Gate 研究院：AI 交易時代，大語言模型如何重塑數字資產交易

摘要

• 金融市場的發展始終與技術進步同步，每一次技術革命都會改變交易方式並降低市場參與門檻。

• 量化交易當前由於技術門檻較高，主要掌握在少數機構與專業交易團隊手中。

• 大語言模型的出現，使量化交易開始從「工程問題」轉變為「表達問題」，普通用戶也有機會參與量化交易。

• AI 交易系統正在成為新的產品形態，交易平台正從單純的撮合工具演變為 AI 驅動的交易基礎設施。

• 在可預見的未來，AI 不會完全取代交易員，但會成為交易體系中的重要協作角色。

1. 引言：技術革命如何改變金融交易

過去幾十年，金融市場的發展始終與技術進步密切相關。幾乎每一次重要的技術革命，都會改變交易方式，並推動新的金融產品形態出現。

回顧歷史，金融交易大致經歷了幾個關鍵階段。

• 20 世紀 70 年代，電子交易系統開始出現，證券交易逐漸從人工撮合轉向計算機撮合，市場效率大幅提升。

• 1990 年代，互聯網的普及催生了在線券商，個人投資者可以通過互聯網直接參與交易。

• 進入移動互聯網時代，智能手機進一步降低了交易門檻，移動交易平台讓投資者可以隨時隨地進入市場。

• 近年來，區塊鏈與數字資產市場的出現，又帶來了新的變化。與傳統金融市場不同，數字資產市場具有全球化、全天候運行（7×24 小時）的特點，這也使自動化交易在該市場中迅速發展。

事實上，在許多成熟金融市場中，量化交易早已成為主流。股票、外匯和期貨市場中，量化交易的比例普遍已經超過 60%，在部分市場甚至更高。而在數字資產交易市場中，量化交易同樣占據越來越重要的地位。可以說，交易系統正在從「由人操作的工具」，逐漸演變為「由算法驅動的系統」。

隨着大語言模型（LLM）和 AI Agent 技術的發展，交易系統可能正在進入新的階段。在這個階段，AI 不僅能夠分析市場數據，還可以生成交易策略，並自動執行交易。這也引出了一個值得思考的問題：

在 LLM 時代，AI 是否會成為新的交易員？

2. 量化交易：長期以來的精英遊戲

在過去幾十年裡，量化交易逐漸成為金融市場的重要組成部分。與其巨大的市場影響力相比，量化交易一直具有較高的技術門檻。一個完整的量化交易體系通常包含多個複雜環節，包括：

這些環節共同構成了一個完整的量化交易系統，而每一個環節都需要不同領域的專業能力。在實踐中，量化交易往往需要使用 Python、C++ 等編程語言，以及各種數據分析框架和交易 API。同時，還需要穩定的服務器、數據存儲系統以及自動化監控工具，以確保策略能夠在真實市場中穩定運行。對於高頻交易機構而言，技術要求甚至更高。許多高頻交易團隊需要投入大量資金建設低延遲交易系統和專用硬件設施，以獲得更快的交易速度。

正因如此，在過去很長一段時間裡，量化交易主要掌握在少數機構與專業團隊手中，例如對沖基金、做市商以及大型量化交易公司。而大多數普通投資者仍然依賴手動交易、技術指標或市場情緒進行決策，很難真正參與到量化交易體系之中。換句話說，在 AI 出現之前，量化交易更像是一種典型的「精英遊戲」。只有具備金融知識、編程能力和工程資源的少數團隊，才能真正建立和運行完整的量化交易系統。

3. LLM 將如何改變交易

長期以來，無論是策略研究、數據處理還是自動化交易執行，都需要較強的編程能力和工程經驗。因此，量化交易在很長一段時間裡始終掌握在少數專業機構手中。然而，LLM 的出現，正在改變這一格局。

與傳統軟件工具不同，LLM 具備理解自然語言、生成代碼和進行複雜推理的能力。這意味着，許多原本需要編程完成的工作，現在可以通過自然語言描述來實現。例如，用戶只需要輸入簡單的策略描述，例如：

