2025年10月，香港大學數據科學實驗室（HKUDS）推出嘅 GitHub 項目**“AI‑Trader”迅速走紅，短短數周內獲得5k+ Star、1.5k+ Fork**，成為 AI 金融應用領域嘅熱點。該框架旨喺科學評估 AI 模型能否「擊敗市場」，通過模擬 NASDAQ 100 交易環境，讓 DeepSeek、Claude‑3.7、GPT‑5、Qwen3‑max 同 Gemini‑2.5‑flash 等五大 AI 模型喺零人類干預下自主競爭。每個 AI 代理根據市場數據、新聞同工具鏈獨立決策，項目強調公平性同可重現性，支援歷史回放同防止前瞻數據滲入。本文深入拆解佢嘅架構、技術亮點同性能表現，為 AI 量化交易開發者提供實戰參考。
一、項目定位：純 AI 驅動嘅「競技場」
唔同於傳統量化框架依賴預設策略，AI‑Trader 嘅核心理念係**「100% 自主決策」**：AI 代理由零開始分析市場、制定計劃並執行交易，冇任何人為指導或內置規則。項目目標直指熱門議題──「AI 能唔能打敗市場？」通過多模型並行競技，確保結果客觀。
框架設計哲學：
工具驅動 + 模組化 = 可擴展嘅 AI 交易生態。
佢基於 Model Context Protocol (MCP) 工具鏈，讓 AI 通過標準化工具調用完成所有操作，支援第三方策略整合同自定義代理擴展。適用於研究、教育同原型開發，本文測試以 NASDAQ 100（科技股百強）作為交易宇宙。
二、核心技術拆解：MCP 工具鏈與數據閉環
1. 系統架構概述
項目結構清晰，分四大模組：
AI-Trader/ ├── core_system/ # 核心邏輯：main.py、代理基類 ├── mcp_toolchain/ # 工具鏈：交易、價格查詢、新聞搜尋、數學計算 ├── data_system/ # 數據管理：價格 JSONL、績效計算 └── frontend/ # Web 儀表板：實時監控
主程序 main.py 管理多模型並發、配置加載同日期控制，支援 JSON 配置同 .env 環境變量。
2. MCP 工具鏈：AI 嘅「交易手臂」
MCP 係框架靈魂，提供四類工具：
工具以 @mcp.tools() 裝飾器實現，支援熱擴展。AI 代理（繼承 BaseAgent）通過 ReAct 式循環（思考‑行動‑反思）調用工具，例如：
while not done:
thought = llm.think(observation)
action = llm.tool_call(thought) # 如 buy(AAPL, 10)
observation = execute(action)
3. 數據系統：歷史回放與反作弊
數據來源包括 Alpha Vantage 嘅 OHLCV（日度開高低收量）同 Jina AI 嘅實時情報。價格數據儲存為 merged.jsonl：
{"symbol": "AAPL", "date": "2025-01-20", "open": "255.8850", ...}
交易記錄用 position.jsonl 追蹤：
{"date": "2025-01-20", "action": {"buy": "AAPL", "amount": 10}, "positions": {"AAPL": 10, "CASH": 9737.6}}
歷史回放機制透過 init_date 同 end_date 模擬過去市場，嚴格過濾未來數據（例如新聞發佈時間），避免「前瞻偏差」。績效計算腳本 calculate_performance.py 會自動生成總收益、夏普比率、最大回撤同年化回報。
4. 前端與配置：用戶友好設計
Web 儀表板（docs/ 目錄下運行 HTTP 伺服器）實時展示代理表現。配置彈性：
{"models": [{"name": "claude-3.7-sonnet", "enabled": true}], "agent_config": {"initial_cash": 10000.0, "max_steps": 30}}
依賴庫包括 langchain、pandas 等，支援 Python 3.8+。
三、性能實測：DeepSeek 暫時領風騷
項目內置排行榜（截至2025/10/24），初始資金 1 萬美元，基準為 QQQ 指數 ETF：
測試環境：工作日交易，採用開盤價作基準。DeepSeek 憑藉高效工具調用同新聞分析脫穎而出，但所有模型都未能穩定超越基準，突顯 AI 喺不確定市場中面對嘅挑戰。
四、社區反響與生態影響
項目一推出，即獲 HuggingFace 同 QuantStack 社區點讚，開發者稱其為「AI 量化入門神器」。X 平台熱議焦點：@FinAIHub 評論：「終於有純 AI 交易框架，期待自定義代理擴展。」歡迎貢獻，包括 bug 修復、策略分享同新工具整合。已出現派生項目例如「AI‑Trader‑CN」（支援 A 股）同「Crypto‑Trader」變體。
五、局限與未來方向
雖然本項目創新度高，框架仍存在短板：
- 實時性弱：依賴日度數據，無分鐘級精度。
- 風險控制缺位：冇內建止蝕機制，易放大損失。
- 模型依賴：需 API 秘鑰，成本高昂。
- 數據局限：僅限 NASDAQ 100，擴展需手動處理。
Roadmap 包括支援 A 股、加密貨幣整合、分鐘級回放同策略市集。作者鼓勵 fork 同貢獻，推動 AI 金融開源生態。
六、結語：AI 交易嘅「競技實驗」
AI‑Trader 唔單止係代碼，更係對 AI 能力邊界嘅一次大膽探索。佢證明：
AI 喺交易中可以自主決策，但要真正擊敗市場仍需要更強嘅認知同適應能力。
喺 2025 年 AI 金融浪潮中，呢個框架好似一面鏡，映照出模型嘅潛力同侷限。對開發者嚟講，佢係理想嘅原型工具；對投資者嚟講，佢係理性嘅警示──AI 雖然智能，但市場永遠充滿不確定性。正如項目口號：「Can AI Beat the Market？」答案有待更多實驗揭曉。