智能交易選 AI：十個大模型六週實測，最聰明未必最會賺

作者：小風｜Ace Fortune 領財智庫首席交易員兼 AI Trading Academy 專業導師

十個大模型，同一筆起始資金，同一份真實市場報價，同一組槓桿上限。跑六週，看誰的帳戶最後站得住。

香港大學經管學院 AIEL 做過這樣一場實時外匯實驗。十個主流模型，包括 GPT、Claude、Gemini、DeepSeek、Qwen、Grok、GLM、Kimi、MiniMax 與 Seed，在同一個規則下各自操盤。這份結果對智能交易的討論有用，因為它把「模型多聰明」和「模型多會賺」拆成兩件事。

這件事已經不是實驗室裡的題目。Interactive Brokers 已經開放用戶把 ChatGPT、Claude、Grok 這類模型接進投資帳戶，用在市場研究、組合分析，甚至生成交易指令。模型從「回答問題」變成「能調用工具、連接真實系統」。問題於是換了一個：它真的能操盤嗎。

先別急著找第一名。你先看另一件事：推理榜排前面的名字，跟收益榜排前面的名字，對得上幾個。

十個模型，同一條起跑線

實驗設計不複雜，難的是把每個條件鎖死。起始資金一樣，可用的工具一樣，能開的槓桿上限一樣。剩下的差別只有模型自己的判斷。

條件鎖死這件事，比結果本身更關鍵。市場上多數模型比較，起點就不一樣，本金、工具、槓桿上限全都不在同一條線上。那樣的比較只能看熱鬧。

資料來源也是同一份。用的是真實市場報價，不是整理乾淨的歷史回放。模型每隔一小時拿到一次最新資訊，然後自己決定這一步要不要動。

「自己決定」這四個字，是整場實驗的核心。要不要搜新聞、要不要看行情、要不要調倉位，全部由模型自己選。多數人討論智能交易時焦點常放錯。他們問哪個模型最聰明，不問它拿到自由之後怎麼用。

一小時一次資訊，這個頻率值得多想一秒。它比人類盯盤慢，比多數日內策略也慢。模型拿到的不是即時串流，是一小時一張的快照。

一小時一張快照，等於把連續行情切成一段一段的定格畫面。模型看不到兩格之間發生的事，也看不到自己的單在中間被掃過幾次。這個限制對高頻打法很致命，對持倉幾天的做法影響不大。

所以這場實驗測的不是手速。測的是拿到一張快照之後，它怎麼讀、怎麼取捨、怎麼決定要不要動手。

六週的成績：前排換了名字

六週跑完，累計收益排在最前面的是 Qwen3.5 Plus 與 Kimi K2.5。兩者都做出接近兩位數的累計收益。

另一邊，MiniMax 2.5 與 DeepSeek V3.2 出現比較大的虧損。同一套規則、同一份報價，結果差得很遠。

接近兩位數，在六週的尺度上算是明顯的差距。但這個差距有多少參考價值，要看它是不是靠一次重倉換回來的。關鍵在於那是一步押對，還是每一步都做對，兩者外表相似，本質不同。

