大模型被A股上了一课！EinsiaAI发布Quant Arena，半数大模型亏本

6 家前沿模型厂商的 9 个模型，被放进了同一场 A 股量化研究测试。

写策略，跑回测，再改代码。最后提交一个版本，交给预先封存的行情检验。

9 个模型中，只有 GPT 系列和 Opus 5.5 最后能够实现盈利，其他一半模型全部亏本。其中，得分最高的 GPT-6 Astra，虽然年化收益为 10.7%，但仍低于 17.1% 的市场基准（券池等权收益）。

更扎心的是：即使模型尽力研究市场，能把行情预测得更准，却不一定能把这份准转成收益。

近期，EinsiaAI 旗下 Navers Lab 团队发布 Quant Arena。它把顶尖大模型放到 A 股的真实历史数据中，检验从策略生成到反馈迭代的整轮研究。

• 论文题目：Quant-Arena: Benchmarking LLM Agents for Quantitative Trading Research
• 项目主页：https://lab.einsia.ai/quant-arena
• arXiv：https://arxiv.org/abs/2610.30113

3042 只股票，一轮完整研究

数据覆盖 3042 只 A 股，包括日频行情，以及原始 Level-2 报价、委托和成交。模型自己写 Python，构造特征，给股票打分。

研究期为 2022—2023 年，预算是至多 5 次候选评估。研究结束后，冻结一个策略，交给 2024 年的封存行情，只评一次。

策略程序按授权读取数据，模型只拿到研究期允许的反馈。2024 年的数据和评估反馈，不回流给模型。

研究期内，模型可以看收益、信号和执行反馈，再改策略。

评估器按评分，构建目标为 75 只股票的等权多头组合，按整手成交。

交易成本和市场冲击，也算进现金账户。买不进的部分，留在现金里。榜单同时看收益、风险、信号、换手和特征多样性。

6 家厂商、9 个模型，谁能真正盈利？

参测模型来自 6 家前沿模型厂商（Claude、GPT、Gemini、DeepSeek、Kimi 和 GLM），共 9 个模型。收益、Sharpe 和最大回撤，均对应 2024 年。策略收益已计入交易成本，超额收益以百分点计。

GPT-6 Astra 年化收益 10.7%，GPT-6 Sol 为 8.6%，GPT-5.6 Terra 为 8.4%，Claude Opus 5.5 为 4.4%。Claude Sonnet 5.5、Gemini 3.8 Flash、DeepSeek V4.1 Flash、Kimi K3 和 GLM-5.3 的年化收益分别为 −12.2%、−2.9%、−5.7%、−8.5% 和 −7.8%。

看风险，排序又变了。GPT-6 Astra 最大回撤为 −6.8%，GPT-6 Sol 为 −2.8%；Claude Opus 5.5 和 Kimi K3 的最大回撤分别为 −32.7% 和 −36.4%。GPT-6 Sol 的 Sharpe 为 1.89，GPT-6 Astra 为 0.86。

按每个模型总分最高的代表配置，5 个亏本，4 个盈利，而且没有一个能够跑赢市场基准。

9 个代表策略与市场基准的 2024 年现金账户净值

信号看着更准，账户却亏了

RankIC 看的是全体股票的排序，与后续收益排序有多一致。

Gemini 3.8 Flash 的 RankIC 为 0.045，年化收益却是 −2.9%。GLM-5.3 的 RankIC 为 0.046，年化收益则是 −7.8%。

Claude Opus 5.5 的 RankIC 只有 −0.002，年化收益却达到 4.4%。

研究团队按每日模型信号把股票分为 10 组，计算各组次日平均收益，以及最高组减最低组的 H−L 价差。9 个代表策略中，有 7 个的最高分组收益低于全样本均值，平均每天落后约 10 bp。

9 个代表策略的信号十分位收益。

Claude Opus 5.5、Claude Sonnet 5.5、Gemini 3.8 Flash、DeepSeek V4.1 Flash、Kimi K3 和 GLM-5.3 都呈现出 “驼峰”：从低分端数第二或第三组的股票收益最高，分数最高的一组反而回落。GPT-5.6 Terra 的 H−L 为 +28.6 bp，GPT-6 Astra 为 +38.7 bp，但 GPT-6 Astra 只有 56 个有信号的交易日。

