宏观、政策和现货需求提供火种，拥挤空头和清算机制提供燃料。

阅读原文

跳转微信打开

存储芯片的市场关注与收盘资金信号较强，板块成分表现也较一致。具身智能延续政策、关注和资金三方面呼应，但政策热度边际回落。算电协同与智能体应用则在市场整体走强时表现偏弱，信号分歧较为明显。

阅读原文

跳转微信打开

光通信与高速互联的收盘资金确认较强，市场关注同步偏强；智能体应用同日表现突出，但政策热度与市场关注仅居中。医药研发与定制生产、电力市场与绿色电力服务同层表现偏弱，且成分下跌较一致，显示板块间分化明显。

阅读原文

跳转微信打开

市场整体偏弱，创新药与生物制品、CPO及智算超节点系统呈现较强的板块级逆市表现。算力相关板块之间仅能确认同日共振，尚不足以判断稳定联动。新能源汽车政策热度与市场关注较强，但收盘交易表现偏负，信号并未形成一致确认。

阅读原文

跳转微信打开

光通信与高速互联在全市场普涨背景下仍表现较强，成分表现较一致。低空航空产业的政策热度、市场关注和资金确认方向一致，但尚无突出的板块级横截面表现。工业机器人与具身智能则出现政策及关注偏强、交易表现偏弱的明显分歧。

阅读原文

跳转微信打开

身智能政策、关注与交易三类信号同向偏强，与工业机器人呈同日共振。氢能产业虽资金确认突出，但市场关注内部分歧较大。城市更新与医药研发定制生产等板块则存在政策或资金偏强、其他信号偏弱的落差，整体不宜视为全面走强。

阅读原文

跳转微信打开

空航空产业在政策支持、市场关注和收盘交易表现之间形成较强呼应，并与综合物流与多式联运呈同日共振。金属与矿产材料同样获得多类信号支撑，但力度较前期略有回落。算力芯片、存储芯片虽保持较高关注，板块交易表现却明显偏弱。

阅读原文

跳转微信打开

创新药与生物制品、医药研发与定制生产的板块表现较强，AI服务器亦获交易数据支持；但医药两板块存在较多结构重叠，城市更新与市政设施则呈现政策较强、市场关注和交易确认不足的分歧。

阅读原文

跳转微信打开

休市日仅沿用2026年8月7日收盘交易确认，创新药与生物制品、AI服务器和医药研发与定制生产相对市场表现偏强，其中部分板块成分表现较一致。低空航空产业、具身智能和城市更新与市政设施的政策关注较强，但市场关注或交易确认相对偏弱，信号仍需区分观察。

阅读原文

跳转微信打开

创新药与生物制品、AI服务器、半导体材料等板块相对市场表现较强，成分上涨范围较广，资金确认也较为突出。具身智能和城市更新与市政设施的政策关注度较高，但交易确认偏弱，说明政策热度向市场交易的传导并不一致。

阅读原文

跳转微信打开

光通信与高速互联、半导体材料等板块相对市场表现较强，成分表现较一致。存储芯片和具身智能的市场关注仍在，但资金交易方向偏中性或偏弱；政策热度与市场关注、资金确认并未完全同步，需注意信号边界。

阅读原文

跳转微信打开

半导体材料与半导体设备同日表现突出，市场关注升温且收盘交易信号偏正，成分表现较一致。新能源汽车的政策支持仍较强，但市场信息同时包含销量下降等负向事实。中医药产品虽有规划支持，板块当日却逆市场偏弱，构成主要分歧。

阅读原文

跳转微信打开

收盘数据显示，光通信与高速互联、CPO及数据中心与智算设施形成同日共振，市场关注与资金表现较强。城市更新与市政设施虽有政策支撑，但板块逆市场走弱，成为最突出的信号分歧。光通信与CPO成分重叠较高，相关表现不能完全视作独立证据。

阅读原文

跳转微信打开

具身智能、电网与分布式电力系统的政策热度和市场关注均较强，但收盘交易表现并非同步增强。低空航空产业获得交易侧补充确认，市场关注却有所回落。半导体设备、集成电路设计与制造同日走弱，且成分表现较一致，构成当日主要负向信号。

阅读原文

跳转微信打开

原文地址：https://blog.mobiusquant.ai/part-1-is-using-ai-for-trading-really-reliable-77d3e924acb1 

AI Trading 到底靠不靠谱？这个问题随着 Nof1.ai 的 Alpha Arena 项目破圈出圈，开始被更广泛地讨论。

使用 AI 进行交易，正好也是我们团队长期专注的研究方向。接下来一段时间，我们将围绕 LLM 在交易中的应用、LLM Trading 的局限性、上下文管理与 CoT 优化方法、以及强化学习在 AI 交易中的融合等主题，持续发布系列技术博客。

