DeepSeek從從容容游刃有余? 港大開源一周8k星標走紅

2025 年 10 月，美股經歷了一輪典型的震蕩行情：月初科技股強勢反彈，月中通脹數據擾動市場，10 月 10 日前后納指單日波動超過 3%。

就在這波譎云詭的市場環境中，港大黃超教授團隊的開源 AI-Trader 項目正式啟動實盤測試。

該項目上線一周時間在 GitHub 上獲得了近 8K 星標，展現了社區對 AI 自主交易技術和金融市場分析的能力高度關注。

• 開源項目地址： https://github.com/HKUDS/AI-Trader
• 實時交易監控： https://hkuds.github.io/AI-Trader/

六位大模型 AI 交易員，每人手握 1 萬美元啟動資金，被獨自投入納斯達克 100 的激烈戰場。

規則嚴苛：不能求助、不能預知、不能重來。

它們只能憑借自己的「智慧」——看新聞、查價格、分析數據、執行交易，在真實的市場風暴中求生存、求盈利。在 10 月一整月的實盤交易后，它們交出了截然不同的答卷：

作為參照，同期 QQQ（納斯達克 100 ETF）僅上漲 +2.30%。

這并非單純的智力較量，而是一場深度的行為金融學實驗。

實驗核心在于測試 AI 系統的三項關鍵能力：

交易紀律：能否嚴格執行既定策略，不被短期波動左右

市場耐心：在高頻噪聲中保持冷靜，等待真正的交易機會

信息過濾：從海量市場數據和新聞中篩選出真正有價值的信號

這種設計反映了現代量化交易的核心挑戰：技術分析已經高度同質化，真正的競爭優勢往往來自于行為控制和信息處理的差異化能力。

震蕩中的六種 AI 的「生存策略」

10 月 10 日的市場震蕩為這場 AI 交易實驗提供了一個理想的壓力測試場景。各 AI 系統的反應模式，清晰地展現了其底層算法架構和決策框架的本質差異。

DeepSeek-Chat-V3.1：在恐慌中看見機會，反向思維的量化體現

策略特征：逆向情緒交易在市場普遍減倉時，DeepSeek 于 10 月 11 日反向加倉 NVDA 和 MSFT。其決策邏輯基于基本面分析：「財報季臨近，龍頭公司基本面未變，短期波動提供更好入場點。」

分析要點：這種策略成功的關鍵在于其對市場情緒與基本面價值的區分能力。13.89% 的領先收益驗證了 contrarian 策略在震蕩市中的有效性。

MiniMax-M2：穩如磐石的「平衡術」，低頻交易的風險控制優勢

策略特征：組合平衡 + 低換手率 MiniMax 在震蕩期間基本未調整倉位，月度總交易次數僅 28 次。其預先構建的均衡投資組合（科技 + 消費 + 半導體）有效分散了單一板塊風險。

分析要點：該模型體現了噪音與信號分離的核心理念。10.72% 的穩定收益說明，在高波動環境下，策略一致性往往比靈活性更重要。

Claude-3.7-Sonnet：長期主義者的勝利

策略特征：長期持有 + 基本面導向 Claude 自 10 月 1 日起持續增持 NVDA、AAPL、MSFT，即使在 10 月 10 日的暴跌中也未減倉。其決策框架明確基于企業長期價值：「現金流強勁、AI 業務增長可見。」

分析要點：7.12% 的收益率雖不突出，但其低回撤、高一致性的表現體現了經典價值投資理念在 AI 交易中的可行性。

GPT-5：靈活但略顯猶豫

策略特征：適應性調倉 GPT-5 試圖通過 10 月 8 日減持 MSFT、10 月 12 日回補的操作實現「動態優化」，但兩次調倉均未能精確把握市場時點。

分析要點：7.11% 的收益與 Claude 基本持平，但其策略執行中暴露的時機判斷偏差問題，反映了高頻調整策略在實際交易中面臨的執行成本。

Qwen3-Max：等待「完美時機」的代價

策略特征：擇時等待 Qwen3 前兩周保持空倉狀態，直到 10 月 18 日才開始建倉 NVDA 和 META，試圖等待「完美入場時機」。

分析要點：3.44% 的收益率揭示了擇時策略的根本性挑戰：市場最佳機會窗口往往稍縱即逝，過度等待的機會成本可能超過風險收益。

Gemini-2.5-Flash：被噪聲淹沒的「高頻戰士」

Gemini 月度交易 73 次，僅 10 月 10 日就執行 5 次買賣操作。更關鍵的是，其 10 月 22 日的全倉清倉決策產生了顯著的市場沖擊成本。

分析要點：-0.54% 的負收益主要源于兩個結構性問題：過度交易導致的摩擦成本累積和情緒化決策導致的時機錯誤，這正是傳統高頻交易策略在小資金規模下的典型失效模式。

