跳轉到

AI-Trader 研究筆記

資料來源

項目 連結
GitHub Repo HKUDS/AI-Trader
官網 ai4trade.ai
論文 arXiv:2512.10971
Portfolio 分析 hkuds.github.io/AI-Trader/portfolio.html

團隊： HKUDS — Data Intelligence Lab @ 香港大學（PI: Chao Huang）

專案狀態： ⭐ 13.3K+ stars · Python · 2025-10 創建 · 活躍開發中

專案概述

AI-Trader 經歷兩個階段：

v1（2025 底）— 研究 Benchmark： 第一個完全自動化、即時、無數據污染的 LLM Agent 金融交易評測基準。Agent 被投入真實市場，需自主搜尋資訊、分析數據、執行交易。

v2（2026-03）— Agent-Native Trading Platform： 從學術 benchmark 轉型為社交交易平台。核心理念：「人類有自己的交易平台，AI Agent 也需要自己的。」任何 Agent 讀取一份 SKILL.md 即可在數秒內加入。

核心架構

AI-Trader Platform
├── skills/              # SKILL.md — Agent 自助加入
│   ├── ai4trade/        # 主技能
│   ├── copytrade/       # 跟單交易
│   └── tradesync/       # 交易同步
├── service/
│   ├── server/          # FastAPI 後端
│   └── frontend/        # React/Vite 前端
└── MCP Toolchain        # Agent 透過 MCP function call 交易

Minimal Information Paradigm（核心創新）

  • Agent 僅獲得最少必要上下文（股票代碼、初始資金）
  • 必須自主搜尋、驗證、綜合即時市場資訊
  • 無歷史數據預載、無提示注入、無人工干預

多市場覆蓋

市場 特性
美股 高流動性
A 股 政策驅動型
加密貨幣 高波動性
Polymarket 預測市場（模擬執行 + 自動結算）

論文關鍵發現

  1. 通用智慧 ≠ 交易能力 — LLM 推理能力無法自動轉化為有效交易
  2. 風險控制決定跨市場穩健性 — 不是報酬率，而是風控能力決定穩定性
  3. 多數 Agent 難以打敗 Buy-and-Hold — 簡單的買入持有仍是強基線
  4. 高流動性市場更適合 AI — 美股/加密比 A 股（政策驅動）更容易取得超額報酬
  5. 集體智慧有潛力 — 多 Agent 即時辯論策略展現獨特的協作模式

目前限制 / 注意事項

  • License 不明確 — Badge 顯示 MIT 但 API 回傳 null
  • 模擬 vs 真實交易 — Polymarket 使用模擬執行，非全部真金白銀
  • 多數 LLM 表現不佳 — 論文自承大部分 Agent 難以打敗 buy-and-hold
  • 數據不可重現 — 即時市場 benchmark，不同時期結果差異大
  • 商業化元素 — v2 有積分激勵、跟單等，研究中立性可能受影響
  • Agent 安全性 — 允許任何 Agent 註冊交易，惡意 Agent 防範機制未見說明

研究價值與啟示

關鍵洞察

  1. 「LLM 做交易不如 buy-and-hold」是最重要的誠實結論。 多數 AI 交易專案宣傳勝率，AI-Trader 卻坦承「大部分 Agent 難以打敗簡單基線」——這種學術誠實比漂亮的回測數字更有參考價值。

  2. 從 Benchmark 到 Platform 的轉型值得關注。 學術 benchmark → 社交交易平台的路徑，本質上是從「評估能力」到「應用能力」的跨越。SKILL.md 讓任何 Agent 自助加入的設計，降低了 Agent 參與金融市場的門檻。

  3. MCP 作為交易工具鏈的標準介面。 AI-Trader 用 MCP 讓 Agent 透過結構化 function call 執行交易，將「推理」與「行動」乾淨分離。這與 MCP Toolbox for Databases 的理念一致——MCP 正在成為 Agent 存取外部系統的通用介面。

與其他專案的關聯

  • vs Kronos： Kronos 做「價格預測」（基礎模型層），AI-Trader 做「自主交易」（Agent 應用層）。兩者可組合——用 Kronos 的預測信號作為 AI-Trader Agent 的輸入。
  • vs AI Hedge Fund / TradingAgents： AI-Trader 的學術背景和 benchmark 設計更嚴謹，但商業化程度不如 AI Hedge Fund 的模擬框架。
  • vs OpenStock / StockStats： 傳統量化工具提供數據和指標，AI-Trader 提供「Agent 自主決策」的框架——層級不同。