ประสิทธิภาพการซื้อขายด้วยปัญญาประดิษฐ์มีผลลัพธ์หลากหลายในการทดสอบตลาดจริง

AI มีความรู้มากมาย แต่ในปัจจุบันยัง「ไม่สามารถพึ่งพาได้」

ผู้เขียนบทความ แหล่งที่มา: หยางเซีย, ร้านของหยางเซีย

ช่วงนี้ ฉันไม่ได้กำลังวิจัยและเตรียมพร้อมเครื่องมือ Agent Trading อยู่เหรอ

หลังจากลองใช้วิธี การเครื่องมือ และแพลตฟอร์ม AI ในการซื้อขายมากมาย ใช้ token ไปนับ亿

ความรู้สึกหลักหนึ่ง

AI มีความรู้มากมาย แต่ในปัจจุบันยัง「ไม่สามารถพึ่งพาได้」

ฉันรู้ว่า หลายคนในช่วงคลื่นลูกใหญ่ของกุ้งมังกร ได้ติดตั้งทักษะทางการเงินต่างๆ ให้ตัวเอง

ตื่นเต้นที่จะเข้าสู่ตลาดและทำกำไรอย่างใหญ่หลวง

เสียงจึงค่อยๆ จางลง ปูมังกรถูกยกเลิก ราคาลดเหลือเพียง 14 หยวนต่อกิโลกรัม

วิธีการสร้างตัวแทนการซื้อขายที่น่าเชื่อถือ สามารถดำเนินการได้ และสามารถปรับปรุงซ้ำได้ ในตลาดทุนจริง

ในช่วงไม่กี่เดือนที่ผ่านมา ฉันสามารถเขียนประสบการณ์จริงได้ถึง 100,000 คำ

แต่วันนี้ ขอปล่อยไว้ก่อนชั่วคราว

เมื่อเร็วๆ นี้ขณะกำลังสร้างความรู้เกี่ยวกับสถาปัตยกรรม AT ฉันได้พบบทความวิจัยชิ้นหนึ่งที่คุ้มค่ามากสำหรับการแบ่งปันกับทุกคน

โดยเฉพาะอย่างยิ่งเมื่อทุกคนกำลังจมอยู่กับสวรรค์ที่สูญเสียไปของ AI Trading ทุกคนสามารถมองเห็นได้ชัดเจนว่าอนาคตจะมี AI มีส่วนร่วมในการลงทุนอย่างเต็มรูปแบบ

ผู้เขียนบทความเรื่อง “AI-TRADER: BENCHMARKING AUTONOMOUS AGENTS IN REAL-TIME FINANCIAL MARKETS” ได้เสนอกรอบงาน AI-Trader เพื่อประเมินประสิทธิภาพการตัดสินใจทางการเงินของโมเดล LLM หลักๆ ในสภาพแวดล้อมที่ทำงานแบบอัตโนมัติเต็มรูปแบบ แบบเรียลไทม์ และไม่มีการปนเปื้อนของข้อมูล

พูดง่ายๆ ก็คือ การทดสอบประสิทธิภาพของ AI ในการซื้อขายหุ้น

การทดลองเลือกสินทรัพย์สามกลุ่ม ได้แก่ หุ้นในดัชนี Nasdaq-100 ของตลาดหุ้นสหรัฐฯ หุ้นในดัชนี SSE 50 ของตลาดหุ้นจีน และสินทรัพย์คริปโตหลัก 10 อันดับ โดยรองรับความถี่การซื้อขายรายชั่วโมง (สำหรับหุ้นสหรัฐฯ) และรายวัน (สำหรับหุ้นจีนและคริปโต)

โมเดล AI ที่แตกต่างกันถูกบรรจุไว้ใน Agent เดียวกัน โดยใช้ MCP เรียกใช้ข่าวสาร ข้อมูล งบการเงิน และข้อมูลราคา เพื่อสามารถดำเนินการดึงอารมณ์ คำนวณค่าตัวเลข และสั่งการซื้อขายได้ด้วยตนเอง

ผู้เข้าร่วม 6 คน (ในขณะนั้น DS-V4 ยังไม่ได้เปิดตัว)

• DeepSeek-v3.1

• MiniMax-M2

• Claude-3.7-Sonnet

• GPT-5

• Qwen3-Max

• Gemini-2.5-Flash

ตั้งแต่วันที่ 25 พฤศจิกายนถึงวันที่ 7 พฤศจิกายน ตลาดจริงเริ่มต้นขึ้น ผลลัพธ์ที่ได้

MiniMax-M2 คว้าแชมป์สองรายการ ได้แก่ ตลาดหุ้นสหรัฐฯ (รายชั่วโมง) และตลาดหุ้นจีน (รายวัน)

DS-V3.1 ได้รับตำแหน่งอันดับหนึ่งในกลุ่มสกุลเงินดิจิทัล

แต่ความจริงที่โหดร้ายคือ

แบบจำลองส่วนใหญ่มีประสิทธิภาพต่ำในตลาดจริง ผลตอบแทนต่ำและการจัดการความเสี่ยงอ่อนแอ

