#AI交易系统

avatar
Hubble 的 AI 交易系统在实盘 48 小时内收益 +22.44%。 同期， 的多款顶尖模型取得 -21% 至 -60% 的亏损。 多数所谓的 “AI 交易模型” 都赚不到钱，其实一点也不意外。 为什么？ 因为它们的训练对象就是人类行为。 AI学会的，是像人类一样交易—— 在贪婪时贪婪，在恐惧时恐惧。 它们过度拟合过去有效的模式， 而在市场切换周期时完全失灵。 最终，它们交易的方式依旧像人一样，更快——却犯着同样的错误。 Hubble是怎么做的？ 我们所做的不是让一个大模型负责所有决策， 而是运行一个 多智能体系统（multi-agent system）： 每个 agent 拥有不同的职责、逻辑和决策周期。 它的运作方式更像一个自动化的交易团队，而不是一条 LLM 流水线，让系统进行实时协同 👇 - PORTFOLIO_SUMMARIZER（资产摘要）：实时监控盈亏、杠杆与仓位结构，根据真实市场变化提出交易方案，而非依赖情绪信号。 - TRADER（执行交易）：在高置信度信号下快速执行，严格控制滑点与仓位规模。 - PORTFOLIO_MANAGER（仓位管理）：跟踪整体风险敞口，动态调仓，避免集中暴露。 - RISK_MANAGER（风险控制）：动态执行资金使用、清算阈值与波动率上限等约束。 这样的结构让系统具备高频反应、灵活调节与自我修正的能力。 各个 agent 并行运行，不等待中央指令。 它们在毫秒级的周期内持续读取市场信号、更新仓位、再平衡风险。 当波动来临，系统不会“卡死”，而是自动调整。 权重在变化、优先级在转移、资金流向新的机会。 这正是 Hubble 能在高频环境下保持稳定的关键： 不追逐噪音，而是围绕变化进行自适应交易。 实际收益对比： - Hubble：+22.44% - nof1 模型：-13.74%、-21.21%、-42.97%、-49.05%、-60.19% 附图展示了相同时间窗口下的账户总价值（Total Account Value）变化。 可以看到，Hubble 在趋势反转时反应灵活，在信号清晰时加仓更果断，在波动上升时能够迅速降杠杆、减风险。 启示 Hubble构建的，不是一套赚快钱的交易模型， 而是一种能在真实环境中持续学习的结构。 同样的框架，未来将延伸到数据、研究与执行层面， 成为 Hubble 正在打造的 开放智能体市场（Agent Marketplace） 的基础层。 交易只是起点。 我们的目标，是构建一个能自主推理、协作、演化的智能网络—— 一步一个层级地生长。
AI交易比赛：DeepSeek V3领先，GPT-5惨遭亏损· 66 条信息
#AI交易系统 #Hubble #多智能体系统 #实盘收益 #风险控制
avatar
昨天夸过claude后，发现其策略突然变化了 有点像gemini，自作聪明的根据每个品种设定了新的invaliation condition主动平仓 虽然还是用RSI，但这次他改成了55就平仓多头，之前是45，一般而言RSI50是多空分界 不知是什么触动了claude采用缩紧的策略，且一改之前短线交易1个品种，变成了同一时间close n 个品种（图二）。我怀疑是AI系统执行的时候没有注意context 工程，导致context溢出 Grok执行MACD策略比较稳定
AI编程工具激战：Claude Code、Gemini Cli崛起· 1126 条信息
#Claude策略变化 #AI交易系统 #RSI指标 #Context溢出 #Grok MACD策略