前言
"用 AI 炒币"听起来像是科幻小说的情节，但在过去三个月的实践中，我确实找到了一些LLM 在量化交易中切实可行的应用方式。本文分享的不是炒作，而是真实的工程经验。
LLM 擅长什么
1. 多维度市场分析
传统技术指标是数学公式，LLM 则能理解上下文。例如：
- 同时考虑技术指标信号、新闻情绪、链上数据
- 用自然语言描述市场状态，而不是简单的买/卖信号
- 对异常行情给出合理的解释
2. 结构化信号输出
通过精心设计的 Prompt，可以让 LLM 输出结构化的 JSON 信号：
{
"action": "BUY",
"confidence": 0.72,
"reasoning": "RSI 超卖 + MACD 金叉 + 市场情绪回暖",
"risk_level": "MEDIUM",
"suggested_position": 0.15
}
关键是 Prompt 设计 — 需要明确输出格式、信号阈值和推理要求。
3. 异常检测
LLM 对"不正常"的模式有较好的识别能力。当技术指标全部正常但 LLM 给出低置信度时，往往意味着市场存在隐性风险。
LLM 不擅长什么
1. 精确数值预测
不要指望 LLM 告诉你 BTC 明天的价格。它擅长的是定性分析，不是定量预测。
2. 高频决策
LLM 的响应延迟（通常 1-5 秒）决定了它不适合高频交易。我把它定位在中低频策略辅助层。
3. 稳定性
同样的输入，不同次调用可能给出不同结果。解决方案是多模型投票 — 同时调用 3 个模型，取多数一致的信号。
三个月的数据
| 指标 | 纯技术指标 | 技术指标 + LLM | |------|-----------|---------------| | 胜率 | 54.2% | 62.3% | | 盈亏比 | 1.3:1 | 1.6:1 | | 最大回撤 | -8.7% | -4.9% |
LLM 最大的贡献不是提高胜率，而是降低了最大回撤 — 它在市场异常时更倾向于保守。
结论
LLM 不是交易的银弹，但它是一个有价值的辅助决策工具。关键是正确定位它的能力边界，而不是盲目依赖。