拓冰网站定制 
人工智能金融科技数据分析科研【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点击查看免费下载本文全面剖析 LLM-Trading-Lab 开源仓库它记录了一场由 ChatGPT 全权管理真实资金起始 $100的美股微市值Micro-Cap组合实验并沉淀为一套可复用的 LLM 投资决策研究框架。读完本文你将理解该实验的规则约束、人机分工与提示词设计、交易脚本与指标计算的源码实现以及实验最终揭示的 LLM 决策行为特征与失败模式。项目定位从一次 100 美元实验到 LLM 决策行为研究框架LLM-Trading-Lab 最初是一个持续 6 个月的实盘微市值股票实验README.md由大语言模型 ChatGPT 在严格预定义规则下管理一个真实资金组合。随着实验推进它已演变为一个研究 LLM 作为组合决策者portfolio decision-maker行为的基线框架所有历史数据、研究报告与日志均被完整保留以支撑透明度与可审计性。仓库在 README.md 中明确声明两大用途一次 AI 管理实盘交易实验的完整前向记录forward-only record未来 AI 驱动交易实验可复用的基础框架。历史产物保持原样新实验、新分析与新方法在其上叠加而不会改写过去的结论。仓库作者同步在推进两个方向面向新上市 IPO 标的的下一轮实验以及一套通用的 LLM 研究框架 LIBBLLM Investor Behavior Benchmark用于承载未来所有实验。实验设计研究问题、约束与信息边界研究问题与动机项目的起点是一次朴素但尖锐的追问README.md The Concept 一节营销广告宣称AI 帮你挑选被低估的股票那么具备强大推理能力的大语言模型如 ChatGPT在实时数据驱动下究竟能否产生 alpha超额收益或至少做出明智的交易决策实验以 $100 起步在交易这个错误可测量、不可逆、代价高昂的领域里用公开可查的日志检验 AI 替代人类决策的营销话术。实验范围与硬约束根据评估报告 evaluation_report.md 的 Experimental Setup 章节实验约束可归纳为标的范围仅允许买入美国上市交易所中市值不超过 3 亿美元$300M的微市值股票若持仓标的市值超过 300M只可持有或卖出不得加仓。交易限制仅限整股full shares严禁期权、做空、杠杆、保证金与一切衍生品纯多头long-only。时间窗口2025-06-27 至 2025-12-26约 6 个自然月模型不得在截止日之后做出任何决策。资金纪律除展示的现金外不得引入新资金现金须精确记账。数据口径全部基于收盘后EOD常规交易时段数据计算不采集盘前/盘后数据所有信息以相关交易日收盘为界模型被明确禁止获取外部或未来信息。执行方式模型请求的交易在次一交易日执行杜绝前视偏差lookahead bias。评估报告明确强调本研究的定位是观察性研究并非对 LLM 交易能力的普适评估也非可部署的交易系统。人机分工与提示词驱动的决策循环实验中 ChatGPT 拥有组合决策的完全控制权仓位、风险管理、止损位、订单类型而人类输入被严格限制为录入数据、执行订单与发送提示词。模型不直接访问外部网站、实时行情或原始数据流仅依据人类提供的结构化摘要做决策。每日更新循环每个 NYSE 交易日收盘后人类运行标准化处理脚本详见下文 trading_script.py生成一份结构化每日输入摘要作为模型当日唯一的决策输入。评估报告附录 C.3 记录了该模板的完整结构其核心板块如下 Daily Results — {{DATE}} [ Price Volume ] Ticker Close % Chg Volume {{TICKER_1}} {{CLOSE_1}} {{PCT_CHG_1}} {{VOLUME_1}} ^RUT {{RUT_CLOSE}} {{RUT_PCT_CHG}} {{RUT_VOLUME}} IWO {{IWO_CLOSE}} {{IWO_PCT_CHG}} {{IWO_VOLUME}} XBI {{XBI_CLOSE}} {{XBI_PCT_CHG}} {{XBI_VOLUME}} [ Risk Return ] Max Drawdown: {{MAX_DRAWDOWN}} on {{MDD_DATE}} Sharpe Ratio (period): {{SHARPE_PERIOD}} Sharpe Ratio (annualized): {{SHARPE_ANNUAL}} Sortino Ratio (period): {{SORTINO_PERIOD}} Sortino Ratio (annualized): {{SORTINO_ANNUAL}} [ CAPM vs Benchmarks ] Beta (daily) vs {{BENCHMARK}}: {{BETA}} Alpha (annualized) vs {{BENCHMARK}}: {{ALPHA}} R² (fit quality): {{R_SQUARED}} Obs: {{OBS_COUNT}} [ Snapshot ] Latest ChatGPT Equity: $ {{PORT_EQUITY}} $100.0 in SP 500: $ {{BENCH_EQUITY}} Cash Balance: $ {{CASH_BALANCE}} [ Holdings ] Ticker Shares Buy_Price Cost_Basis Stop_Loss {{TICKER_1}} {{SHARES_1}} {{BUY_1}} {{COST_1}} {{STOP_1}} [ Your Instructions ] Use this info to make decisions regarding your portfolio. You have complete control over every decision. Make any changes you believe are beneficial—no approval required. Deep research is not permitted. Act at your discretion to achieve the best outcome. If you do not make a clear indication to change positions IMMEDIATELY after this message, the portfolio remains unchanged for tomorrow.