全体排序有用，不代表最靠前的股票最赚钱。组合恰恰买的是这一小部分。

分组收益是信号诊断，账户结果还要经过仓位、成交和成本。

GPT-6 Astra 学会了择时

GPT-6 Astra 在研究中自己写了一个择时开关：只有全市场股票 5 日和 20 日涨幅的中位数都为正时才给股票打分，否则当天空仓。

这个开关在 2024 年 2 月的闪崩里最明显。GPT-6 Astra 直到 2 月 28 日才首次买入，2 月 6 日市场净值跌到 0.704 时，它的净值仍是 1.000；1—2 月最大回撤只有 −1.7%，市场为 −29.6%，全年最大回撤为 −6.8%。

Astra 代表策略与市场基准在 2024 年的现金账户净值。

但择时没有带来超额：GPT-6 Astra 全年收益为 10.7%，市场为 17.1%，仍低了 6.3 个百分点。它在 9 月 24—30 日五个交易日拿到全年收益的 12.5%，却只抓住市场从 2 月低点反弹的 16%（GPT-5.6 Terra 为 73%）。它躲开了下跌，却没有因此挑出更好的股票。

去掉反馈，会怎样

作为消融，团队还测了单次生成：不给研究表现反馈，模型一次写完策略，无效提案可以修正。和它相比，9 个模型带反馈研究的总分都更高，平均从 36.47 提高到 43.55。

但这次提升没有完整传到样本外。2024 年年化收益上，带反馈研究只在 4/9 个模型中更高；RankIC 则有 6/9 个模型提高。

研究期的进步，主要发生在前几轮。反馈能让模型改掉明显错误，却很难让策略跑过市场基准。

后半程，也有收获

按候选轮次，研究期 “至今最佳” 相对首个有效候选的平均增益依次为 0、14.4、16.7、29.1 和 36.5 个百分点。

4/9 个模型的研究期最佳候选就是第 2 个；最终增益的中位数为 7.0 个百分点。大幅提升主要出现在起点特别差的策略上，更像是改掉一个明显错误，而不是一直迭代出更好的策略。

研究期候选策略的累计改进。

31 次相邻修改中，25 次改了特征，27 次改了组合，15 次调整选股或参与规则。这些类别可以重叠。

想法很像，买的却不一样

9 个代表策略的整体排序平均相关性为 0.47，但每日前 75 只股票的平均重合率只有 6.1%。

9 条代表策略的信号排序相关性与前 75 只股票的重合率。

最相似的是 Claude Opus 5.5 和 DeepSeek V4.1 Flash，排序相关性为 0.94，前 75 只股票重合率为 35.6%。GPT-5.6 Terra 最独特，平均排序相关性只有 0.14。

大范围排序接近，最后入选的股票仍可能不同。权重、筛选条件，都会改变这条边界。

模型的交易风格

9 个代表策略的投资风格。

8/9 个模型偏小盘，7/9 个模型偏价值、低波动和低换手。Claude Opus 5.5 和 DeepSeek V4.1 Flash 是例外：两者偏高波动、高换手，账面价值暴露为负。

大多数模型都写出了 “小盘、低波动、价值” 这类教科书式组合。风格本身不是跑输的主因，问题还是出在头部选股和参与时机。

竞技场已经开放

写出代码，只是开始。读懂反馈，修改策略，再把结果交给封存行情检验。Quant Arena 把这一整轮研究，放到了同一把尺子下。

现在，这把尺子对所有人开放。

任何模型、任何 agent 框架，都可以接入 Quant Arena：同样的数据，同样至多 5 次候选评估，同样冻结一个策略，交给同一段封存行情，只评一次。

但擂台上，已经站着一个 boss。

团队在擂台上放进去了自己的私有策略：EinsiaAI 自研的 Kepler-1。

它的总分是 77.56，2024 年期末净值 1.93。参测模型里得分最高的 GPT-6 Astra 是 51.29，净值 1.11。

下一个挑战者，就是你的模型。

任务定义、评测规则和提交入口，详见项目主页 https://lab.einsia.ai/quant-arena

文章来自于微信公众号 “机器之心”，作者 “机器之心”