ข้อบกพร่องเหล่านี้ไม่สามารถแสดงออกได้ในการประเมินมาตรฐานของโมเดลขนาดใหญ่ต่างๆ

โมเดลเดียวกัน แต่ในตลาดต่างกัน รูปแบบกลับต่างกันอย่างมาก

ตัวอย่างเช่น แชมป์ MINIMAX ที่มุ่งเน้นผลตอบแทนในตลาดหุ้นสหรัฐฯ แต่เปลี่ยนมาเป็นกลยุทธ์ป้องกันตัวในตลาดหุ้นจีน (ความผันผวนต่ำ ลดการสูญเสีย) ดูเหมือนว่าข้อมูลการฝึกอบรมมีความเข้าใจที่ลึกซึ้งเกี่ยวกับความแตกต่างระหว่างสองตลาด

ในตลาดหุ้นสหรัฐฯ มีโมเดลหลายตัวที่สามารถทำผลงานเหนือ QQQ

ในตลาดหุ้นจีน ไม่มีอะไรสามารถเอาชนะ SSE 50 ได้ แม้แต่วอร์เรน บัฟเฟตต์หรือ AI ที่ทรงพลังที่สุดก็ยังต้องง้อในตลาดใหญ่ของเรา

แม้แต่ DeepSeek ที่เกิดและเติบโตมาพร้อมกับสายเลือดการคำนวณเชิงปริมาณ

แม้จะทำได้ดีในตลาดหุ้นสหรัฐและตลาดคริปโต แต่ก็ไม่สามารถทำได้ดีในตลาดหุ้นจีน

Gemini ของสหรัฐอเมริกา ซื้อขายเฉลี่ยที่ 3.79 ในตลาดหุ้นสหรัฐฯ แต่กลับถูกซื้อขายอย่างบ้าคลั่งถึง 4.74 ในตลาดหุ้นจีน นั่นก็คือ ต้องปรับตัวตามท้องถิ่นนั่นเอง

มีตัวอย่างความสำเร็จบางส่วน

ตัวอย่างเช่น DS บนวันที่ 10 ตุลาคม ได้รับข่าวเกี่ยวกับทรัมป์เกี่ยวกับ “การเพิ่มภาษีศุลกากรต่อจีน” ผ่านเครื่องมือค้นหา วิเคราะห์ว่าหุ้นเทคโนโลยีมีความเสี่ยงสูง และดำเนินกลยุทธ์ป้องกันความเสี่ยง:

สัดส่วนการถือหุ้นเทคโนโลยีลดจาก 99% เป็น 70%

เพิ่มสินค้าอุปโภคบริโภคจำเป็น (PEP) และสาธารณูปโภค (AEP)

เก็บเงินสด 17.3%

ลดการสูญเสียได้สำเร็จ และแสดงผลดีกว่าโมเดลส่วนใหญ่

เช่นเดียวกัน DS ก็ทำผิดพลาดที่ AI ทุกตัวในโลกนี้มักทำ

ถูกหลอกโดยแหล่งข้อมูลเดียว

รับข่าวสาร "ตลาดขาขึ้นแบบค่อยเป็นค่อยไป" โดยไม่ได้ตรวจสอบข้าม

การเพิ่มตำแหน่งผิดพลาดในหุ้นพลังงานดั้งเดิมและหุ้นธนาคาร ทำให้พลาดคลื่นการเติบโตหลักของตลาด

เปิดให้เห็นจุดอ่อนของตัวแทนอัจฉริยะในการตรวจสอบข้อมูลและการแก้ไขข้อผิดพลาดแบบไดนามิก

ในสภาพแวดล้อมที่มีอินเทอร์เฟซข้อมูลที่ดีและการจัดเรียงข้อมูลที่ถูกต้อง AI ไม่ได้เกิดข้อผิดพลาดแบบ “ภาพหลอน” ในเชิงทั่วไป

ข้อบกพร่องที่แท้จริงของการปฏิบัติจริงอยู่ที่

หรือวิเคราะห์ไม่ถูกต้อง (ข้อมูลเท็จ)

หรือทำการซื้อขายบ่อยครั้ง (การซื้อขายที่ไม่มีประสิทธิภาพ)

หรือระบบควบคุมความเสี่ยงล้มเหลว (เหยียบบอมบ์)

นี่คือข้อบกพร่องตามธรรมชาติบางประการที่ฉันได้สัมผัสโดยตรงในการทดลอง AI ตลอดหลายเดือนที่ผ่านมา

อย่างไรก็ตาม ปัญหาเหล่านี้มีวิธีแก้ไข

ผู้เขียนบางคนในต้นฉบับ

ได้สร้างเว็บไซต์แห่งหนึ่งขึ้นมาเพื่อติดตามและพัฒนาการทดลองร่วมมือระหว่างมนุษย์กับเครื่องจักรในอนาคต

ยังสามารถติดตั้งทักษะที่มีอยู่แล้วของพวกเขาเพื่อเข้าร่วมการแข่งขันการซื้อขายได้