模板同时内嵌了 Sharpe / Sortino / CAPM alpha-beta / 最大回撤等风险指标并要求模型在未明确给出调仓指示时默认持仓不变。每周深度研究循环每周五执行一次深度研究Deep Research循环使用专门提示词评估报告附录 C.2。早期版本6/27–8/30与后期版本8/30–12/26的提示词模板均可从 evaluation_report.md 中逐字查阅。后期模板要求模型先复述规则、再输出包含研究范围、候选标的、组合动作、精确订单Action / Ticker / Shares / Order type / Limit price / Time in force / Intended execution date / Stop loss、风险与流动性核查等十个板块的完整行动方案。值得注意的机制细节使用 Deep Research 模式时模型会提出澄清性问题若问题涉及交易指导人类不给任何判断仅如实回答规则与约束类问题。周五框架外提出的交易动作会被推迟纳入周度研究产出且所有研究报告中列出的交易均于次一周执行。指令模板8/1 起生效评估报告附录 C.1 记录了 8 月 1 日加入的顶层指令明确模型的角色定位与目标作为专业级组合策略师以微市值市值 $300M美股整股仓位构建组合在 6/27 至 12/27 的时间窗口内最大化收益并强调你正在与另一个完全同规则的 AI 组合策略师对决——谁的钱最多谁获胜。仓库结构完整实验记录与可复用框架README.md 给出了一张示意目录树对照仓库实际内容核心目录均位于Experiments/chatgpt_micro-cap/下结构如下csv_files/组合日常快照Daily Updates.csv与完整交易日志Trade Log.csvscripts/processing/trading_script.py实盘交易引擎数据拉取、止损执行、CSV 记账scripts/metrics/load_dataV3.pyFIFO 批次级与仓位级绩效指标计算graphing/净值/回撤/盈亏分布/重复持仓等可视化脚本evaluation/完整评估报告evaluation_report.md与 40 页论文paper.pdfcollected_artifacts/每周深度研究报告MD 摘要与 PDF 原文、研究索引与对话记录images/全部分析图表tables/metrics.txt汇总指标表deep_research_index.md将起始研究报告 第 1 至 26 周的研究报告与应用周一一对应起始报告写于开仓之前其余报告均在各交易周结束时撰写、用于指导下一周决策其 PDF 与 Markdown 摘要均按周归档。核心引擎源码剖析trading_script.pyscripts/processing/trading_script.py 是实验的实盘运行引擎模块 docstring 明确其重写目标集中行情获取并实现 Yahoo 到 Stooq 的稳健降级、统一全部价格访问入口、处理 Yahoo 空数据帧触发 fallback、统一 Stooq 输出为 Yahoo 风格列、保持与既有 CSV 格式兼容。数据层四级降级链download_price_data()实现了多阶段兜底源码 L400-L455Yahoo Financeyfinance按日期边界拉取Stooq via pandas-datareaderStooq 直接 CSVhttps://stooq.com/q/d/l/?s{sym}id美股自动追加.us后缀指数代理^GSPC映射为 SPY、^RUT映射为 IWM 走 Yahoo。STOOQ_BLOCKLIST {^RUT}表明罗素 2000 指数不在 Stooq 覆盖内必须保留在 Yahoo 上。所有结果统一归一化为Open/High/Low/Close/Adj Close/Volume六列Stooq 的 Adj Close 直接取 Close返回的FetchResult携带source字段标识数据来源供日志审计。周末与交易日处理last_trading_date()L213-L224将周六/周日映射回前一交易日周五保证周末补录数据时使用最近一个交易日的收盘数据。这一设计对应评估报告中错过更新时仅用当日已有数据回补的操作约定。交互式下单与自动止损执行process_portfolio()提供交互式录入循环支持三类操作b买入。可选 MOOmarket-on-open按最新开盘价成交并自动核对现金余额或限价单开盘价 ≤ 限价按开盘价成交日内最低 ≤ 限价按限价成交否则提示未成交s卖出。同样支持 MOO 与限价卖出数量超过持仓时拒绝执行u更新指定 ticker 的止损位。随后进入每日定价与止损执行阶段遍历持仓若stop存在且当日最低价l stop则以o stop ? o : stop的价格执行全部卖出Action标记为SELL - Stop Loss Triggered并调用log_sell()写入交易日志否则标记HOLD。最后追加一行Ticker TOTAL的记录写入当日Cash Balance与Total Equity持仓市值 现金。