「當 BTC 的 RSI 指標低於 30 時買入，當 RSI 高於 70 時賣出。」

AI 系統就可以自動完成以下工作：

• 生成策略代碼

• 調用歷史市場數據

• 進行策略回測

• 分析策略收益與風險指標

• 自動部署交易策略

換句話說，在 AI 時代，構建交易策略不再完全依賴編程能力，而更多依賴對交易邏輯的表達。可以說 LLM 正在把量化交易從「工程問題」變成「表達問題」。

與此同時，多種 AI Agent 架構的出現，使得 AI 不僅能夠生成策略，還可以在完整的交易流程中發揮作用。例如，一些研究團隊已經嘗試構建由多個 AI Agent 組成的交易系統，其中不同的 Agent 分別負責市場研究、策略生成、風險控制以及交易執行等任務。

近年來，一些實驗已經開始驗證這種可能性。例如 AI 研究機構 Nof1 舉辦的 Alpha Arena AI 交易競賽，讓多個大型語言模型在真實加密市場中自主交易，每個模型擁有相同的資金和市場條件。參與的模型包括 GPT-5、Gemini 2.5 Pro、Grok 4、Claude 4.5 Sonnet、DeepSeek V3.1 和 Qwen 3 Max。雖然大多數模型在高波動市場中表現不穩定，但部分模型依然獲得正收益，這一實驗首次證明 LLM 可以在真實市場中自主完成交易決策與執行。

目前隨着 LLM 能力的不斷提升，AI 在交易領域的角色也在發生變化。在傳統量化交易體系中，AI 主要用於數據分析或模型預測；而在新的 AI 架構中，AI 可以參與到完整的交易流程，包括：市場信息分析、策略生成與優化、自動化交易執行和交易結果復盤與策略改進。這意味着，交易系統正在從單純的「自動化工具」，逐漸演變為一種 能夠自主完成任務的智能系統。而這也為下一代交易平台的出現創造了新的可能性。

4. LLM 時代的交易產品形態

從當前行業探索來看，AI 交易產品大致可以分為幾種不同方向。

第一類是 AI Agent 交易基礎設施。這類產品主要面向開發者，為 AI Agent 提供交易接口和數據服務。例如，一些交易平台已經開始提供統一的 API 和開發框架，使 AI Agent 可以直接訪問市場數據並執行交易。

第二類是 AI 交易策略生成工具。這類產品主要面向普通交易者，通過 AI 自動生成交易策略，並提供回測和自動化執行功能。

第三類是傳統量化平台的 AI 升級。一些已有的量化工具開始加入 AI 分析能力，例如自動策略分析或市場研究輔助，但整體產品形態仍然以傳統量化工具為主。

目前市場上已經出現了一些具有代表性的產品。例如：

• O** OnchainOS：主要提供 AI Agent 的交易基礎設施，使開發者可以構建自動化交易 Agent。

• RockFlow RockAlpha：提供 AI 生成交易策略，並支持策略分享與交易競技。

• TradingView：在傳統技術分析平台基礎上增加 AI 分析功能。

• QuantConnect：量化開發平台，主要面向專業交易者和開發者。

• Numerai：通過眾包方式收集機器學習模型，用於市場預測。

這些產品從不同角度探索 AI 與交易系統的結合，但整體來看，大多數產品仍然存在一定局限。例如，一些平台主要面向開發者，對普通用戶的門檻仍然較高；而另一些產品雖然提供 AI 策略生成能力，但缺乏完整的量化交易流程。

在這一背景下，一些交易平台開始嘗試構建更完整的 AI 量化交易工作檯（AI Quant Workspace）。Gate 在這一方向進行了較早的產品探索，Gate 推出的 AI Quant Workspace，是一種面向普通交易者的 AI 量化交易系統，其核心目標是讓用戶能夠通過更簡單的方式參與量化交易。

與傳統量化工具不同，該系統採用 自然語言交互 + 自動化交易流程 的方式。用戶可以直接用自然語言描述交易邏輯，例如：

「創建一個基於 RSI 指標的 BTC 交易策略。」

系統會自動完成策略生成，並調用歷史市場數據進行回測分析。用戶可以在界面中查看策略收益曲線、風險指標以及不同時間周期的表現。

在策略通過回測之後，用戶還可以將策略一鍵部署到真實市場，實現自動化交易。這樣，一個完整的量化交易流程——從策略構想到策略執行——都可以在同一個系統中完成。

此外，Gate 還推出了 Gate for AI 開發框架，為 AI Agent 提供統一的交易接口。該框架整合了中心化交易、鏈上交易、錢包以及市場數據等能力，使 AI Agent 可以直接參與交易和策略執行。