同一套規則能跑出差異這麼大的結果，這件事本身就值得停一下。智能交易的績效很少由單一判斷決定，通常是一連串小決定的總和。

真正有意思的地方不在這裡。研究機構自己指出，這份結果跟它先前公布的推理能力評測、通用能力榜單對不上。推理、問答、寫程式領先的模型，沒有在真實市場拿到最好的收益。

一句話講完：會考試的，未必會比賽。

我不覺得這是模型的問題，這是兩種任務的問題。基準測試是一份有答案的卷子，市場是一場沒有答案的比賽。

卷子上寫錯就是錯。市場上判斷對了，還可能死在別的地方。兩邊的計分方式，從一開始就不一樣。

推理強，為什麼不等於賺得多

這裡要拆細一點。我把原因分成三層，三層都會吃掉收益。這也是我評估任何智能交易方案時固定會走的路徑。

第一層：基準測試有標準答案，市場沒有

推理題有正確答案，你算對了，分數就是你的。模型在這種任務上領先，代表它的推導能力強。

市場不給你答案，它只給你下一根價格。同一個判斷，可能這一週成立，下一週失效。

差別不在難度，在性質。有答案的題目可以靠推理取勝，沒有答案的局面只能靠應對。

賽場上我也見過類似的事。練習賽成績最好的選手，決賽常常先崩。原因不是技術，是練習賽沒有觀眾、沒有壓力、也沒有會突然變招的對手。

我訓練自己做判斷的順序是固定的。先寫下「我猜不到」，再寫下「所以我先做什麼」。順序反過來，後面全部會歪。

第二層：方向對，倉位與風控決定結果

這一層最容易被忽略。模型可能看對了方向，最後還是虧。原因寫起來很無聊：倉位太大、加得太早、止損太遠、時機差半步。

一個看對方向的倉位，用兩倍的規模去做，回撤會先把你震出去。等到方向真的走出來，你已經不在了。

這不是模型笨，這是它有判斷、沒有預算。判斷決定你看哪邊，預算決定你能活多久。

槓桿會把這件事放大。根據 IFEC 槓桿外匯基本認識 的說明，槓桿以按金形式放大持倉，同一點價格移動對應的金額會按比例增加。倉位錯一次，代價不是加法，是乘法。

我覆盤自己那些做壞的單，很少是看錯方向，多數是方向對，倉位錯了。這個錯誤最難承認，它證明你讀懂市場，卻沒讀懂自己。

模型也一樣。它不缺推理，它缺一條「最多虧多少就必須停」的硬約束。這也是智能交易最常出事的位置。

第三層：怎麼找資訊，本身就是策略

這場實驗讓每個模型自己決定要不要搜新聞。這個自由看起來很小，實際上是最大的變數。

有的模型每小時都去抓宏觀消息，看到利率、就業、政策風向就調整。有的模型只看價格走勢，把新聞完全排除。

兩種做法沒有同一個正確答案。它們會在同一段行情裡，走出完全不同的曲線。

搜尋本身也有成本。多搜一次，就多一組互相矛盾的消息要處理，決策會變慢，也更容易被最新那一條拉著走。真正難的不是拿到資訊，是決定哪幾條要放掉。

資訊不是越多越好。資訊會改變信心，信心會改變倉位。選資訊的標準，最後會變成選倉位的標準。

還有一個變數是市況，這一段常被漏掉。外匯市場裡，趨勢行情大約占三成，震盪行情占七成。六週的樣本可能剛好落在某一邊。適合趨勢的模型在震盪裡會被反覆止損，適合震盪的模型在趨勢裡會錯過整段。十個模型表現分化，有一部分原因在這裡，不在誰比較聰明。