CSV 记账格式脚本写出的两份 CSV 与评估报告附录 A.0.2 给出的 schema 完全一致Daily Updates.csvDate, Ticker, Shares, Buy Price, Cost Basis, Stop Loss, Current Price, Total Value, PnL, Action, Cash Balance, Total EquityTrade Log.csvDate, Ticker, Shares Bought, Buy Price, Cost Basis, PnL, Reason, Shares Sold, Sell Price写入时会先删除当日已有行再追加避免重复记账源码 L740。此外脚本支持ASOF_DATE环境变量覆盖今天ASOF_DATEYYYY-MM-DD python trading_script.py便于回填历史数据。指标计算FIFO 批次级与仓位级统计scripts/metrics/load_dataV3.py 实现了评估报告附录 A 的全部重建逻辑build_fifo_lot_exits()按日期排序将每笔买入视为一个开放批次Entry_Price Cost Basis / Shares Bought卖出按**先入先出FIFO**匹配最早批次部分平仓记为独立实现退出记录输出 Entry_Date / Exit_Date / Shares / Entry_Price / Exit_Price / PnL / Holding_Days自然日build_pure_pnl_by_ticker()将批次级退出聚合为每 ticker 一行Pure PnL含 PnL 求和、持仓跨度、按股数加权的平均仓位规模与批次退出数compute_metrics()输出 count、win_rate、avg_win / median_win、avg_loss / median_loss、profit_factor盈利总和 / 亏损总和绝对值、expectancy 平均盈利 × 胜率 平均亏损 × 败率与 avg_holding_days。该脚本还支持exclude_atyrTrue的敏感性分析模式并在__main__中自动输出剔除 ATYR对照结果——这正是评估报告第 7 节结论的直接来源。可视化净值、回撤与行为画像graphing/ 目录提供了完整的分析图脚本以 equity_vs_baseline.py 为例load_portfolio_totals()从Daily Updates.csv过滤Ticker TOTAL行并在 2025-06-27 前置$100基准行按日期排序去重download_baseline()通过 yfinance 拉取^SPX与^RUT以起始日收盘价将净值归一化到 $100 基线compute_drawdown()以Total Equity / Running Max - 1计算回撤百分比取最小值行作为最大回撤find_largest_gain()采用下跌即重置的分段规则从局部最低点扫描至后续峰值输出最大涨幅区间。同目录的drawdown.py、daily_returns.py、return_by_trades.py、top_losses_vs_wins.py、holding_distribution.py、holding_chart.py、episode_pcr_scatter.py、repeated_ticker_exposure.py、highest_pnl_by_ticker.py、max_drawdown_vs_largest_run.py等脚本分别对应评估报告 Figure 1–8 及各附录表。实验结果净值、回撤与集中度完整的 40 页评估论文见 evaluation/paper.pdf以下为评估报告 evaluation_report.md 的核心结果。净值与基准对比下图将 $100 起始资金的组合净值与 SP 500、Russell 2000 归一化对比。实验期内组合净值相对两大基准显著下滑。在净值曲线上标注两个关键区段最大上涨Largest Run发生在 2025-11-13 至 2025-11-18组合净值上涨 21.51%最大回撤Max Drawdown达到-50.33%对应 2025-11-06 的净值 $67.10。评估报告强调基准仅作为市场环境参照全部结论均基于组合自身行为与已实现结果不依赖基准比较。交易级统计FIFO 批次按 FIFO 批次重建共观察到 46 笔已实现退出恰好 50% 盈利但平均亏损幅度超过平均盈利-3.83 对 3.01导致 profit factor 仅 0.82、每批期望值expectancy为-0.41。中位数盈亏呈现相反格局说明整体跑输由少数大额亏损驱动而非普遍性选股失败。集中度与盈亏不对称组合全期共买入 22 个 ticker其中仅 10 个实现正收益每日平均持有3.1个 ticker平均每笔仓位成本 $25.28约占起始资金的 25%集中度极高。最大盈利 ticker SLS15.58的盈利不及最大亏损 ticker ATYR-38.08的一半ATYR 大跌当日组合单日权益跌幅约 40%亏损呈现强烈不对称性。剔除 ATYR 的敏感性分析评估报告专门检验了单一大额亏损对汇总指标的扰动剔除 ATYR 后平均亏损从 -3.63 改善至 -2.22profit factor 从 0.82 升至1.52expectancy 从 -0.41 转为0.49而胜率与中位数几乎不变。这印证了整体跑输源自尾部风险暴露而非决策系统失败的结论。行为层面发现坚持、重复买入与持有期重复买入与观点执着22 个 ticker 中有 7 个被多次买入值得注意的是已实现 PnL 最低的三个 tickerFBIO 买入 4 次、IINN 买入 3 次全部存在重复买入而盈利最高的 ticker 中除 ALDX 外均只买入一次。这一模式表明模型在是否重新买入曾交易标的时对已实现表现的反应有限即存在仓位级观点执着persistence in position-level theses。持有期分布多数 FIFO 批次在 10–20 个自然日内退出但存在一条超过 70 天的长尾。累计持仓时间交易日口径集中在 ABEO54 天与 MIST50 天而这两者在盈亏榜上分别位居第 5 位与倒数第 8 位说明长时间持有本身并不决定组合绩效单标的结局远比持有时长更重要。