真正的智能，是克制「做點什么」的沖動

這場實驗揭示了一個反直覺的事實：在復雜系統中，行動力未必是優勢，有時反而是負擔。

Gemini 擁有最快的推理速度和最豐富的參數，卻因「過度反應」而失敗； Qwen 追求絕對安全，卻因「過度等待」而錯失良機； 而 DeepSeek 和 MiniMax 的成功，恰恰源于它們知道何時該動，何時該靜。

這讓人想起巴菲特那句老話：

「別人恐懼時我貪婪，別人貪婪時我恐懼。」

但 AI 沒有「恐懼」或「貪婪」——它們有的，是對信息的過濾機制、對目標的錨定能力，以及對自身策略的忠誠度。

DeepSeek 不是預測了市場， 而是拒絕被市場牽著鼻子走。

開源平臺：

不只是炒股，更是研究「智能行為」

AI-Trader 已在 GitHub 開源（MIT 協議），支持：

• 多模型并行回測（現支持 DeepSeek、Claude、GPT、Qwen、Gemini、MiniMax）
• 自定義市場環境（可模擬 2020 年熔斷、2022 年加息等極端場景）
• 決策日志全透明回溯（查看 AI 每一步推理鏈）
• 未來將支持 A 股、港股、加密貨幣等多市場接入

你甚至可以：

• 給 Claude 加上「價值投資」人格提示，看它是否更保守；
• 讓 Gemini 接入情緒過濾插件，測試能否減少噪聲干擾；
• 或訓練一個「宏觀 AI」，結合美聯儲利率路徑做資產配置。

但請記住：這仍是實驗，不是投資工具。當前 AI 尚無法穩定戰勝市場，且極端行情下可能放大風險。

結語：

AI 交易的鏡像效應

通過觀察六個 AI 系統在股市中的表現差異，我們不僅看到了算法架構的不同，更重要的是，它們映射出了人類投資者的典型行為模式：

• 過度交易沖動：如 Gemini 在市場波動時的頻繁操作
• 擇時焦慮：如 Qwen 過度等待「完美時機」的決策延遲
• 情緒化決策：在不確定性面前的紀律性缺失

實驗的深層價值

AI-Trader 項目的意義并非在于創造超額收益，而在于提供了一個決策行為的分析框架。通過量化不同策略在相同市場環境下的表現，我們能夠更客觀地理解：

有效的投資決策往往來自于對不確定性的合理管理，而非對市場的完美預測。

中國 AI 的實踐進展

值得注意的是，本次實驗中表現領先的 DeepSeek 和 MiniMax 均為中國開發的大模型。這表明中國 AI 技術正在從對話交互能力向實際任務執行能力演進，在金融決策這類復雜場景中展現出了可觀的應用潛力。

技術應用的前景展望

金融交易作為一個標準化、數據豐富的應用場景，為 AI 決策能力提供了理想的驗證環境。隨著模型能力的持續提升，類似的 AI 系統有望在供應鏈優化、醫療資源配置、城市管理等更多復雜決策場景中發揮作用。

當然，從實驗室到實際應用，仍需要在監管合規、風險控制、系統穩定性等維度進行更深入的驗證和優化。

團隊介紹

范天宇，香港大學博士二年級學生，研究方向為檢索增強生成 (RAG) 與大語言模型智能體。學術成果發表在 ICLR 會議，并主導開源項目 MiniRAG (約 1.5k GitHub 星標)，在學術與產業界獲得廣泛應用與關注。

蔣揚欽，香港大學博士四年級學生，研究方向涵蓋大模型智能體、圖學習與推薦系統。其研究成果入選 KDD 2022 最有影響力論文榜單，并獲 ACM MM 2024 Best Paper Honorable Mention Award。

楊雨豪，香港大學博士四年級學生，谷歌學術引用 1800+。主要研究方向為大模型智能體、圖學習與推薦系統。其成果多次入選頂級會議最有影響力論文榜單 (KDD 2022/2023、WWW 2023、SIGIR 2022)。其開源多模態 GUI 智能體 Aria-UI 在學界與業界獲得關注。

黃超，香港大學博士生導師，研究方向大語言模型、智能體與圖機器學習，Google Scholar 引用 1.3 萬+。其團隊推出 LightRAG、RAG-Anything、DeepCode、AutoAgent、AI-Researcher、MiniRAG、VideoRAG 等開源項目，累計 6 萬余 GitHub 星標、50 次登上 GitHub Trending。曾獲 WAIC「璀璨明星」、2024 前沿科學獎，并入選 2025 AI100 青年先鋒與 AI 2000 全球最具影響力學者。其多項成果在 KDD、WWW、SIGIR、AAAI 等頂會被評為最具影響力研究之一，并于 ACM MM、WWW、WSDM 等獲得最佳論文提名。