大模型炒股，靠谱吗？_风闻

进入2025年8月后，A股市场保持强势，多个指数盘中齐创多年新高。截至8月18日收盘，上证指数上涨0.85%报3728.03点，盘中最高触及3745.94点，创下近十年新高；深证成指涨1.73%，盘中最高触及11919.57点，创下近两年来新高；创业板指涨2.84%；北证50涨6.79%，刷新历史新高，科创50涨2.14%。A股全天成交2.81万亿元，较上一交易日大幅放量。

在市场一片沸腾的背后，一个问题也随之浮现：在AI飞速发展的今天，为什么没有任何一个公开的大模型，能够提前预测到这样一场波澜壮阔的行情？而且，既然牛市已经到来，那么大模型能否预测这轮牛市会持续多久？

大模型可以分析过去几十年的牛熊转换，识别出一些典型的衰退信号，比如成交量异常放大、估值泡沫化、关键技术指标背离等。然而大模型却无法正确预测下一次牛市或者熊市。

网上经常会有人售卖大模型炒股以及做量化交易的教程，但是即便是你一步一步地按照他的方式来，也依然赚不到钱，这又是为什么？

01

金融大模型的发展可以追溯到2023年，那一年也是大模型的“开元之年”。当时最具标志性的金融大模型是彭博社发布的BloombergGPT。

BloombergGPT是彭博社利用其数十年积累的、高质量且完全专有的金融文本数据所开发的信息交流工具。这些数据包括了海量的金融新闻、上市公司的财务文件、专业的市场研究报告，甚至包含了彭博终端内部用户之间交流产生的匿名化数据。

这种数据既独特，而且质量高，使得BloombergGPT在诞生之初就具备了对金融语境的深刻理解能力。它能够精准识别金融术语、理解实体之间的复杂关系，并对市场情绪做出比通用模型更准确的判断。

其主要任务是执行金融领域高度专有的任务：进行更细粒度的情绪分析、从海量公告中精准识别关键的命名实体、对新闻进行深度分类，以及实现对财务报表的智能问答。对于量化交易者而言，BloombergGPT的输出的每一个交易建议，都具有极高的高价值。

它的出现，成为了当时的行业标杆。

因此，BloombergGPT的缺点也同样明显。成本高昂、系统封闭，普通个人开发者和小型机构完全无法触及。其模型内部的运作机制是一个黑箱，使用者只能接受其输出结果，而无法对其进行定制或深入研究，这对于追求策略透明度和自主性的量化研究者来说是一个限制。

进入2024年，市场格局发生了显著变化。随着技术的快速迭代，大模型的上下文长度、生成内容的一致性和逻辑推理能力都得到了显著提高。同时，各大互联网与科技巨头纷纷开源或发布了自己强大的基础模型，这极大地降低了技术门槛，使得金融大模型的开发进入了一个百花齐放的阶段。

市场上涌现出大量或开源或商业化的大模型，它们能生成代码，能分析新闻，还能进行市场预测。然而，一个普遍的现象是，尽管模型在处理文本、生成代码等任务上的能力有所提高，但它们在最核心的金融预测性方面的提升，却小得可怜。

**这种技术进步与金融实效之间的脱节，源自于当时大模型还并不能理解金融数据。**金融市场数据的“低信噪比”特性。与语言或图像数据不同，金融价格序列中包含了大量的随机波动，即“噪声”，而能够真正预示未来方向的“信号”则极其微弱。大模型虽然擅长发现模式，但在这种环境下，它极易将噪声误认为是信号，从而产生“过拟合”。换句话说，模型在历史数据上看似找到了规律，但在真实的未来预测中却即刻失效。

时间推进到2025年，随着具备高级推理和工具调用能力的“AI智能体”（Agent）技术走向成熟，金融预测的探索进入了一个新的阶段。开发者们不再执着于训练一个单一的、端到端的预测模型，而是转向构建一个由智能体驱动的自动化分析工作流。人们更愿意相信这种模式，因为它看起来更像人类专家的工作方式：分解问题、搜集信息、分析推理、得出结论。

在这种新范式下，类似n8n这样的无代码工作流自动化平台成为了核心工具。开发者可以设计一个复杂的金融分析流程，并让一个AI智能体来执行它。

这种基于智能体和工作流的方法，相比于早期的单一模型，开发者可以清晰地看到每一步的输入和输出，便于调试和优化。然而，即便如此，它依然没有解决金融预测的根本性难题，反而以新的形式暴露了这些问题。

由于需要经过多步的调用，整个工作流的响应时间要比大模型慢，即便完全自动化，执行完毕也需要秒级甚至分钟级的时间。在这个时间内，专业的量化对冲基金已经利用更底层的技术，完成了对初始新闻事件的纳秒级反应。智能体得出的结论，在诞生的那一刻就已经过时了。而此时，这个智能体给出答案的正确与否，就不太重要了。

正是因为清醒地认识到了这些根本性难题，到了2025年，业界的焦点已经从不切实际的“市场预测”，全面转向了更务实的“工作流增强”。大模型不再被视为能够预测未来的“水晶球”，而是被定位为赋能专业人士的“超级工具”，即“插件”。这类工具不再尝试给出买卖建议，而是深度集成到研究员的工作流程中，帮助他们更快地处理数据、生成代码、验证想法、撰写报告，将人类从重复性劳动中解放出来，专注于更高层次的策略创新和逻辑思考。

02

2025年8月，清华大学研究团队在Gtihub上发布了一个叫做Kronos的开源项目，其目标是利用时间序列大模型来预测金融市场的K线走势。从项目介绍来看，这是一个典型的、试图利用大模型在金融市场中直接寻找盈利机会的尝试。