退出时机与事件驱动依赖Peak Capture Ratio退出 PnL / 峰值未实现 PnL分析显示多数有效交易段的退出捕获了峰值盈利的相当比例但全额捕获峰值并不常见。其中 ATYR 段受隔夜大幅跳空后被迫开盘价手动退出、止损无法正常执行的执行约束影响其比率反映的是执行限制而非退出择时FBIO 段则因小峰值对应大亏损、分母不稳定而被排除。整体选股呈现对事件驱动型催化剂如监管公告的强依赖低波动渐进收益型暴露相对不足。叙事幻觉观察评估报告还记录了定性观察执行中模型常在预期催化剂事件前上调止损而大幅不利价格波动多发生在盘后导致止损失效模型在 ATYR 巨亏后仍持续该行为。此外深度研究报告中偶尔出现对实验设置的幻觉式陈述例如引用不使用对冲工具——而衍生品与做空在实验规则中本就明令禁止这反映的是叙述生成而非执行逻辑变化见附录 B 的原文摘录。失败模式与关键启示评估报告归纳了三大失败模式过度集中Over Concentration组合长期只有 2–3 个 ticker对单标的因子高度敏感买入曾亏损的标的Buying Past Losing StocksFBIO 与 IINN 是最大亏损贡献者交易频次最高依赖二元事件结果Reliance on Binary Outcomes选股围绕事件驱动催化剂展开暴露于大正/大负的二元收益结构低波动、渐进收益型投资暴露有限。总体结论是将 LLM 置于资本配置角色时其决策模式类似于高信念、叙事驱动thesis-driven的自主交易员——组合结果由集中度、仓位级叙事的坚持与不对称下行暴露塑造而非由渐进式的交易级优势决定。环境搭建与运行仓库根目录的 requirements.txt 与 Makefile 提供了标准化的实验环境管理入口。依赖包括 numpy 2.3.0、pandas 2.2.2、yfinance 0.2.65主数据源、matplotlib 3.8.4、pandas_market_calendars 5.3.2、pysentiment2 0.1.1、openai 2.32.0、python-dotenv 1.2.2、anthropic 0.107.1以及作者维护的 LIBB 研究框架git 依赖。README 声明技术栈为 Python 3.11。Makefile 定义的主要目标make venv # 创建 venv 虚拟环境 make install # pip install -r requirements.txt make setup # 创建 venv 并安装依赖 make activate # 显示激活/停用虚拟环境的命令 make trade ARGS... # python trading_script.py $(ARGS) make graph ARGS... # 运行绘图脚本Makefile 中指向 Start Your Own/Generate_Graph.py该路径未收录于当前快照实际绘图脚本位于 graphing/ 目录 make clean # 移除 venv交易脚本支持ASOF_DATEYYYY-MM-DD环境变量覆盖以回填历史交易日基准标的默认值为[IWO, XBI, SPY, IWM]也可通过脚本目录或其父目录中的tickers.json{benchmarks: [...]}覆盖源码load_benchmarks()L124-L172。局限性与未来工作README 与评估报告均明确划定了研究边界单一实验运行、单一样本无法代表不同市场制度下的模型行为结果仅适用于微市值股票环境提示词模板随实验适度演化、模型版本滚动更新且采样参数如 temperature未固定这些都会引入不可控变异。未来工作方向包括以算法化提示与固定生成参数控制随机变异、跨行业对比、同条件跨模型对比、提升起始资本的规模效应研究以及基于所收集报告的事后情绪分析检验报告措辞与实际行为的背离并对幻觉现象做系统化文档化。README 同时预告了面向新上市 IPO 标的的下轮实验以及承载未来全部实验的通用框架 LIBB。结语LLM-Trading-Lab 的价值不在于AI 是否赚钱而在于它以完全公开、前向、可审计的方式第一次系统记录了 LLM 在真实资金与硬约束下作为组合决策者的行为画像高集中、叙事坚持、重复买入亏损标的、二元事件依赖、止损在盘后缺口前失效。配合 trading_script.py 的实盘引擎、load_dataV3.py 的 FIFO/仓位级指标重建与 evaluation_report.md 的完整方法论与提示词模板任何研究者都可以复现这套实验流程或在同一结构上启动自己的 LLM 投资决策实验。赞分享人工智能金融科技数据分析科研【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点击查看免费下载相关推荐LLM-Trading-Lab 实验评估ChatGPT 作为微市值股票投资组合决策者的行为研究LLM Trading Lab 实验评估ChatGPT 作为微市值股票投资组合决策者的行为研究 导读 本文是对 LLM Trading Lab 仓库中 Exp人工智能金融科技数据分析科研终极指南ChatGPT微市值股票实验如何重塑AI驱动的投资组合管理终极指南ChatGPT微市值股票实验如何重塑AI驱动的投资组合管理 LLM Trading Lab是一个开创性的开源项目它通过一个为期6个月的真实资金微市值人工智能金融科技数据分析科研如何用ChatGPT管理微市值股票投资组合完整元数据跟踪与分析指南如何用ChatGPT管理微市值股票投资组合完整元数据跟踪与分析指南 LLM Trading Lab是一个创新的开源项目它展示了如何利用ChatGPT管理真实人工智能金融科技数据分析科研上一篇jwt_tool配置文件优化jwtconf.ini参数调优指南下一篇Windows系统实时硬件监控终极指南Sidebar Diagnostics完全解析创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 LLM-Trading-Lab：用 ChatGPT 管理真实资金微市值股票组合的实验框架