同一套市場，長出十種交易風格

十個模型跑同一段行情，行為差得很遠。這一點比收益排名更值得看。

有的高頻進出，一天動好幾次。有的幾乎不動，買進去就按住。有的積極用槓桿，有的從頭到尾謹慎。

這些差異不是隨機的。它們來自每個模型對「風險」這兩個字的預設值。

十種風格本身沒有問題，會出事的是風格跟資金規模錯配。一個習慣滿倉的系統，配上一個只能承受兩成回撤的帳戶，早晚要出事。

我看到這裡的第一個反應是：這像十個交易員坐在同一個交易室。同一個螢幕，同一組報價，十種做法。

賽場上也是這樣。同一條賽道，有人前段衝、有人後段加速。最後贏的常常不是跑得最快的，是沒有把自己跑崩的。

所以選智能交易工具，不要只問它多聰明。要問它的預設性格，合不合你的倉位規模。

排名錯配算一次：命中率有多少

講「對不上」太抽象，我把它換成一個能算的數字。

先講清楚，以下名次是我拿來示範的假設值，不是該研究公布的實際排名。真實排名要看機構自己的報告。

假設推理榜前三名是 A、B、C。假設收益榜前三名裡，只有 A 出現在名單上。那麼「推理前三」命中「收益前三」的比例，是 1 ÷ 3 ＝ 33%。

再換一個基準。完全不知道誰會賺，從十個模型裡隨便挑三個，命中收益前三的期望值是多少。3 ÷ 10 ＝ 30%。

兩個數字相減。33% − 30% ＝ 3 個百分點。按推理榜挑工具，比閉著眼睛亂挑，只多 3 個百分點。

這 3 個百分點在統計上幾乎等於沒有。樣本只有十個模型、六週，任何一點雜訊都能蓋掉它。

這個算法有一個明顯弱點，它把前三名當成同一種東西。實際上第一名跟第三名的差距，可能比第三名跟第十名還大。所以 33% 只能用來看方向，不能拿來排座次。

再看排名位移。假設某個模型推理排第 2，收益排第 8。8 − 2 ＝ 6，位移 6 位。十個模型裡移動 6 位，等於從前段掉到後段。

另一個算法。十個模型乘上六週，等於 60 個模型週的觀察量。這個數字看起來不少，攤到每個模型身上只有六週。

這幾個算法都不精確。但方向很清楚：推理排名對收益排名，解釋力很弱。

這也是我對「某模型在某某評測拿第一」這類消息反應很淡的原因。評測第一是事實，但它不是能拿來下單的事實。

六週樣本，能推多遠

這一段我要講保守一點，這裡最容易過度解讀。

六週的市場，可能只走了某一種市況。趨勢、震盪、突發事件，六週內未必都出現過。

一個模型在趨勢裡連續做對，跟在震盪裡不被來回掃，是兩種不同的能力。六週只證明前者。

六週大約 30 個交易日，一年大約 250 個交易日。30 ÷ 250 ＝ 12%。這份結果覆蓋的，是一年裡 12% 的時間。

我也不認為虧的那兩個模型從此不能用。六週的虧損可能來自一次判斷失誤，也可能來自它的風格剛好不適合這段行情。

反過來一樣。六週賺到接近兩位數，不代表明年能複製。樣本期太短，運氣的比重剝不乾淨。

還有一層要說清楚，這是模擬交易，不是真錢。真錢會改變執行，滑價、成交深度、心理壓力都不在模擬裡。所以這份結果更適合用來比較行為，不適合用來預測回報。

把這段實驗當體檢報告看，比當成績單看合理。體檢說的是它現在的狀態，不是它明年會不會生病。想認真驗一套智能交易系統，可以先讀回測失效的檢測方法。那篇講的是怎麼分辨真假。

散戶最容易搞錯的三件事

這份結果對一般投資人最大的用處，不是挑哪個模型。是改掉三個習慣。

第一件，按跑分挑工具。我見過有人拿一份模型評測榜，直接決定要用哪個 AI 輔助自己的智能交易。評測榜測的是解題，不是操盤。

第二件，只看它怎麼猜方向，不看它怎麼管風險。方向是最容易包裝的部分。真正決定你活多久的，是它在虧錢那幾步做什麼。

第三件，把短期結果當長期結論。六週的收益曲線看起來很有說服力，但它只是一小段。

這三件事背後是同一個毛病。把別人的計分方式，當成自己的計分方式。

道理不難懂，難的是真到那一步忍得住。看到一份漂亮榜單，手會癢，這跟看到一根大陽線就想追是同一個反射。

市面上有很多打著 AI 旗號、承諾固定回報的產品。下決定之前，先到 SFC 懷疑投資產品警示名單 查一次名字，這一步不用成本。牌照與合規這種事，還是要問持牌人士，別靠一篇評測。

別人的成績單不會幫你跑下一步。你要看的是自己的配速和呼吸。

接下來會往哪裡走

接下來會發生的事，大概不是模型變聰明，是它從工具變成決策者。現在多數機構還把它當輔助，用在研究與分析。但從寫報告，到輔助建組合，再到執行部分決策，這條線已經在往前推。真的走到那一步，市場的運行方式本身也會跟著變。

所以衡量 AI 的標準也得換。以前看它答對多少題，以後要看它怎麼找資訊、怎麼控風險、不確定時怎麼做決定。這三件事，考試考不出來。

我會用什麼標準挑工具

先別急著比較功能表。我挑 AI 工具只問三件事，順序固定。

第一，它怎麼找資訊。是主動去抓，還是等你餵。抓的時候有沒有標明來源，會不會把一則舊新聞當成新消息。這件事決定它的判斷有沒有根。

第二，它怎麼控風險。有沒有單筆上限、有沒有日內停止條件、虧到某個位置會不會自己降倉。這幾條寫不出來，前面講的多聰明都不算。想細看這層，可以讀風險預算與回撤的算法。

第三，不確定時它做什麼，這是分水嶺。好的系統在不確定時會縮小，壞的系統在不確定時會加碼。

為什麼第三條最重要。市場多數時間都是不確定的。確定時表現好，是基本要求。不確定時不出事，才是可用的門檻。

美國商品期貨交易委員會在 降低外匯交易風險的指引 裡提醒，要提防聲稱能消除風險或保證執行價格的承諾。任何自稱完全無風險的工具，直接排除。

我自己的系統有一條寫死的規則。任何模型出的訊號，都要先過倉位上限這一關。過不了，訊號再好也不進。

這一條不是為了提高勝率。是為了讓我在連續錯的時候，還留著下一次下單的力氣。

系統出事很少是突然的，多數是慢慢壞，慢慢偏。這也是我會同時盯系統靜默失效的監控的原因。壞掉的東西通常不會自己叫。

回到這份實驗。它證明的不是哪個模型最強。它證明通用能力跟交易能力，是兩種不同的能力。

如果你現在正想用智能交易搭配某個大模型，我的判斷是這個：先看它在虧錢那幾步的動作，再看它在賺錢那幾步的表現。

賺錢那段，運氣會幫它掩蓋很多問題。虧錢那段，藏不住。

這個場景下，答案很清楚，不要把通用能力榜單當成選模依據。要選，就選風控條款寫得最死的那一個，哪怕它在跑分榜上排在後半。

什麼情況下我會改口。如果同一批模型在十二個月、跨三種市況之下，推理排名與收益排名的相關係數能穩定站在 0.7 以上，這句話我就收回。

把它丟進模擬倉跑三個月，只記回撤。

立即 WhatsApp 聯繫小風團隊免費諮詢：+852 5378 5383 網站：https://aitrading.ace-fortune.com/algo-trade-hk

常見問題

投資涉及風險，過往表現不代表未來回報。本內容僅供教育參考，不構成任何投資建議。