AI炒股成不了股神，却是个稳健的巴菲特

当2025年底AI炒股比赛Alpha Arena爆火时，不少人以为“躺平赚大钱”的时代来了——毕竟连ChatGPT都能写研报，让AI盯着K线图下单似乎是水到渠成的事。但伊利诺伊大学的尤佳轩和香港大学的黄超却泼了盆冷水：两周加密货币交易的比赛，根本测不出AI的真本事。他们拉上20款大模型，在美股市场实盘跑了整整3个月，结果让所有人意外：这些AI既不是追涨杀跌的短线炒家，也没成为能持续跑赢大盘的“股神”，反倒活成了另一个巴菲特——保守、爱攒现金，把风险控制看得比收益还重。

从静态榜单到实盘：给AI的“高考”换了张卷

之前测AI金融能力，就像让学生做往年高考题——大公司早把那些静态Benchmark（基准测试）摸得门清，对着榜单定向优化，成绩好看却未必真能打。尤佳轩2025年5月启动的LiveTradeBench项目，干脆把考场搬到了真实市场：不用历史数据回测，直接拿实时美股行情、新闻、财报喂给模型，让它真金白银地选股调仓，一测就是3个月。

这相当于把“模拟考”换成了“裸考”——没有标准答案，全靠模型自己理解市场逻辑。黄超的AI-Trader Benchmark更狠，不仅拉上美股、A股、加密货币三个市场，还故意只给最基础的规则，让模型自己找数据、做分析。结果21款模型测下来，最亮眼的不是收益最高的，而是最稳的：那些持仓分散、交易频率低、财报日或美联储降息前果断加仓现金的模型，夏普比率（风险调整后收益）反而更高。

你可以把大模型的决策逻辑理解成：它读遍了公开信息里所有人类关于金融的知识，像个把巴菲特的书背得滚瓜烂熟的学生——知道追高容易套牢，知道分散投资能降低风险，知道“别人恐惧我贪婪”但更怕踏空。但它也有学生的通病：遇到突发状况（比如降息不及预期），第一反应是“先保住本金再说”。

成不了高频炒家，却擅长当价值投资者

很多人以为AI炒股会是高频交易的对手——毕竟机器能一秒算完上千组数据。但现实是，大模型连高频交易的门槛都摸不到：它完成一次行业分析要十几分钟，等报告写出来，美股的股价都已经变了几轮。

尤佳轩团队的测试数据很直白：大模型的推理速度是秒级甚至分钟级，而顶级高频交易公司的决策延迟是以微秒计的——两者差了至少6个数量级，相当于人类走路和火箭飞天的差距。更关键的是，高频交易靠的是捕捉买卖盘的微结构噪声，大模型擅长的却是从新闻、财报里读透产业逻辑，判断一家公司的长期价值。

比如在2025年10月美联储降息那天，不少模型提前一天就开始减仓——它从之前的新闻、美联储官员的发言里读出了“降息可能不及预期”的信号，选择落袋为安。这种决策逻辑，完全是价值投资的路数：不赚快钱，赚的是“看得懂的钱”。但在当时的美股牛市里，这种保守也让它错失了部分收益——就像巴菲特在科技股暴涨时拿着现金，眼睁睁看着别人赚钱，但等熊市来临时，它手里的现金就成了底气。

能力边界：AI的“短板”比“长板”更清晰

大模型在金融市场的局限，比它的优势更值得警惕。首先是“本金依赖症”：当你告诉它有1块钱和1亿本金时，它会给出完全不同的策略——对小资金敢冒风险，对大资金却极度保守，尤佳轩团队只能把所有指标归一化，让它只关注持仓比例而非绝对金额。

其次是“结构盲”：它能读懂单家公司的财报，却搞不懂产业链的传导逻辑——比如某芯片厂股价下跌，它很难立刻联想到下游手机厂商的成本压力。现在研究人员试图用图神经网络补这个短板：把公司当成节点，把供应链、行业关联当成边，让模型像人类一样“画思维导图”，但目前还只能处理简单的产业链关系。

最核心的局限是“周期盲区”：3个月的测试，连美股的一个完整牛熊周期都没走完。没人知道当熊市来临时，这些习惯了牛市里“现金为王”的模型，会不会变成另一个极端——不敢抄底，眼睁睁看着市场反弹。尤佳轩说得直接：“现在的结论，就像只看了一个人夏天的表现，就判断他冬天会不会穿秋裤——太草率了。”

尤佳轩在项目启动时就有个比喻：大模型未来会是巴菲特，而不是高频交易的机器。现在看来，这个比喻只对了一半——它确实学会了巴菲特的保守，却还没学会他在别人恐惧时贪婪的底气。

更值得关注的是，这些研究的终极目的从来不是造一个“股神”。尤佳轩说，让AI炒股本质上是“建模和理解人类社会的运行”——如果一个模型能在金融市场里持续做出理性决策，说明它真的读懂了人类的经济逻辑。

AI不是来替代人类的，是来帮我们看清自己的。 它把人类写在财报、新闻里的投资逻辑，原封不动地还给了我们——原来最稳的策略，从来都是那些被说烂了的常识：分散投资、控制风险、赚看得懂的钱。而那些想靠AI一夜暴富的人，最终会发现，AI只是把他们的贪婪，变成了更精准的亏损。