人工智能金融科技数据分析科研【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点击查看免费下载本文全面剖析 LLM-Trading-Lab 开源仓库它记录了一场由 ChatGPT 全权管理真实资金起始 $100的美股微市值Micro-Cap组合实验并沉淀为一套可复用的 LLM 投资决策研究框架。读完本文你将理解该实验的规则约束、人机分工与提示词设计、交易脚本与指标计算的源码实现以及实验最终揭示的 LLM 决策行为特征与失败模式。项目定位从一次 100 美元实验到 LLM 决策行为研究框架LLM-Trading-Lab 最初是一个持续 6 个月的实盘微市值股票实验README.md由大语言模型 ChatGPT 在严格预定义规则下管理一个真实资金组合。随着实验推进它已演变为一个研究 LLM 作为组合决策者portfolio decision-maker行为的基线框架所有历史数据、研究报告与日志均被完整保留以支撑透明度与可审计性。仓库在 README.md 中明确声明两大用途一次 AI 管理实盘交易实验的完整前向记录forward-only record未来 AI 驱动交易实验可复用的基础框架。历史产物保持原样新实验、新分析与新方法在其上叠加而不会改写过去的结论。仓库作者同步在推进两个方向面向新上市 IPO 标的的下一轮实验以及一套通用的 LLM 研究框架 LIBBLLM Investor Behavior Benchmark用于承载未来所有实验。实验设计研究问题、约束与信息边界研究问题与动机项目的起点是一次朴素但尖锐的追问README.md The Concept 一节营销广告宣称AI 帮你挑选被低估的股票那么具备强大推理能力的大语言模型如 ChatGPT在实时数据驱动下究竟能否产生 alpha超额收益或至少做出明智的交易决策实验以 $100 起步在交易这个错误可测量、不可逆、代价高昂的领域里用公开可查的日志检验 AI 替代人类决策的营销话术。实验范围与硬约束根据评估报告 evaluation_report.md 的 Experimental Setup 章节实验约束可归纳为标的范围仅允许买入美国上市交易所中市值不超过 3 亿美元$300M的微市值股票若持仓标的市值超过 300M只可持有或卖出不得加仓。交易限制仅限整股full shares严禁期权、做空、杠杆、保证金与一切衍生品纯多头long-only。时间窗口2025-06-27 至 2025-12-26约 6 个自然月模型不得在截止日之后做出任何决策。资金纪律除展示的现金外不得引入新资金现金须精确记账。数据口径全部基于收盘后EOD常规交易时段数据计算不采集盘前/盘后数据所有信息以相关交易日收盘为界模型被明确禁止获取外部或未来信息。执行方式模型请求的交易在次一交易日执行杜绝前视偏差lookahead bias。评估报告明确强调本研究的定位是观察性研究并非对 LLM 交易能力的普适评估也非可部署的交易系统。人机分工与提示词驱动的决策循环实验中 ChatGPT 拥有组合决策的完全控制权仓位、风险管理、止损位、订单类型而人类输入被严格限制为录入数据、执行订单与发送提示词。模型不直接访问外部网站、实时行情或原始数据流仅依据人类提供的结构化摘要做决策。每日更新循环每个 NYSE 交易日收盘后人类运行标准化处理脚本详见下文 trading_script.py生成一份结构化每日输入摘要作为模型当日唯一的决策输入。评估报告附录 C.3 记录了该模板的完整结构其核心板块如下 Daily Results — {{DATE}} [ Price Volume ] Ticker Close % Chg Volume {{TICKER_1}} {{CLOSE_1}} {{PCT_CHG_1}} {{VOLUME_1}} ^RUT {{RUT_CLOSE}} {{RUT_PCT_CHG}} {{RUT_VOLUME}} IWO {{IWO_CLOSE}} {{IWO_PCT_CHG}} {{IWO_VOLUME}} XBI {{XBI_CLOSE}} {{XBI_PCT_CHG}} {{XBI_VOLUME}} [ Risk Return ] Max Drawdown: {{MAX_DRAWDOWN}} on {{MDD_DATE}} Sharpe Ratio (period): {{SHARPE_PERIOD}} Sharpe Ratio (annualized): {{SHARPE_ANNUAL}} Sortino Ratio (period): {{SORTINO_PERIOD}} Sortino Ratio (annualized): {{SORTINO_ANNUAL}} [ CAPM vs Benchmarks ] Beta (daily) vs {{BENCHMARK}}: {{BETA}} Alpha (annualized) vs {{BENCHMARK}}: {{ALPHA}} R² (fit quality): {{R_SQUARED}} Obs: {{OBS_COUNT}} [ Snapshot ] Latest ChatGPT Equity: $ {{PORT_EQUITY}} $100.0 in SP 500: $ {{BENCH_EQUITY}} Cash Balance: $ {{CASH_BALANCE}} [ Holdings ] Ticker Shares Buy_Price Cost_Basis Stop_Loss {{TICKER_1}} {{SHARES_1}} {{BUY_1}} {{COST_1}} {{STOP_1}} [ Your Instructions ] Use this info to make decisions regarding your portfolio. You have complete control over every decision. Make any changes you believe are beneficial—no approval required. Deep research is not permitted. Act at your discretion to achieve the best outcome. If you do not make a clear indication to change positions IMMEDIATELY after this message, the portfolio remains unchanged for tomorrow.