Gate 研究院：AI 交易时代，大语言模型如何重塑数字资产交易

摘要

• 金融市场的发展始终与技术进步同步，每一次技术革命都会改变交易方式并降低市场参与门槛。

• 量化交易当前由于技术门槛较高，主要掌握在少数机构与专业交易团队手中。

• 大语言模型的出现，使量化交易开始从“工程问题”转变为“表达问题”，普通用户也有机会参与量化交易。

• AI 交易系统正在成为新的产品形态，交易平台正从单纯的撮合工具演变为 AI 驱动的交易基础设施。

• 在可预见的未来，AI 不会完全取代交易员，但会成为交易体系中的重要协作角色。

1. 引言：技术革命如何改变金融交易

过去几十年，金融市场的发展始终与技术进步密切相关。几乎每一次重要的技术革命，都会改变交易方式，并推动新的金融产品形态出现。

回顾历史，金融交易大致经历了几个关键阶段。

• 20 世纪 70 年代，电子交易系统开始出现，证券交易逐渐从人工撮合转向计算机撮合，市场效率大幅提升。

• 1990 年代，互联网的普及催生了在线券商，个人投资者可以通过互联网直接参与交易。

• 进入移动互联网时代，智能手机进一步降低了交易门槛，移动交易平台让投资者可以随时随地进入市场。

• 近年来，区块链与数字资产市场的出现，又带来了新的变化。与传统金融市场不同，数字资产市场具有全球化、全天候运行（7×24 小时）的特点，这也使自动化交易在该市场中迅速发展。

事实上，在许多成熟金融市场中，量化交易早已成为主流。股票、外汇和期货市场中，量化交易的比例普遍已经超过 60%，在部分市场甚至更高。而在数字资产交易市场中，量化交易同样占据越来越重要的地位。可以说，交易系统正在从“由人操作的工具”，逐渐演变为“由算法驱动的系统”。

随着大语言模型（LLM）和 AI Agent 技术的发展，交易系统可能正在进入新的阶段。在这个阶段，AI 不仅能够分析市场数据，还可以生成交易策略，并自动执行交易。这也引出了一个值得思考的问题：

在 LLM 时代，AI 是否会成为新的交易员？

2. 量化交易：长期以来的精英游戏

在过去几十年里，量化交易逐渐成为金融市场的重要组成部分。与其巨大的市场影响力相比，量化交易一直具有较高的技术门槛。一个完整的量化交易体系通常包含多个复杂环节，包括：

这些环节共同构成了一个完整的量化交易系统，而每一个环节都需要不同领域的专业能力。在实践中，量化交易往往需要使用 Python、C++ 等编程语言，以及各种数据分析框架和交易 API。同时，还需要稳定的服务器、数据存储系统以及自动化监控工具，以确保策略能够在真实市场中稳定运行。对于高频交易机构而言，技术要求甚至更高。许多高频交易团队需要投入大量资金建设低延迟交易系统和专用硬件设施，以获得更快的交易速度。

正因如此，在过去很长一段时间里，量化交易主要掌握在少数机构与专业团队手中，例如对冲基金、做市商以及大型量化交易公司。而大多数普通投资者仍然依赖手动交易、技术指标或市场情绪进行决策，很难真正参与到量化交易体系之中。换句话说，在 AI 出现之前，量化交易更像是一种典型的“精英游戏”。只有具备金融知识、编程能力和工程资源的少数团队，才能真正建立和运行完整的量化交易系统。

3. LLM 将如何改变交易

长期以来，无论是策略研究、数据处理还是自动化交易执行，都需要较强的编程能力和工程经验。因此，量化交易在很长一段时间里始终掌握在少数专业机构手中。然而，LLM 的出现，正在改变这一格局。

与传统软件工具不同，LLM 具备理解自然语言、生成代码和进行复杂推理的能力。这意味着，许多原本需要编程完成的工作，现在可以通过自然语言描述来实现。例如，用户只需要输入简单的策略描述，例如：

“当 BTC 的 RSI 指标低于 30 时买入，当 RSI 高于 70 时卖出。”

