## Alpha Arena 简介

Alpha Arena 是近来讨论度很高的 AI 交易比赛。六大主流大模型（Qwen、DeepSeek、GPT、Gemini、Claude、Grok）各拿 1 万美元，在同一个交易所、同样的数据和提示词下自主做短线交易。近期官方又开启了 1.5 赛季，更贴近我们平时炒股的节奏：把战场从加密市场搬到了美股（纳斯达克科技股），规则更复杂，引入新闻和情绪，参赛选手也更多，关注度再次升高。

这个比赛的有趣点在于：模型没有任何人为干预，全靠自己理解行情、解读数据、管理仓位、控制风险。换句话说，它更像是在测试“大模型能否用自己的理解，在真实市场里活下来”。

随着比赛火起来，也出现了一些开源工具，把 Alpha Arena 的流程简单复刻：喂给模型数据，让它自己给出买卖点。于是一个问题自然就冒出来了：我们是不是现在就能跟着大模型炒股了？

本文想结合这个问题，看看：

  • 大模型现在到底能做到哪一步？
  • 哪些环节它很强？哪些地方暂时解决不了，为什么？
  • 在现阶段，我们能采用的相对“最优”的使用方式是什么？

提示词

和其它调用大模型的任务一样，在不做微调的前提下，提示词就是核心设计。从大家反推 Alpha Arena 的提示词可以看出，大致包含两类内容：

  • 硬规则：止损、止盈、持仓上限、仓位梯度等，这些用传统程序实现更精确，也完全可以脱离大模型。
  • 情境判断：比如选股、买卖时点，这部分靠大模型的推理和语言理解更有优势，它的输入又分成“能量化的技术指标”（RSI、KDJ、布林带等）和“难完全量化的信号”（情绪、新闻、突发事件的理解）。

如果真有一套规则能把所有信息量化，那还需要模型来决策吗？其实，大模型不是只靠量化指标做判断，它本身还隐含了一些策略逻辑。在 Alpha Arena 中，无需自行编写策略，默认的大模型已经掌握了一些策略。只需提供数据，即可触发相应的策略。

策略

策略写法上有两派：把所有规则（如止损、止盈、买入卖出触发条件）塞进一个复杂策略，或者写一组模块化策略逐一代入。前者表面上统一，但复杂性提升后，调试和排错都很困难；后者更利于测试、演进和替换，也是多数实战团队常用的方法。

策略的真正难点不在写 if/else，现今多数编程辅助工具就能做得很好，而难在当同一市场状态代入多策略后该如何选择：什么时候用哪一套规则、并行策略如何排序、冲突时选谁、参数如何调优——这些其实是个典型的机器学习/优化问题。实战里常见解法有元控制器（meta controller）、mixture-of-experts 或基于回测/贝叶斯优化的策略组合权重选择。在这方面，通常需要真实市场的数据来训练调优，需要投入大量高保真仿真、离线 RL 训练并加入真实交易摩擦，这成本和风险都不低。

目前最优方式

综上，量代交易大致可以拆成三块：量化问题、策略实现、决策冲突处理。前两者大模型确实能帮上忙，但第三块——决策冲突——目前仍是难点，往往需要更细的任务数据去调优。

精调大模型本身就不轻松：它用文本来处理计算与推理，天然增加了复杂度；而股价的波动又深受国家、文化、经济周期与事件影响，数据范围很难划定，训练成本也不低。

在我看来，更现实的做法是：把大模型当成因子抽取器，用它来辅助设计策略，而别让它负责整个决策流程。如果要追求收益，更适合在明确的市场上，用实际盈利目标来训练强化学习模型，比起大模型精调，更容易看到效果。

短期来看，大模型更像一个“聪明助手”，而不是那个“包揽一切的经理人”。