模板同时内嵌了 Sharpe / Sortino / CAPM alpha-beta / 最大回撤等风险指标并要求模型在未明确给出调仓指示时默认持仓不变。每周深度研究循环每周五执行一次深度研究Deep Research循环使用专门提示词评估报告附录 C.2。早期版本6/27–8/30与后期版本8/30–12/26的提示词模板均可从 evaluation_report.md 中逐字查阅。后期模板要求模型先复述规则、再输出包含研究范围、候选标的、组合动作、精确订单Action / Ticker / Shares / Order type / Limit price / Time in force / Intended execution date / Stop loss、风险与流动性核查等十个板块的完整行动方案。值得注意的机制细节使用 Deep Research 模式时模型会提出澄清性问题若问题涉及交易指导人类不给任何判断仅如实回答规则与约束类问题。周五框架外提出的交易动作会被推迟纳入周度研究产出且所有研究报告中列出的交易均于次一周执行。指令模板8/1 起生效评估报告附录 C.1 记录了 8 月 1 日加入的顶层指令明确模型的角色定位与目标作为专业级组合策略师以微市值市值 $300M美股整股仓位构建组合在 6/27 至 12/27 的时间窗口内最大化收益并强调你正在与另一个完全同规则的 AI 组合策略师对决——谁的钱最多谁获胜。仓库结构完整实验记录与可复用框架README.md 给出了一张示意目录树对照仓库实际内容核心目录均位于Experiments/chatgpt_micro-cap/下结构如下csv_files/组合日常快照Daily Updates.csv与完整交易日志Trade Log.csvscripts/processing/trading_script.py实盘交易引擎数据拉取、止损执行、CSV 记账scripts/metrics/load_dataV3.pyFIFO 批次级与仓位级绩效指标计算graphing/净值/回撤/盈亏分布/重复持仓等可视化脚本evaluation/完整评估报告evaluation_report.md与 40 页论文paper.pdfcollected_artifacts/每周深度研究报告MD 摘要与 PDF 原文、研究索引与对话记录images/全部分析图表tables/metrics.txt汇总指标表deep_research_index.md将起始研究报告 第 1 至 26 周的研究报告与应用周一一对应起始报告写于开仓之前其余报告均在各交易周结束时撰写、用于指导下一周决策其 PDF 与 Markdown 摘要均按周归档。核心引擎源码剖析trading_script.pyscripts/processing/trading_script.py 是实验的实盘运行引擎模块 docstring 明确其重写目标集中行情获取并实现 Yahoo 到 Stooq 的稳健降级、统一全部价格访问入口、处理 Yahoo 空数据帧触发 fallback、统一 Stooq 输出为 Yahoo 风格列、保持与既有 CSV 格式兼容。数据层四级降级链download_price_data()实现了多阶段兜底源码 L400-L455Yahoo Financeyfinance按日期边界拉取Stooq via pandas-datareaderStooq 直接 CSVhttps://stooq.com/q/d/l/?s{sym}id美股自动追加.us后缀指数代理^GSPC映射为 SPY、^RUT映射为 IWM 走 Yahoo。STOOQ_BLOCKLIST {^RUT}表明罗素 2000 指数不在 Stooq 覆盖内必须保留在 Yahoo 上。所有结果统一归一化为Open/High/Low/Close/Adj Close/Volume六列Stooq 的 Adj Close 直接取 Close返回的FetchResult携带source字段标识数据来源供日志审计。周末与交易日处理last_trading_date()L213-L224将周六/周日映射回前一交易日周五保证周末补录数据时使用最近一个交易日的收盘数据。这一设计对应评估报告中错过更新时仅用当日已有数据回补的操作约定。交互式下单与自动止损执行process_portfolio()提供交互式录入循环支持三类操作b买入。可选 MOOmarket-on-open按最新开盘价成交并自动核对现金余额或限价单开盘价 ≤ 限价按开盘价成交日内最低 ≤ 限价按限价成交否则提示未成交s卖出。同样支持 MOO 与限价卖出数量超过持仓时拒绝执行u更新指定 ticker 的止损位。随后进入每日定价与止损执行阶段遍历持仓若stop存在且当日最低价l stop则以o stop ? o : stop的价格执行全部卖出Action标记为SELL - Stop Loss Triggered并调用log_sell()写入交易日志否则标记HOLD。最后追加一行Ticker TOTAL的记录写入当日Cash Balance与Total Equity持仓市值 现金。