引言
近期，AlphaArena项目凭借AI量化交易的亮眼表现引爆市场，让“AI炒股”成为热议焦点，不少人将其视为新的财富密码。但热潮之下，我们更需理性思考：当市场遭遇黑天鹅事件、波动超出历史数据范畴时，这些综合表现优异的大模型，能否真正展现出稳健的应变能力与决策韧性？
港科大广州数据智能与分析实验室（DIAL）与Paradoox AI的联合研究给出了关键答案，其论文已被NeurIPS 2025 DB Track 接收。该研究不仅是今年6000余篇论文中唯一标题带有“investment”的AI+金融交叉方向研究，同时还夺得AI Agent 2025 大赛最佳开源项目奖。研究团队跳出传统回测的局限，通过创新的实时基准测试工具，首次在真实市场环境中检验了顶尖LLM的基金投资能力，揭示了AI在动态金融市场中的真实面貌。
题目: Time Travel is Cheating: Going Live with DeepFund for Real-Time Fund Investment Benchmarking预印本链接：https://arxiv.org/abs/2505.11065
代码链接：https://github.com/HKUSTDial/DeepFund
研究背景：回测陷阱下的AI投资迷思
大型语言模型（LLMs）已在金融领域展现出强大实力，从财报摘要、业绩电话会议分析到资产分类，均能高效完成任务。但这些能力能否转化为真实投资中的盈利，始终缺乏严谨的验证。
现有评估体系（例如很多静态Benchmark评测）存在致命缺陷：过度依赖历史数据回测。由于LLM的预训练语料库可能覆盖了测试期的市场信息，模型实则在“复述”已知的市场事件，而非真正预测未来，这种“时间旅行”式的信息泄露，让回测结果严重失真。不同LLM的知识截止日期各异，如GPT-4o截至2023年10月，DeepSeek-V3延伸至2024年7月，在旧数据上的回测无异于让模型“开卷考试”。
众所周知，金融市场的本质是不可预测的，宏观时局、政策变动、突发事件等都可能打破历史规律，此时LLM的实时决策能力、风险控制水平才是关键。本篇工作正是为了填补这一空白，在无信息泄露的真实环境中，检验LLM的投资硬实力。
DeepFund框架：打造真实市场的AI投资试炼场
为解决回测陷阱问题，研究团队推出DeepFund实时基金基准测试工具。该工具的核心优势在于跳出历史数据局限，通过模拟真实投资场景实现对LLM的无偏评估。其核心设计简洁高效：采用实时正向测试模式，接入权威数据源的动态金融数据，且所有评估数据均在LLM知识截止日期之后，从根源杜绝信息泄露；搭建多智能体协同流程，模拟人类投资团队分工，覆盖任务分配、多维度分析到最终决策与风控的全流程；内置统一接口支持9个顶尖LLM参与测试，通过标准化参数设置保障实验公平性。
实盘实验：24个交易日的极限考验
为检验LLM在真实市场的实战能力，研究团队设计了覆盖剧烈波动期的严格实验，模拟最贴近现实的投资挑战。
•投资标的：选取伯克希尔·哈撒韦2025年一季度前五大持仓（苹果、美国运通等），贴合价值投资场景；
•初始资金：每个LLM管理10万额度的初始现金流；
•交易周期：2025年3月17日至4月17日（24个交易日），精准覆盖FOMC会议、美国关税政策波动两大关键事件，测试模型应对黑天鹅的能力；
•评估指标：采用累积回报率、夏普比率、最大回撤等核心金融指标，全面衡量盈利性与风控水平。
实验期间，DeepFund系统共生成4320个分析信号和1080个交易决策，有效信号占比96%、有效决策占比98%，充分证明框架的可靠性。整个实验通过LangGraph构建智能体工作流，基于PostgreSQL云数据库存储数据，总成本仅约100美元，具备极强的可复现性。
关键实验结果
多数LLM折戟实盘，仅1款实现正收益
真实市场的残酷远超回测想象。实验结果显示，绝大多数顶尖LLM在实盘交易中遭遇净亏损，凸显了主动型基金管理的巨大挑战。仅有xAI的Grok 3 mini Beta脱颖而出，实现1.1%的正累积回报率。
值得注意的是，在3月FOMC会议后市场平稳期，所有LLM均取得正收益；但当4月关税政策引发黑天鹅事件时，模型表现瞬间分化——DeepSeek-V3遭受14.5%的最大回撤，而Grok凭借稳健策略成功抵御波动。与“买入并持有”的被动策略相比，多数LLM的主动管理表现更差，印证了被动策略在市场剧烈波动时的韧性优势。
信号质量决定决策上限，模型风格差异显著
在信号生成层面，不同LLM展现出截然不同的风格：Grok倾向于输出方向性明确的看涨或看跌信号，对政策和技术分析保持谨慎态度，市场平稳期则偏向乐观；而DeepSeek-V3严重偏好“中性”信号，过度谨慎导致错失关键市场机会。两者的共同局限是未能预测到4月9日的股价大幅飙升，显示出LLM在识别市场反转信号方面仍有明显短板。
交易“个性”凸显，稳健策略战胜激进投机
通过分析投资组合演变，研究发现LLM呈现出鲜明的交易“个性”：
•Grok 3 mini Beta：如同审慎的专业基金经理，初始仅投入40%现金，始终保持60%左右的高现金储备，具备极强的风险抵御能力；偏好能源、消费品行业的多元化配置，采用低频交易、长期持有的价值投资风格，最大回撤仅5.5%，在市场反弹时能及时加仓获利。
•DeepSeek-V3：则类似激进的高频散户，初始投入近90%现金，现金储备始终低于40%；仓位集中于能源和金融板块，缺乏多元化保护，采取高频交易、追逐动量的策略；在市场下跌时因缺乏现金灵活性无法止损，最终遭遇重大亏损。
这一结果印证了投资领域的经典法则：在熊市或波动市场中，现金为王，稳健的风控与多元化配置远比激进投机更能实现长期盈利。
研究结论与启示
DeepFund作为首个将实时基准测试引入基金投资领域的工具，不仅提供了标准化的LLM评估范式，更通过实证研究揭示了AI投资的核心真相：LLM在处理结构化金融任务时能力突出，但在真实市场的动态决策、风险控制、黑天鹅应对等方面仍存在显著局限。尽管AlphaArena等项目展现了AI量化交易的潜力，但DeepFund的研究提醒我们，理性看待AI投资的边界至关重要。对于投资者而言，不应视AI为“财富密码”，而应将其作为辅助决策的工具，结合自身风险承受能力与市场判断，形成人机协同的投资模式。此项研究成果被NeurIPS 2025接收，彰显了团队在AI+金融领域的前沿探索实力。目前项目代码已开源，为行业研究提供了重要参考。
作者团队介绍
本文第一作者李昌伦，共同一作石爻，均是香港科技大学（广州）数据科学与分析学域博士生。通讯作者骆昱宇教授，长期深耕DATA+AI数智融合方向，包括数据为中心的人工智能（Data-centric AI, DCAI）、大模型智能体（Foundation Agents）、数据智能体（Data Agents）、智能数据库系统（AI for Databases)等。
