行的策略。但一位开发者在长期试用后发现了一个核心痛点，并据此构建了一个名为 AlphaGround 的平台。

问题出在决策机制上。在大多数AI交易智能体里，大语言模型（LLM）每天都在亲自做交易决策——同样的提示词，却可能给出不同的答案。当策略亏钱时，你根本无法判断：到底是你的交易思路错了，还是模型今天"状态不好"随机发挥。这种不确定性意味着你无法迭代、无法改进，只能凭运气。

核心思路：把LLM从"交易员"变成"作者"

这个平台最关键的设计，是把LLM在流程中的角色彻底翻转。

LLM负责"写"，策略负责"跑"

传统做法让LLM充当交易员，每笔交易都要它参与；而新的做法是让LLM充当策略的作者。用户用自然语言描述自己的交易想法，LLM会针对模糊的地方追问几个问题，然后把这些想法编写成一个可执行的策略——也就是量化分析师通常需要手工编码才能完成的东西。

用户审核确认后启动策略。从这一刻起，策略会独立完成每一笔交易，LLM不再介入决策环节。这意味着智能体会严格遵循你设定的策略执行每一笔交易。

这种架构在量化领域有一个对应的技术概念：将策略生成与策略执行解耦。传统量化交易系统中，策略逻辑通常以代码形式固化（如Python或Pine Script），运行时不依赖任何外部模型的实时推理。AlphaGround的做法本质上是用LLM充当"代码生成器"，将用户的自然语言描述转译为确定性规则——这些规则可能是条件触发逻辑（如"当RSI低于30且成交量放大时买入"），一旦生成便以固定逻辑运行。这与近年来流行的"LLM as compiler"思路一脉相承：LLM擅长理解意图、消除歧义、生成结构化输出，但不适合在需要一致性的场景中充当实时决策节点。

可归因性：亏损时你知道该怪谁

这种架构带来的最大价值是可归因性。当策略亏钱时，你能确定这是策略本身的问题，而不是模型随机发挥的结果，因此可以有针对性地改进。

平台还强调每笔交易都会清楚展示其发生的真实原因——不是AI事后编造的故事，而是触发交易的实际条件和具体数值。这种透明度是传统"黑箱式"AI交易所缺乏的。

公开可验证的业绩与GitHub式的协作

除了决策机制的创新，这个平台在业绩记录和社区协作上也借鉴了开源的理念。

不可篡改的公开战绩

策略目前可以在真实市场数据上运行，使用10万美元的模拟资金（paper trading）。所有业绩记录都是公开且不可编辑的。如果你修改了策略，它会成为 v2 版本，而 v1 的历史交易仍然可见。这种版本管理机制让每个策略的演进过程完全透明。

Paper trading（模拟交易）是量化策略验证中的标准环节，指在真实市场数据上以虚拟资金模拟下单，但不产生实际成交。其核心价值是在零风险条件下评估策略逻辑是否有效。然而模拟交易存在一个业内公认的局限：它默认订单能以当前报价完整成交，忽略了实盘中的滑点（实际成交价与预期价格的偏差）、市场冲击（大额订单影响价格）以及流动性不足（无法按预期数量成交）等摩擦成本。高频或大资金策略在模拟与实盘之间的表现落差尤为显著。因此平台目前展示的模拟业绩，需在实盘功能上线并积累足够数据后才能作为可靠参考。

像Fork代码仓库一样复用策略

你还可以 fork（分叉）任何人的智能体，把它改造成自己的版本，就像在 GitHub 上操作代码仓库一样。这样一来，策略在公开环境中被分享、以真实结果来衡量，所有人都能从真正有效的方法中学习。这种设计把量化策略从个人闭门造车，变成了可共享、可验证的协作生态。

将策略共享机制类比为GitHub的Fork，背后有其合理性：GitHub的核心价值在于版本控制与可追溯性——每次修改都有记录，任何人都可以从某一历史节点分叉出新版本，原版本的记录不受影响。AlphaGround的版本管理逻辑与此类似，v1策略的历史交易在v2发布后仍可查阅，这在金融场景中意味着"回测作弊"和"选择性展示"的空间被压缩。不过两者存在本质差异：代码仓库的价值来自协作贡献，而交易策略天然存在"公开即失效"的悖论——一旦足够多的人使用同一策略，其依赖的市场低效往往会被套利行为消除。这是任何策略共享平台都需要面对的长期挑战。

产品现状与早期用户机会

该平台目前以公开测试版（public beta）形式开放，免费试用。现阶段仅支持模拟交易，开发者表示接入真实券商的实盘交易功能将在下周上线。

作为早期激励，前1000名注册用户将成为"终身创始会员"，获得个人资料徽章和不定期福利。

一点观察与思考

这个产品最有价值的洞察，其实不在于"AI能帮你交易"，而在于它诚实地承认了LLM作为实时决策者的不可靠性。LLM输出的随机性对于创作、对话场景或许无伤大雅，但在需要可复现、可归因的金融决策中就是致命缺陷。

把LLM定位为"策略生成器"而非"实时交易员"，本质上是用确定性的规则引擎来执行决策，用LLM来降低编写规则的门槛——这是一种相当务实的折中。它既保留了自然语言交互的易用性，又避免了把真金白银（未来接入实盘后）押注在模型的随机波动上。

不过也需要保持理性：模拟交易的亮眼业绩与实盘表现之间往往存在巨大鸿沟，滑点、流动性、真实成交等因素都会显著影响结果。该平台的实盘功能尚未上线，其实际价值仍有待市场检验。对于有交易想法但缺乏编程能力的用户来说，这类工具值得关注，但务必以验证和学习的心态谨慎尝试。

注：本文基于开发者在 Reddit 上的单一来源介绍整理，相关功能描述和业绩主张均来自平台方，尚未经过独立验证。