大语言模型在交易过程中的实现逻辑

Alpha Arena 的第一期已经结束，对于排名的讨论其实没有太大意义。

从比赛过程来看，Alpha Arena 中的各个模型主要依据提示词和仓位反馈进行判断，呈现出典型的趋势交易特征。

然而，在量化交易的完整流程中，一笔趋势交易应包含信号评估、状态评估与仓位管理等多个环节。这些关键要素在提示词中并未体现。根据页面中 ModelChat 的展示，核心提示信息仅包括代币的简单指标与价格情况。

因此，这种“全托管式”的 AI 交易方式在实际应用中存在较大风险与局限。预计在后续的比赛中，项目方会对整体逻辑进行调整与优化。

不过，我们可以以 Alpha Arena 为引子，简单介绍一下 AI Trading 系统的设计逻辑。

总体而言，一个完整的 AI Trading 系统通常由以下几个核心部分组成：

• 数据层

• 指标与特征工程层

• 策略层

• 执行与交易路由层

• 监控、报警与可视化层

a. 数据层

功能：稳定、全面地采集并存储所有与交易相关的原始数据。

获取的数据主要分为两类：行情数据 和 舆情数据。

• 行情数据

主要来源于 Binance、Hyperliquid 等交易所的行情 API。

固定周期数据可通过REST API获取，而实时监控则依赖WebSocket API。

常见数据类型包括 Kline（K线）、深度、盘口挂单及成交明细等。

• 舆情数据

主要用于情绪分析。此类指标通常属于“宽指标”，仅具参考意义，权重较低。

仅在出现宏观事件（如 CPI、PPI 或 Taco 等）时，舆情指标的权重才会显著提高。

LLM 角色：

为舆情数据进行语义理解与标签化处理（即情绪分类与主题识别），为后续策略层提供特征输入。

b.指标与特征工程层

功能：

将原始数据加工为“可直接用于决策的特征”。

常规量化特征包括：

• 价格类： MA / EMA、ATR 波动率、布林带等

• 结构类： 高低点结构、FVG（Fair Value Gap）、公允价值缺口、支撑与阻力位

• 盘口类： 主动买卖量比、挂单厚度、盘口不平衡度

LLM 角色：

将“多指标 + 多周期”的量化特征结果输入 LLM，由其生成对当前行情的自然语言描述与综合评分。

需要强调的是：指标计算由程序完成，特征描述由 LLM 负责。

特征描述的核心目标是为决策系统提供高信息密度的输入。为了提升响应效率，此阶段的 LLM 不需要使用大型推理模型，经过简单微调的 32B 甚至 14B 轻量级模型即可胜任。

c.策略层

策略层是整个交易系统的“中枢大脑”，负责将市场信号、模型输出、AI 推理与风险约束整合为最终的交易决策。它决定系统的 买 / 卖 / 观望 行为、仓位大小 与 执行时机，是整个体系中最核心的部分。

策略层通常由两部分构成：

硬逻辑（规则 / 模型） + 软逻辑（LLM 推理）

硬逻辑指基于传统规则或数学模型计算得到的结果，包括：

• 趋势策略： 均线系统、量价关系、中枢信号

• 反转 / 均值回归： 偏离均值的标准差阈值、FVG 回补概率

• 做市 / 套利： 价差、Funding 费率、指数价与标记价的偏离

这部分逻辑具备可回测、可复现的特性，是确定性的量化路径，由程序代码直接计算完成。

软逻辑指 LLM 对多种规则的综合理解与权衡。AI 大模型会基于特征摘要与上下文信息，进行“语言化决策”或模糊判断，从而补充硬逻辑无法覆盖的非结构化信息与语义关联。

输入：

{
  "BTCUSDT": {
    "MA_1h": 0.82,
    "VWAP_Trend": "up",
    "FundingRate": 0.012,
    "OI_Change": "+5.3%",
    "Sentiment": "positive",
    "Event": "ETF inflow + news: 'BTC institutional demand rising'"
  }
}

LLM 输出：

{
  "decision": "LONG",
  "confidence": 0.87,
  "reason": "MA_1h and VWAP confirm trend; funding neutral; OI increase supports breakout."
}