这个项目的逻辑简单直接：既然大模型能够在语言、图像等领域通过学习海量数据发现复杂的模式，那么它也应该有能力从充满噪声的历史价格数据中，找到预示未来涨跌的规律。

Kronos所采用的时间序列模型，正是一种专门用于处理和分析按时间顺序排列的数据点的架构，其设计目标就是捕捉数据在时间维度上的依赖关系和潜在趋势。具体到金融领域，就是将K线图中的开盘价、收盘价、最高价、最低价以及成交量等一系列数据点输入模型，期望模型能输出对未来价格走势的概率性预测。

进一步探究该项目的issue区可以发现，使用者普遍对其分析K线得出的结果表示不满意。这就引出了一个更深层次的矛盾：Kronos模型明明是基于历史K线数据进行训练的，为何其预测结果却无法让使用者信服，甚至被认为是无效的呢？

在github上，这种开源的大模型金融工具并不少，但实际上并没有多少程序员能通过这些开源的大模型金融工具赚到了钱。

答案并非隐藏在技术细节中，而是根植于金融市场一个最基本、也是最残酷的运行法则——策略的“Alpha衰减”。

要理解这个法则，首先需要明白什么是“Alpha”。在投资领域，Alpha是一个核心概念，它指的是投资组合相对于市场基准（例如沪深300指数）所获得的超额回报。

如果一个投资策略在扣除所有风险因素后，长期稳定地跑赢了市场平均水平，那么我们就说这个策略拥有正的Alpha。寻找Alpha，是所有主动型投资管理者的终极目标。而所谓的“Alpha因子”，就是那些被认为能够预测未来资产价格走势，从而带来超额收益的信号或变量。

这些因子可以是多种多样的，比如一个公司的市盈率（价值因子），或者一只股票过去一段时间的涨幅（动量因子）。量化交易的本质，就是通过数据分析和统计建模，去发现并利用这些有效的Alpha因子来构建交易策略。

一个有效的策略之所以能够赚钱，是因为它发现并利用了一个暂时未被大多数市场参与者所察觉或利用的市场无效性或某种规律。**然而，金融市场是一个复杂的适应性系统。**这意味着，任何能够稳定盈利的模式，一旦被发现和传播，就会被迅速地套利，直到其盈利空间完全消失。这就是“Alpha衰减”的核心逻辑。

一个策略发现了一个规律，即每当某个特定类型的公告发布后，相关公司的股价在接下来的一个小时内大概率会上涨3%。最初，只有发现这个规律的交易者能够利用它来获利。他可以在公告发布后立刻买入，一小时后卖出，稳定地赚取差价。

但是，这种交易行为本身会在市场上留下痕迹。其他敏锐的交易者会观察到这种异动，并开始研究其背后的原因。很快，第二个、第三个、乃至成百上千个交易者都会发现这个规律。当所有人都知道这个规律后，竞争就会变得异常激烈。人们不再等到公告发布后才行动，而是会试图提前预测公告的内容，或者在公告发布后的瞬间以更快的速度下单。

买盘的瞬间涌入会立刻推高股价，可能在几秒钟内就将那3%的潜在涨幅完全抹平。**最终，这个曾经有效的规律，其预测能力会因为过度拥挤的交易而趋近于零。**这个规律的Alpha，就彻底衰减了。

市场的这种“学习”能力，是所有公开策略的天敌。

像Kronos这样的模型，它试图从公开的K线数据中学习价格运动的模式。K线数据是市场上最公开、最容易获取的数据，全世界数以百万计的交易者和研究员已经用各种可能的方法对其进行了长达一个世纪的分析。其中任何简单、稳定的线性或非线性模式，都早已被发现和利用，其对应的Alpha也早已衰减殆尽。

大模型虽然拥有强大的非线性拟合能力，但它所学习的原材料，是已经被过度挖掘的公开数据。因此，它很可能只是找到了数据中一些看似存在、实则由随机性导致的虚假关联（即过拟合），或者是一些极其微弱、生命周期极短的真实模式。

当用户试图用这个模型去预测未来的市场时，这些虚假关联自然会失效，而那些微弱的真实模式，也可能因为市场的学习效应而在模型发布后的几天甚至几个小时内就消失了。

基于大模型的策略，尤其是那些依赖于对某些特定数据（无论是K线、新闻还是财报）的解读方式的策略，尤其容易受到Alpha衰减的影响。因为一旦其核心逻辑或模型结构被公开，任何人都可以利用强大的算力和现成的AI框架，在极短的时间内复制、验证并执行这个策略。这使得这类策略的生命周期被极大地缩短了。

这也就解释了为什么BloombergGPT这类产品之所以曾经能够成功，是因为它们并不直接提供一个“必胜策略”，而是提供一种更高质量、更及时的专有数据处理服务。机构投资者利用这些经过处理的数据，结合自己独有的、保密的策略逻辑，去寻找属于自己的、尚未衰减的Alpha。

因此，**程序员群体中很少有人能通过开源的金融大模型工具赚到钱，这并非是因为技术不够先进，而是因为他们试图解决的问题，触及了金融市场最核心的规律。**在一个高效的、信息快速流通的市场中，任何公开的、易于复制的工具或策略，都无法成为持续获取超额收益的钥匙。真正的Alpha，往往隐藏在独有的数据、深刻的行业认知、创新的策略逻辑以及对市场结构的深刻理解之中，而这些，恰恰是无法通过一个开源模型直接获得的。

所以说当你在网上看到那些教你用大模型打造金融工具的视频或者文章，一个也别信，他们就是靠卖课赚钱的。

【直面派】原文 -- 讲述值得讲述的真实故事，直面生活、命运和内心