AI 系统就可以自动完成以下工作：

• 生成策略代码

• 调用历史市场数据

• 进行策略回测

• 分析策略收益与风险指标

• 自动部署交易策略

换句话说，在 AI 时代，构建交易策略不再完全依赖编程能力，而更多依赖对交易逻辑的表达。可以说 LLM 正在把量化交易从“工程问题”变成“表达问题”。

与此同时，多种 AI Agent 架构的出现，使得 AI 不仅能够生成策略，还可以在完整的交易流程中发挥作用。例如，一些研究团队已经尝试构建由多个 AI Agent 组成的交易系统，其中不同的 Agent 分别负责市场研究、策略生成、风险控制以及交易执行等任务。

近年来，一些实验已经开始验证这种可能性。例如 AI 研究机构 Nof1 举办的 Alpha Arena AI 交易竞赛，让多个大型语言模型在真实加密市场中自主交易，每个模型拥有相同的资金和市场条件。参与的模型包括 GPT-5、Gemini 2.5 Pro、Grok 4、Claude 4.5 Sonnet、DeepSeek V3.1 和 Qwen 3 Max。虽然大多数模型在高波动市场中表现不稳定，但部分模型依然获得正收益，这一实验首次证明 LLM 可以在真实市场中自主完成交易决策与执行。

目前随着 LLM 能力的不断提升，AI 在交易领域的角色也在发生变化。在传统量化交易体系中，AI 主要用于数据分析或模型预测；而在新的 AI 架构中，AI 可以参与到完整的交易流程，包括：市场信息分析、策略生成与优化、自动化交易执行和交易结果复盘与策略改进。这意味着，交易系统正在从单纯的“自动化工具”，逐渐演变为一种 能够自主完成任务的智能系统。而这也为下一代交易平台的出现创造了新的可能性。

4. LLM 时代的交易产品形态

从当前行业探索来看，AI 交易产品大致可以分为几种不同方向。

第一类是 AI Agent 交易基础设施。这类产品主要面向开发者，为 AI Agent 提供交易接口和数据服务。例如，一些交易平台已经开始提供统一的 API 和开发框架，使 AI Agent 可以直接访问市场数据并执行交易。

第二类是 AI 交易策略生成工具。这类产品主要面向普通交易者，通过 AI 自动生成交易策略，并提供回测和自动化执行功能。

第三类是传统量化平台的 AI 升级。一些已有的量化工具开始加入 AI 分析能力，例如自动策略分析或市场研究辅助，但整体产品形态仍然以传统量化工具为主。

目前市场上已经出现了一些具有代表性的产品。例如：

• O** OnchainOS：主要提供 AI Agent 的交易基础设施，使开发者可以构建自动化交易 Agent。

• RockFlow RockAlpha：提供 AI 生成交易策略，并支持策略分享与交易竞技。

• TradingView：在传统技术分析平台基础上增加 AI 分析功能。

• QuantConnect：量化开发平台，主要面向专业交易者和开发者。

• Numerai：通过众包方式收集机器学习模型，用于市场预测。

这些产品从不同角度探索 AI 与交易系统的结合，但整体来看，大多数产品仍然存在一定局限。例如，一些平台主要面向开发者，对普通用户的门槛仍然较高；而另一些产品虽然提供 AI 策略生成能力，但缺乏完整的量化交易流程。

在这一背景下，一些交易平台开始尝试构建更完整的 AI 量化交易工作台（AI Quant Workspace）。Gate 在这一方向进行了较早的产品探索，Gate 推出的 AI Quant Workspace，是一种面向普通交易者的 AI 量化交易系统，其核心目标是让用户能够通过更简单的方式参与量化交易。

与传统量化工具不同，该系统采用 自然语言交互 + 自动化交易流程 的方式。用户可以直接用自然语言描述交易逻辑，例如：

“创建一个基于 RSI 指标的 BTC 交易策略。”

系统会自动完成策略生成，并调用历史市场数据进行回测分析。用户可以在界面中查看策略收益曲线、风险指标以及不同时间周期的表现。

在策略通过回测之后，用户还可以将策略一键部署到真实市场，实现自动化交易。这样，一个完整的量化交易流程——从策略构想到策略执行——都可以在同一个系统中完成。

此外，Gate 还推出了 Gate for AI 开发框架，为 AI Agent 提供统一的交易接口。该框架整合了中心化交易、链上交易、钱包以及市场数据等能力，使 AI Agent 可以直接参与交易和策略执行。