在这一层中，LLM 参与交易决策，主要承担以下几项工作：

• 评估趋势持续性

• 判断是否存在过度波动或结构性反转

• 识别虚假突破（结合多指标与舆情信息）

• 解释资金行为（出场 vs 建仓）

• 进行信号加权与文字化总结

LLM 的角色：充当行情推理与决策的大脑。

传统量化系统在多指标、多因子决策中，常采用线性加权、投票机制或强化学习等因子融合方式。

但无论哪一种，本质上都存在 因子间高度相关、权重难以动态调整、以及模型缺乏对市场状态切换的自适应能力 等问题。

在 LLM 场景 下，系统可以通过 Prompt 将结构化行情数据与自然语言描述相结合，让模型在语义层面理解市场状态。LLM 能够判断当前哪些因子更具解释力，动态调整其权重，并输出具有可读性的决策理由。

这意味着量化系统不再只是一个“因子加权器”，而演化为具备 语义推理与可解释性 的智能分析层。

关键在于：如何让 LLM 进行合理的推断，使其像一位经验丰富的交易员那样思考与判断。这一主题涉及 LLM 的局限性、上下文管理以及思维链（Chain of Thought, CoT）等内容，我们将在后续的博文中专门展开讨论。

d.执行与交易路由层 / 监控、报警与可视化层

功能：将上层的交易决策真正落地执行——即将指令发送至交易所（如 Binance、OKX、Hyperliquid 等），并对执行过程进行跟踪、监控与可视化展示。

在实现上，这一层主要负责对交易所 API 的封装与调用。系统会解析 LLM 输出的格式化 JSON 下单数据，并执行对应的交易操作。

除此之外，其他部分主要属于常规的工程化实现，例如：订单状态回调、日志记录、异常报警、以及执行结果的可视化呈现等。

{
  "meta": {
    "model": "gpt-5-trading-001",
    "timestamp_utc": "2025-10-06T08:30:15Z"
  },
  "context": {
    "symbol": "BTCUSDT",
    "timeframe": "15m",
    "price": 103281
  },
  "decision": {
    "action": "OPEN_LONG",
    "confidence": 0.86,
    "position_size_usdt": 6000,
    "leverage": 3,
    "entry_price": 103281,
    "stop_loss": 101200,
    "take_profit": [102261, 104251],
    "valid_for_s": 120
  },
  "reasoning": {
    "summary": "1h 与 15m 周期均处上升趋势，资金费率中性且 OI 稳定增加，推测为健康多头延续。",
    "factors": ["xxx = 0.82", "xxx_趋势=上", "Funding=0.012", "OI_+5.3%"]
  },
  "risk_flags": {
    "within_limit": true,
    "high_volatility": false
  }
}

总结

在量化交易场景下，AI 的核心价值在于为“多指标、多因子”的决策系统提供了一种更智能的解决路径。

回顾整个流程，LLM 在交易系统中的主要作用可以归纳为以下三个方面：

• 对非结构化信息进行情绪化标签处理

• 生成高信息密度的特征描述

• 参与多因子的综合决策

其中最关键的，是 特征描述 与 多因子决策 这两个环节

两者所使用的 LLM 类型与目标并不相同：

• 特征描述模型：逻辑要求较低，主要用于将现有指标进行定性化输出。此类任务可通过对 Qwen、DeepSeek 等量化版本模型进行轻量级微调即可完成。如果使用的指标体系为公开标准指标，甚至无需微调即可获得可用效果。若涉及自研或调参优化后的指标，则建议准备部分样本数据进行微调，以帮助模型理解自定义特征的语义。

• 决策模型：需要具备推理与思维链能力（Chain of Thought）。此时可选用具备推理特性的模型，如 DeepSeek R1、ChatGPT 5 等。

  研发的重点在于 如何进行上下文管理，以及 如何让模型像交易员一样思考与推断。

需要特别强调的是，一股脑地将所有数据直接喂给 LLM，效果往往极差。正如 AlphaArena 的表现所示，若缺乏结构化输入与信息压缩，模型难以形成有效决策。

在实际应用中，提交给决策层的内容必须经过筛选与压缩，提升信息密度，才能在有限的上下文窗口中实现高质量推理。

看到这里，相信你已经对 AI Trading 有了更客观、系统的认识。在接下来的章节中，我们将深入探讨 LLM 的局限性、决策优化路径，以及 如何让模型真正具备交易员式的思考能力。

关于我们

Mobius Quant 是一个以 指标研发 与 人工智能（AI） 为驱动力的量化研究团队，致力于打造更高效、更智能的交易系统。

官网：https://www.mobiusquant.ai

不久之后，我们将在官网上展示由 AI Agent 驱动的实盘交易成果，敬请期待。

阅读原文

跳转微信打开

阅读原文

跳转微信打开

阅读原文

跳转微信打开

Hi

阅读原文

跳转微信打开

阅读原文

跳转微信打开

【特别推荐】云环境潜在威胁分析——AWS Lamda

阅读原文

跳转微信打开