揭秘ChatGPT微盘股实验：完整追踪AI驱动的交易决策与执行过程
【免费下载链接】LLM-Trading-LabThis repo powers my experiment where ChatGPT manages a real-money micro-cap stock portfolio.项目地址: https://gitcode.com/GitHub_Trending/ch/LLM-Trading-Lab
LLM-Trading-Lab项目通过ChatGPT-Micro-Cap-Experiment实验，展示了人工智能在真实资金微盘股投资组合管理中的应用。本实验记录了ChatGPT在6个月内完全自主做出的交易决策、执行过程及结果分析，为AI交易系统提供了宝贵的实践参考。
实验背景：AI如何管理真实资金投资组合？
在金融科技快速发展的今天，大型语言模型（LLM）在金融决策中的应用成为研究热点。LLM-Trading-Lab项目中的ChatGPT-Micro-Cap-Experiment实验，旨在探索ChatGPT作为独立投资决策主体的行为模式和效果。
实验从2025年6月27日持续至12月26日，为期6个月。ChatGPT完全控制投资组合决策，包括股票选择、头寸规模、风险管理和止损设置，而人类仅负责交易执行和数据输入。实验初始资金为100美元，专注于市值低于3亿美元的美国微盘股，这个领域以高波动性、低流动性和有限的分析师覆盖为特点。
实验设计：严格的规则与流程
核心规则与约束
实验设置了明确的规则框架，确保ChatGPT的决策在可控范围内进行：
- 资金限制：初始资金100美元，期间不增加新资金
- 投资范围：仅允许投资美国上市的微盘股（市值≤3亿美元）
- 交易方式：仅允许做多普通股，禁止期权、期货、杠杆和卖空
- 决策自主权：ChatGPT完全控制头寸规模、风险管理和止损设置
数据输入与交互流程
实验采用标准化的数据输入和交互流程：
- 每日更新：每个交易日结束后，向ChatGPT提供结构化的投资组合状态和市场数据摘要
- 每周研究：每周五进行深度研究，ChatGPT生成完整的行动方案和具体订单
- 执行方式：人类严格按照ChatGPT的指令执行交易，不进行任何主观干预
交易数据记录在两个主要文件中：
- Trade Log.csv：记录所有买卖事件，包括日期、股票代码、股数、价格和成本基础
- Daily Updates.csv：包含每日头寸快照，包括持有的股数和每日盈亏
决策过程：从研究到执行的完整链条
研究与决策文档
ChatGPT的决策基于深入研究，形成了完整的文档记录：
每周深度研究报告：每个交易周结束时生成，指导下一周的交易决策。报告同时以Markdown和PDF格式存档，如Week 1 Summary.md/Week 1 Summary.md)和Week 1.pdf/Week 1.pdf)
研究索引：deep_research_index.md提供了所有研究报告的完整索引，包括应用周次和编写时间
聊天记录与决策轨迹
ChatGPT的决策过程通过聊天记录得以完整保存，分为三个主要阶段：
- 对话1（8/1 - 8/29）
- 对话2（8/30 - 9/26）
- 对话3（9/27 - 实验结束）
这些记录提供了ChatGPT思考过程的第一手资料，展示了其如何分析市场情况、调整策略和做出交易决策。
实验结果：数据揭示AI交易行为
投资组合表现
实验期间，投资组合表现与基准指数形成鲜明对比：
如图所示，ChatGPT管理的投资组合表现明显落后于罗素2000和标普500指数。投资组合最大回撤达到-50.33%，而最大涨幅为21.51%，反映出较高的波动性。
交易行为分析
对46笔已平仓交易的分析揭示了ChatGPT的交易特征：
- 盈亏平衡：50%的交易盈利，50%亏损
- 风险回报不对称：平均亏损（-3.83美元）大于平均盈利（+3.01美元）
- 盈利因子：0.82（盈利总和与亏损总和之比）
- 预期收益：-0.41美元（每笔交易的预期收益）
从股票层面看，22只股票中有10只产生正收益，但亏损股票的亏损幅度普遍大于盈利股票的盈利幅度。ATYR是最大亏损来源，对整体组合表现产生重大负面影响。
持仓行为模式
ChatGPT的持仓行为呈现出几个显著特点：
持仓集中度高：平均每个交易日仅持有3.1只股票，显示出高度集中的投资策略。
持仓周期分布：多数交易在10-20天内平仓，但也有少数持仓超过70天，呈现右偏分布。
重复投资倾向：22只股票中有7只被多次买入，其中3只亏损最大的股票反而被多次买入，显示出ChatGPT在面对亏损时倾向于坚持原有投资逻辑。
关键发现：AI交易的优势与局限
主要优势
- 决策一致性：ChatGPT严格遵循预设规则，不受情绪影响，保持决策一致性
- 深度研究能力：能够处理和分析大量信息，生成详细的研究报告
- 纪律性执行：严格执行止损策略和预设交易计划
主要局限
- 过度集中风险：倾向于高度集中的投资组合，增加了非系统性风险
- 对亏损的不敏感：即使面对亏损仍坚持原有策略，缺乏适应性调整
- 依赖事件驱动：过度依赖事件驱动型投资，增加了不确定性
- 止损设置问题：在重大不利价格变动发生在非交易时间时，止损策略失效
结论与启示
ChatGPT-Micro-Cap-Experiment实验为AI在金融决策中的应用提供了宝贵的实践经验。实验结果表明，当LLM作为资本配置主体时，表现出类似高信念、基于逻辑的自主交易特征。投资组合结果更多地受到集中度、头寸层面叙事的持续性以及不对称下行风险的影响，而非增量交易层面的表现。
这一实验不仅展示了AI在金融决策中的潜力，也揭示了需要改进的关键领域，如风险分散、亏损处理和适应性学习等。未来研究可关注不同模型间的决策行为比较、不同市场环境下的表现差异，以及如何通过提示工程优化AI的交易决策能力。
对于普通投资者而言，这一实验提醒我们：AI工具虽然强大，但仍需要人类的监督和合理引导。在将AI应用于实际投资决策时，应充分认识其局限性，建立适当的风险控制机制。
延伸阅读与资源
- 评估报告：完整的实验评估报告
- 研究报告索引：所有周度研究报告的索引
- 图表生成代码：用于生成实验结果图表的Python脚本
【免费下载链接】LLM-Trading-LabThis repo powers my experiment where ChatGPT manages a real-money micro-cap stock portfolio.项目地址: https://gitcode.com/GitHub_Trending/ch/LLM-Trading-Lab
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
