AI 组建交易智囊团：自主博弈与实时决策

传统交易机器人的困局

试想拥有一位极度勤勉的交易员，他时刻紧盯 K 线，不知疲倦且毫无情绪波动。这听起来很完美？但问题在于——这位"员工"实则只能僵化地执行既定规则。市场平稳时，他在无效忙碌；市场剧变时，他又可能因规则僵化而反应迟钝。

更为棘手的是，当前主流的 AI 交易模型往往需要"闭门造车"：耗费数月利用历史数据训练，达标后方可上线。然而金融市场最不缺的就是"这次不一样"的情况——昨日有效的规律，明日或许就失效了。这就像让只熟悉泳池规则的人去冲浪，巨浪袭来瞬间就会手足无措。

新范式：让 AI"边干边思"

近期，一位研究者提出了一种极具创意的方案，称为 AGENTICAITA（可理解为"智能体化的 AITA 系统"）。其核心理念十分直观：不依赖单一 AI 包揽所有事务，而是让数个分工明确的 AI 像企业团队般开会研讨，且仅在确有必要时才启动会议。

该系统最独特之处在于，它完全无需预先训练。它并非"死记硬背"历史走势，而是如同经验丰富的交易员，面对行情即时分析、研讨并做出决策。

四位"职员"的协作机制

该系统宛如一个精简的对冲基金团队，包含四个职责分明的模块：

1. 守门员：AZTE（异常检测引擎）

首个模块扮演"守门员"角色，其职责并非直接交易，而是判定"此刻是否值得唤醒 AI 团队工作"。

他每 60 秒扫视一次市场，计算价格波动的"Z 分数"——简言之即判断当前波动是否偏离常态。仅当波动幅度超过常规两倍，或一分钟内价格涨跌超 0.3% 时，他才会拉响警报。

此举有何益处？既节省算力，又降低成本。大语言模型的推理极其消耗资源，无需在风平浪静时让 AI 徒劳分析。正如真正的交易员不会每分钟都下单，仅在捕捉到机会时才深入思考。

2. 三位分析师的"审议流水线"

警报响起后，三位"分析师"随即登场。他们并非七嘴八舌地同时发言，而是如同工厂流水线般依次处理，每人职责清晰：

首位是"市场分析师"。他掌握最详尽的情报：最近 20 分钟的 K 线、实时买卖挂单、资金费率，以及该资产过往交易的"记忆"——包含上次买入原因及结果。他的任务是给出明确观点：做多、做空或继续观望。他必须提供信心评分（0 至 1 之间），以及具体的入场价、止损价和止盈价。

有趣的是，这位分析师偶尔会选择"弃权"。在 157 次被唤醒的任务中，他有 13 次选择说"再观察一下"——这证明他确实在独立思考，而非机械地强行给出方向。

第二位是"风控经理"。他是团队中的"黑脸"，专职负责挑错。他首先执行四条铁律：信号必须是明确的做多或做空、信心值需超 0.6、止损限额不得超本金 2%、单笔交易额不可超 500 美元。任何一条未达标，直接驳回，绝无通融余地。

若通过硬性指标，他再利用 AI 进行一次柔性审核，调整仓位规模。最终输出一份"审批单"，结论非通过即拒绝。

第三位是"执行员"。他是唯一拥有"实权"对外下单的角色。在实验阶段，他仅模拟下单并记录结果；在真实环境中，他将通过加密网络发送订单。

3. 交通指挥：IGP（推理调度员）

若同时有多个资产触发异常，该如何处理？系统内设有一位"交通指挥"——即互斥锁机制。他确保同一时刻仅有一个资产能进入审议流程，其余只能排队或礼貌回绝。

这看似浪费机会，实则是种保护。大语言模型同时处理多请求易出现"串台"，且强制排队让系统有时间冷静思考，避免在剧烈波动时过度反应。实验中曾出现此类情况：A 资产正在审议时，B 资产也触发警报，结果因"系统繁忙"被丢弃——事后证明，这一决定规避了潜在混乱。

4. 选股顾问：CBD（分散化评分）

最后一个模块解决了一个经典难题：若系统同时看好众多资产，但它们都与比特币同涨同跌，实则并未分散风险。

CBD 模块会为每只资产计算"独立分"：一方面评估其当前波动是否异常（机会越大得分越高），另一方面考察其近期与比特币的相关性（越独立得分越高）。两者权重各半，合成综合得分。高分资产将被优先推荐。

实验结果颇具深意：那些与比特币"性格迥异"的资产（如 FARTCOIN、XPL 等）贡献了最大利润；而那些与比特币亦步亦趋的资产（如 ETC、AVAX）表现平平。这表明"不走寻常路"的资产确实能带来真正的分散化收益。

五天"试用期"表现如何？

研究者在 2026 年 4 月进行了为期五天的实盘模拟测试（未真实下单，但数据均为实时）。结果如下：

在这五天里，系统被唤醒 157 次，覆盖 76 种不同加密货币。其中 139 次最终完成了模拟交易，全程无人工干预。

最引人注目的并非盈利多少——实际上模拟净亏损 15.07 美元——而是相较于"什么都不做，仅持有比特币"的策略，它少亏了近 15 个百分点。因为那五天比特币本身暴跌，跌幅约 15%，而这套智能体系统通过及时止损和分散持仓，将损失控制在几乎为零的水平。

换言之，在极端恶劣的市场环境中，这个"AI 团队"虽未创造奇迹般的高收益，却出色完成了"保命"任务。考虑到这仅是概念验证，且样本量尚小（139 笔交易），这样的表现已证明架构可行。

那些有趣的细节

"团队摩擦"是好事：在 157 次决策中，有 11.5% 的次数出现"内部反对"——要么是分析师主动弃权，要么是风控经理直接驳回。研究者将此称为"智能体摩擦"，认为这是积极信号。若团队永远全票通过，则说明有人在混日子。真正的讨论必然伴随分歧。

AI 也存在"多头偏见"：数据显示，分析师给出的信号中 90.4% 为"做多"，仅 1.3% 为"做空"。研究者认为这反映了大语言模型的普遍倾向——在不确定时更乐观。未来他们计划加入第四位"怀疑论者"智能体，专职负责挑刺和唱反调。

记忆让 AI 越学越精：系统会将每次交易的详细 reasoning（推理过程）存入数据库。下次交易同一资产时，这些"经验"将被喂给分析师。这是传统量化系统不具备的能力——它们通常只记数字，不记"当时为何这么想"。

这有何意义？

这项研究的意义不在于"发现了稳赚不赔的交易圣杯"——作者非常诚实地承认了样本量不足、尚未经过真实下单考验等局限。其真正价值在于架构创新：

它证明了，完全无需预先训练，仅靠多个专业 AI 在推理时的协作、辩论和制衡，就能在真实市场环境中自主运行，并具备明确的安全边界与可追溯的审计记录。

试想，若将这套系统应用于更广泛的决策场景——如供应链管理、医疗诊断辅助，甚至企业战略决策——让不同角色的 AI 互相检查、互相约束，我们或许能获得比单一大型模型更可靠、更透明的决策流程。

当然，前路漫长。但至少，我们已看到一个无需"死记硬背"、而是真正"现场开会讨论"的 AI 团队，在金融这一最残酷的人类竞技场中，迈出了第一步。

---

原文：Letteri, I. "AGENTICAITA: A Proof-of-Concept about Deliberative Multi-Agent Reasoning for Autonomous Trading Systems." arXiv:2605.12532, 2026.