CSV 记账格式脚本写出的两份 CSV 与评估报告附录 A.0.2 给出的 schema 完全一致Daily Updates.csvDate, Ticker, Shares, Buy Price, Cost Basis, Stop Loss, Current Price, Total Value, PnL, Action, Cash Balance, Total EquityTrade Log.csvDate, Ticker, Shares Bought, Buy Price, Cost Basis, PnL, Reason, Shares Sold, Sell Price写入时会先删除当日已有行再追加避免重复记账源码 L740。此外脚本支持ASOF_DATE环境变量覆盖今天ASOF_DATEYYYY-MM-DD python trading_script.py便于回填历史数据。指标计算FIFO 批次级与仓位级统计scripts/metrics/load_dataV3.py 实现了评估报告附录 A 的全部重建逻辑build_fifo_lot_exits()按日期排序将每笔买入视为一个开放批次Entry_Price Cost Basis / Shares Bought卖出按**先入先出FIFO**匹配最早批次部分平仓记为独立实现退出记录输出 Entry_Date / Exit_Date / Shares / Entry_Price / Exit_Price / PnL / Holding_Days自然日build_pure_pnl_by_ticker()将批次级退出聚合为每 ticker 一行Pure PnL含 PnL 求和、持仓跨度、按股数加权的平均仓位规模与批次退出数compute_metrics()输出 count、win_rate、avg_win / median_win、avg_loss / median_loss、profit_factor盈利总和 / 亏损总和绝对值、expectancy 平均盈利 × 胜率 平均亏损 × 败率与 avg_holding_days。该脚本还支持exclude_atyrTrue的敏感性分析模式并在__main__中自动输出剔除 ATYR对照结果——这正是评估报告第 7 节结论的直接来源。可视化净值、回撤与行为画像graphing/ 目录提供了完整的分析图脚本以 equity_vs_baseline.py 为例load_portfolio_totals()从Daily Updates.csv过滤Ticker TOTAL行并在 2025-06-27 前置$100基准行按日期排序去重download_baseline()通过 yfinance 拉取^SPX与^RUT以起始日收盘价将净值归一化到 $100 基线compute_drawdown()以Total Equity / Running Max - 1计算回撤百分比取最小值行作为最大回撤find_largest_gain()采用下跌即重置的分段规则从局部最低点扫描至后续峰值输出最大涨幅区间。同目录的drawdown.py、daily_returns.py、return_by_trades.py、top_losses_vs_wins.py、holding_distribution.py、holding_chart.py、episode_pcr_scatter.py、repeated_ticker_exposure.py、highest_pnl_by_ticker.py、max_drawdown_vs_largest_run.py等脚本分别对应评估报告 Figure 1–8 及各附录表。实验结果净值、回撤与集中度完整的 40 页评估论文见 evaluation/paper.pdf以下为评估报告 evaluation_report.md 的核心结果。净值与基准对比下图将 $100 起始资金的组合净值与 SP 500、Russell 2000 归一化对比。实验期内组合净值相对两大基准显著下滑。在净值曲线上标注两个关键区段最大上涨Largest Run发生在 2025-11-13 至 2025-11-18组合净值上涨 21.51%最大回撤Max Drawdown达到-50.33%对应 2025-11-06 的净值 $67.10。评估报告强调基准仅作为市场环境参照全部结论均基于组合自身行为与已实现结果不依赖基准比较。交易级统计FIFO 批次按 FIFO 批次重建共观察到 46 笔已实现退出恰好 50% 盈利但平均亏损幅度超过平均盈利-3.83 对 3.01导致 profit factor 仅 0.82、每批期望值expectancy为-0.41。中位数盈亏呈现相反格局说明整体跑输由少数大额亏损驱动而非普遍性选股失败。集中度与盈亏不对称组合全期共买入 22 个 ticker其中仅 10 个实现正收益每日平均持有3.1个 ticker平均每笔仓位成本 $25.28约占起始资金的 25%集中度极高。最大盈利 ticker SLS15.58的盈利不及最大亏损 ticker ATYR-38.08的一半ATYR 大跌当日组合单日权益跌幅约 40%亏损呈现强烈不对称性。剔除 ATYR 的敏感性分析评估报告专门检验了单一大额亏损对汇总指标的扰动剔除 ATYR 后平均亏损从 -3.63 改善至 -2.22profit factor 从 0.82 升至1.52expectancy 从 -0.41 转为0.49而胜率与中位数几乎不变。这印证了整体跑输源自尾部风险暴露而非决策系统失败的结论。行为层面发现坚持、重复买入与持有期重复买入与观点执着22 个 ticker 中有 7 个被多次买入值得注意的是已实现 PnL 最低的三个 tickerFBIO 买入 4 次、IINN 买入 3 次全部存在重复买入而盈利最高的 ticker 中除 ALDX 外均只买入一次。这一模式表明模型在是否重新买入曾交易标的时对已实现表现的反应有限即存在仓位级观点执着persistence in position-level theses。持有期分布多数 FIFO 批次在 10–20 个自然日内退出但存在一条超过 70 天的长尾。累计持仓时间交易日口径集中在 ABEO54 天与 MIST50 天而这两者在盈亏榜上分别位居第 5 位与倒数第 8 位说明长时间持有本身并不决定组合绩效单标的结局远比持有时长更重要。