5. AI 交易平台的商業模式

從交易平台的角度來看，AI 交易並不僅僅是技術創新，更可能成為新的增長引擎。

在傳統交易平台中，平台收入主要來自交易手續費。因此，平台增長的核心邏輯通常圍繞三個指標：

• 用戶數量

• 交易量

• 用戶資產沉澱

相比普通投資者，量化交易用戶通常具有更高的交易頻率。許多量化策略會持續運行，並在市場中不斷進行交易，因此其交易量往往遠高於普通用戶。

在傳統金融市場中，算法交易已經占據了相當大的交易比例。例如在股票、外匯和期貨市場中，自動化交易的比例普遍超過 60%。這也意味着，如果交易平台能夠讓更多用戶參與量化交易，就有可能顯著提升整體交易量。

在這種模式下，平台通過提供 AI 量化交易工具，幫助普通用戶構建和執行交易策略，從而提升交易效率和交易頻率。也就是說 AI 將不僅是一種工具，也是一種交易量增長機制。在這一邏輯下，AI 交易平台可能出現幾種不同的商業模式。

5.1 手續費增強模型

在 AI 交易環境中，用戶使用的是平台提供的智能交易工具，例如策略生成、自動回測以及自動化交易執行。這些能力可以幫助用戶提升交易效率，並提高策略執行的穩定性。

在這種情況下，平台可以在原有交易手續費基礎上增加一定溢價。例如，在現貨或合約交易中，針對使用 AI 交易工具的策略交易收取略高的手續費。只要 AI 策略帶來的額外收益能夠覆蓋這一成本，這種收費模式就具有一定的可持續性。

5.2 AI 策略市場

另一種可能的商業模式是策略市場（Strategy Marketplace）。在這種模式下，用戶不僅可以使用 AI 生成策略，還可以將自己的策略發布到平台上，並允許其他用戶訂閱或跟隨交易。

策略提供者可以從策略訂閱費或跟單收益中獲得收益，而平台則可以從中收取一定比例的分成。這種模式類似於當前交易平台中的 Copy Trading 或策略跟單，但在 AI 時代，策略的生產方式可能發生變化——越來越多的策略將由 AI 生成或輔助生成。因此，平台不僅是交易撮合者，也可能成為策略生態的運營者。

5.3 用戶結構升級

從更長遠的角度來看，AI 交易的最大價值可能並不在於單一產品，而在於用戶結構的變化。

在傳統交易平台中，大多數用戶以手動交易為主，而量化交易用戶通常只占較小比例。但在 AI 技術降低門檻之後，越來越多的普通用戶可能開始嘗試自動化交易或策略交易。換句話說，AI 有可能將大量普通交易者升級為 「輕量級量化交易者」。對於交易平台而言，這意味着：

• 更高的交易頻率

• 更穩定的交易行為

• 更長的用戶生命周期

從平台增長邏輯來看，這種用戶結構升級可能會形成一種新的增長飛輪：

更多量化用戶 → 更高交易量 → 更多交易數據 → 更好的 AI 模型 → 更好的策略表現 → 吸引更多用戶。

6. 總結

從金融市場的發展歷史來看，技術始終在不斷改變交易方式。從電子交易系統到互聯網券商，再到移動交易平台，每一次技術進步都在降低市場參與門檻。LLM 和 AI Agent 的出現，正在推動交易系統進入新的階段。AI 不僅可以分析市場數據，還可以生成策略並自動執行交易，這使得量化交易開始從「工程問題」轉變為「表達問題」。

這意味着，越來越多的用戶可能通過 AI 工具參與自動化交易，而不再需要複雜的量化開發能力。但金融市場仍然是一個高度複雜且充滿不確定性的系統。市場結構、宏觀環境以及風險管理等問題，仍然需要人類的判斷與經驗。因此，在可預見的未來，AI 很可能不會完全取代交易員，而是成為交易體系中的重要工具。
參考：

• Arxiv, https://arxiv.org/html/2503.21422v1

• Gate, https://www.gate.com/crypto-bot-detail/strategy-builder

• Nof1,https://nof1.ai/

• Quantpedia, https://quantpedia.com/blog/

Gate 研究院是一個全面的區塊鏈和加密貨幣研究平台，為讀者提供深度內容，包括技術分析、熱點洞察、市場回顧、行業研究、趨勢預測和宏觀經濟政策分析。
免責聲明 加密貨幣市場投資涉及高風險，建議用戶在做出任何投資決定之前進行獨立研究並充分了解所購買資產和產品的性質。 Gate 不對此類投資決策造成的任何損失或損害承擔責任。