AI交易系统：每笔交易前的多空博弈

简介：一套纸上交易系统，每笔交易执行前都会由两个AI智能体进行辩论——多头（Bull）为交易做论证，空头（Bear）逐一反驳，仲裁者（Arbitrator）最终裁决。系统基于Alpaca交易平台，灵感来自ArXiv量化金融论文。

为什么要做这个

大多数零售交易系统是单线程的：一个信号触发，一笔订单发出。这在大多数时候没问题，直到某次出了问题。

我希望做一个能质疑自己决策的系统——更接近投资委员会的工作方式：你必须先为自己的论点辩护，才能部署资金。

另一个动机来自学术研究：一篇近期的ArXiv论文（2602.23330）表明，在交易决策上，具有对抗性子任务的细粒度多智能体LLM系统，显著优于粗粒度的单智能体方法。这值得验证。

系统架构

系统分为三层：

[ 信号层 ]     技术指标、聪明钱、新闻
        ↓
[ 辩论层 ]     多头 ↔ 空头对抗辩论
        ↓
[ 执行层 ]     仲裁者裁决 → Alpaca下单 + 止损

信号层

三个子系统独立生成信号：

技术信号（短期，每2小时一次）

• RSI（相对强弱指数）、MACD、基于ATR（真实波幅均值）的趋势跟踪，跟踪标的：SPY/QQQ/NVDA/AAPL/TSLA
• 仅在RSI穿越30/70或MACD交叉时触发，不对每个tick响应

聪明钱（每日盘前）

• 13F申报文件：伯克希尔、桥水、文艺复兴科技、城堡投资、两个适马
• 通过QuiverQuant追踪国会议员交易
• Form 4内部人士买入记录——筛选条件：CEO/CFO/总裁，P类型（公开市场买入），交易金额超10万美元

新闻（中期，收盘后）

• 来自Alpaca新闻feed的板块轮动信号
• 与当前持仓交叉比对

辩论层

每笔候选交易都经历三智能体流程：

多头智能体（Bull） — 为交易做论证。必须给出具体的技术面和基本面理由，不允许模糊的乐观表述。

空头智能体（Bear） — 阅读多头的论证并进行攻击。找出最薄弱的假设，指出可能出错的地方。

仲裁者（Arbitrator） — 综合双方观点，检查：

• 风险回报比（最低要求1:2）
• 仓位大小与投资组合限制（单只标的硬性上限15%）
• 数据完整性（零价格或缺失数据时拒绝交易）
• 返回 GO / NO_GO 及置信度评分

以下是测试过程中一次实际的NO-GO案例：

⚖️  Verdict: ❌ NO-GO (95% confidence)
Reason: Bear argument decisive — current price shows $0.00,
RSI N/A. Bull's RSI=29 claim is unverifiable. No trade on
broken data.
Risk flags:
  - DATA_INTEGRITY_FAILURE: price $0.00
  - UNVERIFIABLE_THESIS: RSI mismatch with source data
  - MOMENTUM_TRAP_RISK: TSLA is a momentum stock, not mean-reversion

系统发现了数据管道故障并拒绝交易。这正是你想要的行为。

仓位管理

基于论文 2603.01298（关于自适应波动率控制），仓位大小由ATR驱动：

position_pct = (risk_per_trade_pct) / (atr_pct * atr_multiplier)

实际效果：

• SPY（ATR约1.3%）→ 最大仓位约77%（受15%上限约束）
• NVDA（ATR约3.6%）→ 最大仓位约28%
• TSLA（ATR约3.7%）→ 最大仓位约27%

波动率越高 = 仓位越小。简单，但有效。

回测结果

部署之前，我在SPY上跑了5年回测（2020–2025）以验证策略选择：

5年下来，只有ATR趋势跟踪策略跑赢了被动持有SPY。RSI和MACD——零售投资者最常用的两个指标——都跑输了什么都不做。

基于此，建议的资金配置：

• 40% 核心买入持有（SPY/QQQ）
• 40% ATR趋势策略
• 20% 现金（机会性操作 + 聪明钱跟单）

技术栈

• 交易API：Alpaca（纸上交易，虚拟本金10万美元）
• 数据：yfinance用于历史数据，Alpaca data API用于实时K线
• 分析：pandas、numpy、ta（技术分析库）
• 回测：vectorbt、backtrader
• LLM辩论：Claude CLI（不可用时回退到规则引擎）
• 基础设施：OpenClaw定时任务，Discord频道通知
• 语言：Python 3.11（mamba conda环境）

经验总结

数据完整性第一。 系统拒绝了第一笔模拟交易，因为价格数据返回了0。这是特性，不是缺陷。永远不要让有问题的数据管道动用真实资金。

RSI对动量型股票作用有限。 TSLA的RSI跌到29，不代表它即将反弹——它可能只是开始了真正的下跌趋势。回测证实了这一点：RSI均值回归策略始终跑输。

辩论增加了延迟，但能捕捉问题。 每笔交易前跑两次LLM调用，大约增加10秒延迟。换来的是每次决策都有书面记录，说明为什么这样做。对于纸上交易实验来说，这非常有价值。

13F和国会申报是最干净的信号。 Form 4噪音太多（期权行权和RSU授予占了大头）。国会交易记录很奇特，但是真实的——国会议员的历史投资回报率显著跑赢市场。你自己体会吧。

下一步

• 修复数据管道，让ATR分析在实时模式下也能正常工作
• 先跑一个月纸上交易，再考虑动用真实资金
• 评估VSN+LSTM模型（arXiv 2603.01820）作为信号层替代方案——目前金融时间序列的最新SOTA
• 等纸上交易结果看起来不错后，接入真实期权流数据（Unusual Whales）

源代码暂不公开——之后可能开源其中与交易逻辑无关的部分。