退出时机与事件驱动依赖Peak Capture Ratio退出 PnL / 峰值未实现 PnL分析显示多数有效交易段的退出捕获了峰值盈利的相当比例但全额捕获峰值并不常见。其中 ATYR 段受隔夜大幅跳空后被迫开盘价手动退出、止损无法正常执行的执行约束影响其比率反映的是执行限制而非退出择时FBIO 段则因小峰值对应大亏损、分母不稳定而被排除。整体选股呈现对事件驱动型催化剂如监管公告的强依赖低波动渐进收益型暴露相对不足。叙事幻觉观察评估报告还记录了定性观察执行中模型常在预期催化剂事件前上调止损而大幅不利价格波动多发生在盘后导致止损失效模型在 ATYR 巨亏后仍持续该行为。此外深度研究报告中偶尔出现对实验设置的幻觉式陈述例如引用不使用对冲工具——而衍生品与做空在实验规则中本就明令禁止这反映的是叙述生成而非执行逻辑变化见附录 B 的原文摘录。失败模式与关键启示评估报告归纳了三大失败模式过度集中Over Concentration组合长期只有 2–3 个 ticker对单标的因子高度敏感买入曾亏损的标的Buying Past Losing StocksFBIO 与 IINN 是最大亏损贡献者交易频次最高依赖二元事件结果Reliance on Binary Outcomes选股围绕事件驱动催化剂展开暴露于大正/大负的二元收益结构低波动、渐进收益型投资暴露有限。总体结论是将 LLM 置于资本配置角色时其决策模式类似于高信念、叙事驱动thesis-driven的自主交易员——组合结果由集中度、仓位级叙事的坚持与不对称下行暴露塑造而非由渐进式的交易级优势决定。环境搭建与运行仓库根目录的 requirements.txt 与 Makefile 提供了标准化的实验环境管理入口。依赖包括 numpy 2.3.0、pandas 2.2.2、yfinance 0.2.65主数据源、matplotlib 3.8.4、pandas_market_calendars 5.3.2、pysentiment2 0.1.1、openai 2.32.0、python-dotenv 1.2.2、anthropic 0.107.1以及作者维护的 LIBB 研究框架git 依赖。README 声明技术栈为 Python 3.11。Makefile 定义的主要目标make venv # 创建 venv 虚拟环境 make install # pip install -r requirements.txt make setup # 创建 venv 并安装依赖 make activate # 显示激活/停用虚拟环境的命令 make trade ARGS... # python trading_script.py $(ARGS) make graph ARGS... # 运行绘图脚本Makefile 中指向 Start Your Own/Generate_Graph.py该路径未收录于当前快照实际绘图脚本位于 graphing/ 目录 make clean # 移除 venv交易脚本支持ASOF_DATEYYYY-MM-DD环境变量覆盖以回填历史交易日基准标的默认值为[IWO, XBI, SPY, IWM]也可通过脚本目录或其父目录中的tickers.json{benchmarks: [...]}覆盖源码load_benchmarks()L124-L172。局限性与未来工作README 与评估报告均明确划定了研究边界单一实验运行、单一样本无法代表不同市场制度下的模型行为结果仅适用于微市值股票环境提示词模板随实验适度演化、模型版本滚动更新且采样参数如 temperature未固定这些都会引入不可控变异。未来工作方向包括以算法化提示与固定生成参数控制随机变异、跨行业对比、同条件跨模型对比、提升起始资本的规模效应研究以及基于所收集报告的事后情绪分析检验报告措辞与实际行为的背离并对幻觉现象做系统化文档化。README 同时预告了面向新上市 IPO 标的的下轮实验以及承载未来全部实验的通用框架 LIBB。结语LLM-Trading-Lab 的价值不在于AI 是否赚钱而在于它以完全公开、前向、可审计的方式第一次系统记录了 LLM 在真实资金与硬约束下作为组合决策者的行为画像高集中、叙事坚持、重复买入亏损标的、二元事件依赖、止损在盘后缺口前失效。配合 trading_script.py 的实盘引擎、load_dataV3.py 的 FIFO/仓位级指标重建与 evaluation_report.md 的完整方法论与提示词模板任何研究者都可以复现这套实验流程或在同一结构上启动自己的 LLM 投资决策实验。赞分享人工智能金融科技数据分析科研【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点击查看免费下载相关推荐LLM-Trading-Lab 实验评估ChatGPT 作为微市值股票投资组合决策者的行为研究LLM Trading Lab 实验评估ChatGPT 作为微市值股票投资组合决策者的行为研究 导读 本文是对 LLM Trading Lab 仓库中 Exp人工智能金融科技数据分析科研终极指南ChatGPT微市值股票实验如何重塑AI驱动的投资组合管理终极指南ChatGPT微市值股票实验如何重塑AI驱动的投资组合管理 LLM Trading Lab是一个开创性的开源项目它通过一个为期6个月的真实资金微市值人工智能金融科技数据分析科研如何用ChatGPT管理微市值股票投资组合完整元数据跟踪与分析指南如何用ChatGPT管理微市值股票投资组合完整元数据跟踪与分析指南 LLM Trading Lab是一个创新的开源项目它展示了如何利用ChatGPT管理真实人工智能金融科技数据分析科研上一篇jwt_tool配置文件优化jwtconf.ini参数调优指南下一篇Windows系统实时硬件监控终极指南Sidebar Diagnostics完全解析创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考