AI 炒股实验大揭秘：金融神手还是神经菜鸟？

导语：大模型炒股战绩惊人，但幻觉难题仍是最大绊脚石。

随着大模型技术日益成熟，金融行业正积极探索 AI 在投资决策中的应用潜力。国内外多家券商已完成 DeepSeek 等大模型的本地化部署，探索 AI 在智能投研、投资顾问等核心业务场景的应用。

然而，AI 能否真正成为可靠的“金融神手”，而非“神经菜鸟”，仍需解决多个关键技术问题。

实验见真章：AI 炒股实战成绩单

11 月 5 日，RockFLow 组织了一场别开生面的 AI 炒股实验，汇集 10 个国内外知名大模型，每个模型获得 10 万元资金，投资特斯拉、英伟达、台积电、ASML 等 10 只科技股，开展真枪实战的炒股对决。

截至 11 月 12 日的初步数据显示，Kimi 排名第一，Minimax 紧随其后排名第二，目前只有这两家大模型是盈利，其他均是处于亏损状态。而此前在加密货币投资中表现优异的 DeepSeek 及千问在此次股票投资中却暂时亏损，呈现“神级反转”态势。

这些大模型不仅仅进行简单的买入卖出操作，还会相互观察其他模型的交易行为，决定是否跟进或调整投资策略。这种互动模式宛如将 10 个大模型置于一个“虚拟交易室”，相互探讨借鉴，十分接近真人炒股的投资决策环境。

（诠释：大模型之间会相互查看对方的投资策略并进行自身策略修改跟进）

现实挑战：大模型幻觉成为投资致命伤

当我们看到大模型炒股的初步成果，可能会认为依靠 AI 投资就能轻松盈利。但事实并非如此简单，大模型炒股仍面临诸多技术挑战，其中“AI 幻觉”问题尤为突出。

当我们让大模型推荐股票时，常常会遇到模型“胡说八道”的情况——编造不存在的股票代码、虚构企业财务数据或捏造市场分析报告。例如，已有使用者发现 DeepSeek 在推荐的股票已经退市私有化，但仍进行鼓励投资及推荐。

（诠释：图片来源小声比比）

(诠释：重新询问大模型，发现仍是缺失了关键信息，从一开始可以投资到发现已经私有化）

AI 幻觉是指大语言模型编造它认为是真实存在甚至看起来合理或可信的信息的现象。简而言之，就是模型会一本正经地“胡说八道”。

中央财经大学金融学院教授张宁指出：“AI 的风险必然存在，比如底层技术原理的局限所造成的‘AI 幻觉’，这些虚构事实、逻辑矛盾、过度推理的 AI‘脑补行为’需要我们用⼈脑自行辨别。”

面对 AI 提供的投资建议，投资者需要花费大量时间核实输出内容的真实性与准确性，这一过程反而可能增加决策成本，降低投资效率。

解决方案：降低幻觉，提升投资决策可靠性

大模型幻觉主要来源于三种情况：输入幻觉、上下文幻觉和事实幻觉。传统应对方法是在大模型预训练阶段，进行清洗语料、数据过滤及事实强化，但这些措施难以完全消除幻觉问题。当大模型阅读海量数据库时，难免会遇到已被污染的内容，导致输出结果存在偏差。

EasyLink 公司针对大模型幻觉问题，提出了系统化的处理方案。首先，建立基于事实的知识库，减少互联网数据污染的影响。通过自研的多模态视觉大模型，对海量年报、财报、咨询等非结构化数据进行解析，确保知识库的所有来源都有事实依据。

其次，针对大模型阅读中出现的上下文幻觉问题，EasyLink 对非结构化文档进行模块化切割，并对跨页内容开展关联分析，确保大模型阅读的数据内容具备一致性，从技术层面降低幻觉产生概率。

(诠释：内文及表格模块化切割并输出知识树结构）

除了在知识库层面降低幻觉风险，EasyLink 还在大模型问答过程中引入 RAG（检索增强生成）技术，对模型问答进行事实来源溯源，确保所有回答都有据可依。

通过上述措施，EasyLink 成功帮助某券商将智能体幻觉率降低至 0.11%，显著提升了智能体的回答准确率和企业的投研效率，为投资决策提供了更可靠的技术支持。

AI 投研展望未来：是人机协作

AI 炒股的实验成果与幻觉挑战，共同勾勒出技术与金融融合的辩证图景——它既非“万能神手”，也非“盲目菜鸟”，而是一场需长期迭代的人机协同进化。当前，AI 产业正从模型竞争迈向场景落地的关键周期。据业内分析，2025 年已成为 AI 应用商业化元年，端侧 AI、人形机器人、国产算力等细分领域加速爆发，而降低幻觉、提升决策可靠性是规模化落地的核心前提。

未来，AI 投资的发展将围绕三条主线深化：

技术可信度升级：通过 RAG、多模态数据清洗、知识库构建等工具链完善，推动 AI 从“概率生成”转向“因果推理”，减少幻觉对金融决策的干扰；

应用场景深挖：从炒股实验延伸至智能投顾、风险管理、量化策略等更复杂的金融环节，强化 AI 在动态市场中的泛化能力；

监管与生态共建：需建立 AI 金融应用的标准化评估体系，推动数据安全、算法透明度与行业规范协同。值得注意的是，资本的流向已印证这一趋势。

2025 年以来，全球 AI 产业链的融资进一步向具备清晰商业模式和落地能力的应用端倾斜，尤其在金融、医疗、教育等垂直领域。而正如红杉资本所指出的，AI 创新的价值倒挂现象正通过成本优化与技术平民化逐步收敛。真正的终局不再是“AI 是否取代人类”，而是如何让人机协作最大化价值。正如专家所言，AI 擅长处理海量数据与模式识别，而人类在模糊决策、伦理判断与创新突破中仍不可替代。对于投资机构而言，主动拥抱 AI 工具、建立“人类经验+AI 效率”的双轨决策机制，才是赢得下一轮竞争的关键。