独家整理，盗用必究
在人工智能席卷金融业的今天，大语言模型（LLM）在投资领域的表现究竟如何？香港科技大学（广州）联合Paradox O AI Research最新发布的研究成果给出了一个令人震惊的答案：在实时市场环境中，包括DeepSeek-V3、Claude-3.7-Sonnet在内的9个顶级AI大模型进行基金投资，竟然有8个都出现了亏损！
传统AI投资测试存在什么致命缺陷？
长期以来，评估AI投资能力的基准测试都存在一个根本性问题——**’时间旅行’作弊**。传统的回测方法使用历史数据来评估LLM的交易策略，但这些模型在预训练时可能已经’见过’这些历史数据，从而产生严重的信息泄露问题。
如Figure 1所示，不同LLM的知识截止日期差异巨大。GPT-4o的训练数据截止到2023年10月，而DeepSeek-V3的训练数据延伸到2024年7月。如果我们用2021-2023年的数据来测试DeepSeek-V3，它实际上在预训练期间就已经’看过’这些市场条件，这种评估结果毫无意义。
DeepFund如何彻底解决信息泄露问题？
为了解决这一关键问题，研究团队开发了DeepFund——全球首个实时基金投资基准测试平台。该平台的核心创新在于完全摒弃历史回测，转而采用真实的实时市场数据进行评估。
Figure 2展现了DeepFund的整体架构。该框架主要包含两个核心组件：实时环境（Live Environment）和多智能体工作流（Multi-Agent Workflow）。
实时环境的技术架构
实时环境作为DeepFund的基石，持续集成来自三个不同源头的动态金融数据流：**(1) 实时股票市场数据，提供即时的市场波动和价格变化；(2) 最新的基金资产信息，反映投资头寸的当前状态；(3) 详细的交易历史记录**。
该环境通过模块化API网关与多个金融数据提供商（如Yahoo Finance和Alpha Vantage）进行接口对接，确保了数据源的适应性和集成的便捷性。
多智能体决策框架的技术实现
DeepFund采用了编排者-工作者范式来模拟真实的基金管理流程。整个系统包含三个关键角色：
财务规划师（Financial Planner）：战略性地协调投资分析，确定分析优先级并将任务分配给合适的分析师。支持确定性模式（允许预定义分析师选择）和动态模式（利用自我推理灵活选择分析师）。
分析师团队（Analyst Team）：由专业化的分析师代理组成，包括基本面、技术面、内幕交易、公司新闻、宏观经济和政策分析师，各自分析特定领域数据并生成标准化信号（看涨、看跌或中性）。Table 1详细列出了各分析师类型及其数据源。
投资组合经理（Portfolio Manager）：整合多个分析师信号，做出执行性投资决策（买入、卖出、持有），管理风险控制，并维护双重记忆架构以反映历史交易和当前投资组合状态。
Table 1: 分析师团队的类型、数据源和专业特征
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
9大顶级AI模型实盘交锋：谁是真正的投资高手？
研究团队选择了9个来自全球顶级机构的最先进LLM进行测试，Table 2展示了详细的模型信息。测试期间为2025年3月17日至4月17日，涵盖24个交易日，期间恰好经历了两个重要市场事件：FOMC会议和关税冲击。
Table 2: 评估的LLM详细信息
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
残酷现实：只有Grok赚钱，其他全部亏损
Table 3和Figure 3揭示了令人震惊的结果：在相同的市场条件下，所有评估的LLM都能够执行端到端的’数据-信号-决策’流程，但它们的盈利能力却存在巨大差异。绝大多数模型都经历了净交易亏损（即累积收益率），突显了在实时基金投资中取得成功的巨大障碍。令人瞩目的是，只有Grok 3模型成功获得了正累积收益率（+1.1%）。
Table 3: LLM在DeepFund中的整体交易表现（按CR排序）
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Grok与DeepSeek的投资风格大解密
信号处理能力：谁更敏锐？
Figure 4(a)展示了由Grok和DeepSeek驱动的苹果公司(AAPL)分析师信号分布。Grok产生了更高比例的方向性信号（看涨或看跌），导致更大的信号多样性。相比之下，DeepSeek在相同条件下严重倾向于中性信号。
具体而言，在价格温和波动期间（3月17日至4月2日），DeepSeek偏好中性信号，显示出较不敏感的立场。而Grok则偏好看涨信号。当关税宣布时，两者都转向大量看跌信号，表明更加谨慎的立场。值得注意的是，两个模型都未能预测到4月9日的显著价格飙升（从172.42美元到198.85美元），表明在检测强烈反转信号方面存在共同局限性。
交易决策效果：从信号到利润的转化
Figure 4(b)显示了AAPL的价格走势以及Grok和DeepSeek的交易头寸。虽然两个模型都表现出决策一致性，但Grok通过整合政策信号并展现更大的决策灵活性，展示了卓越的信息整合能力，表明更好的市场时机把握能力。
从有效性角度看，Grok做出11次买入决策（7次有效）和10次卖出决策（5次有效）。有效决策通常与看跌政策/技术或看涨公司新闻信号相关。DeepSeek做出3次买入决策（1次有效）和8次卖出决策（5次有效），在卖出方面显示更高精确度，但有效买入较少。
投资风格对比：稳健vs激进
Figure 5通过投资组合构成和资产演变展示了Grok和DeepSeek的截然不同的交易风格。从第一天开始，它们的交易风格就明显分化。
Grok最初分配约40%的现金建立头寸，保持相对60%的高储备并逐步增加股票持有量。相比之下，DeepSeek激进地投入了近90%的初始现金，现金水平始终保持在40%以下，表明高资本利用率。
然而，这种低现金储备严重阻碍了DeepSeek在4月3日开始的市场下跌期间的灵活性，当时美国发动了关税战。Grok凭借其更高的现金头寸，展示了更好的风险分散和适应性。充足的现金储备使Grok能够抓住真正的机会，在急剧下跌后显著增加头寸，并在4月9日后的反弹中获得丰厚利润。
核心数学模型与评估指标
DeepFund采用了标准的金融指标来严格衡量性能，包括多个关键的数学公式：
**累积收益率(CR)**：
**夏普比率(SR)**：
**最大回撤(MDD)**：
**胜率(WR)**：
**贝塔系数()**：
**阿尔法系数()**：
研究启示与未来展望
这项研究揭示了一个重要现实：尽管AI大模型在各种金融任务中表现出色，但在实时市场环境中进行有效投资仍然面临巨大挑战。即使是DeepSeek-V3和Claude-3.7-Sonnet等尖端模型，在DeepFund实时评估环境中也会产生净交易亏损，凸显了LLM在主动基金管理方面的现有局限性。
DeepFund代表了从静态基准测试向动态评估的重大转变，为金融AI工具的发展创造了新的评估范式。该平台不仅解决了信息泄露这一根本性问题，还为研究者提供了一个真实、公平的测试环境。
值得注意的是，这项研究的代码已在GitHub开源，项目地址为：https://github.com/HKUSTDial/DeepFund
论文引用：Changlun Li, Yao Shi, Chen Wang, Qiqi Duan, Runke Ruan, Weijie Huang, Haonan Long, Lijun Huang, Nan Tang, Yuyu Luo. ‘Time Travel is Cheating: Going Live with DeepFund for Real-Time Fund Investment Benchmarking.’ 2025.