5. AI 交易平台的商业模式

从交易平台的角度来看，AI 交易并不仅仅是技术创新，更可能成为新的增长引擎。

在传统交易平台中，平台收入主要来自交易手续费。因此，平台增长的核心逻辑通常围绕三个指标：

• 用户数量

• 交易量

• 用户资产沉淀

相比普通投资者，量化交易用户通常具有更高的交易频率。许多量化策略会持续运行，并在市场中不断进行交易，因此其交易量往往远高于普通用户。

在传统金融市场中，算法交易已经占据了相当大的交易比例。例如在股票、外汇和期货市场中，自动化交易的比例普遍超过 60%。这也意味着，如果交易平台能够让更多用户参与量化交易，就有可能显著提升整体交易量。

在这种模式下，平台通过提供 AI 量化交易工具，帮助普通用户构建和执行交易策略，从而提升交易效率和交易频率。也就是说 AI 将不仅是一种工具，也是一种交易量增长机制。在这一逻辑下，AI 交易平台可能出现几种不同的商业模式。

5.1 手续费增强模型

在 AI 交易环境中，用户使用的是平台提供的智能交易工具，例如策略生成、自动回测以及自动化交易执行。这些能力可以帮助用户提升交易效率，并提高策略执行的稳定性。

在这种情况下，平台可以在原有交易手续费基础上增加一定溢价。例如，在现货或合约交易中，针对使用 AI 交易工具的策略交易收取略高的手续费。只要 AI 策略带来的额外收益能够覆盖这一成本，这种收费模式就具有一定的可持续性。

5.2 AI 策略市场

另一种可能的商业模式是策略市场（Strategy Marketplace）。在这种模式下，用户不仅可以使用 AI 生成策略，还可以将自己的策略发布到平台上，并允许其他用户订阅或跟随交易。

策略提供者可以从策略订阅费或跟单收益中获得收益，而平台则可以从中收取一定比例的分成。这种模式类似于当前交易平台中的 Copy Trading 或策略跟单，但在 AI 时代，策略的生产方式可能发生变化——越来越多的策略将由 AI 生成或辅助生成。因此，平台不仅是交易撮合者，也可能成为策略生态的运营者。

5.3 用户结构升级

从更长远的角度来看，AI 交易的最大价值可能并不在于单一产品，而在于用户结构的变化。

在传统交易平台中，大多数用户以手动交易为主，而量化交易用户通常只占较小比例。但在 AI 技术降低门槛之后，越来越多的普通用户可能开始尝试自动化交易或策略交易。换句话说，AI 有可能将大量普通交易者升级为 “轻量级量化交易者”。对于交易平台而言，这意味着：

• 更高的交易频率

• 更稳定的交易行为

• 更长的用户生命周期

从平台增长逻辑来看，这种用户结构升级可能会形成一种新的增长飞轮：

更多量化用户 → 更高交易量 → 更多交易数据 → 更好的 AI 模型 → 更好的策略表现 → 吸引更多用户。

6. 总结

从金融市场的发展历史来看，技术始终在不断改变交易方式。从电子交易系统到互联网券商，再到移动交易平台，每一次技术进步都在降低市场参与门槛。LLM 和 AI Agent 的出现，正在推动交易系统进入新的阶段。AI 不仅可以分析市场数据，还可以生成策略并自动执行交易，这使得量化交易开始从“工程问题”转变为“表达问题”。

这意味着，越来越多的用户可能通过 AI 工具参与自动化交易，而不再需要复杂的量化开发能力。但金融市场仍然是一个高度复杂且充满不确定性的系统。市场结构、宏观环境以及风险管理等问题，仍然需要人类的判断与经验。因此，在可预见的未来，AI 很可能不会完全取代交易员，而是成为交易体系中的重要工具。
参考：

• 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 研究院是一个全面的区块链和加密货币研究平台，为读者提供深度内容，包括技术分析、热点洞察、市场回顾、行业研究、趋势预测和宏观经济政策分析。
免责声明 加密货币市场投资涉及高风险，建议用户在做出任何投资决定之前进行独立研究并充分了解所购买资产和产品的性质。 Gate 不对此类投资决策造成的任何损失或损害承担责任。