拿Jev做金融交易，亏钱才正常

Jev是最近一个新的模型，相比传统强化学习出一堆文本描述充斥幻觉速度还慢的问题，这个模型只会输出一个概率结果，非常快，非常便宜，一下子打开了一片新天地。之前在《Jev与大模型的高频交易时刻，像Flash Boy一样扣动扳机》也简单聊过，并提及这个范式未来在金融投资领域的价值。

不出意料，Jev发布后，网上就是一堆用Jev做交易的尝试。

同样不出意料，大多是“整活”，亏钱或者跑输基准是常态。

让Grok做了一个X上的汇总，截至9月21日，结果如下。

其实不奇怪。

当下的社交媒体，无论中美，对绝大多数AI KOL来说，有新模型发布，先“整活”是关键，颜值一定要高，是否有用不重要。

所以，类似下面这样很专业的仪表盘就特别常见，让你觉得那么专业的界面，应该赚钱能力也很强。

但上面这个演示的结果，作者也很诚实：

@wquguru

现在还远没到干死基金经理的程度。动量策略 +6.71%，但同期等权买入持有是 +13.2%，它没跑赢。而另外两个策略表现比较拉胯，一个 −1.0%，一个 −10.3%。

用大模型辅助金融投资，前景必然广大。

但路径，其实还是有很多分歧。

目前看正经的金融机构，还是将大模型当做初级分析师，让其搜索、汇总、输出初级资料，交给高阶分析师作为底料；

又或者将大模型作为程序员，复刻别家的策略，写自家的策略。我最近写的《民生多资产指数能否复刻，及历史归因》其实就是这个思路。

但直接让大模型做决策，相对就不那么靠谱。

这种不靠谱，来自两类问题。

一类，结构化玩法，早有高山仰止的存在。

许多AI玩家，总觉得自己是站在时代的前沿。殊不知，在人工智能的应用上，华尔街的玩家，从来不落后，当年招聘苏联火箭科学家的力度，不亚于现在大模型厂商挖人的力度。而类似文艺复兴大奖章基金的西蒙斯，很早就引入了IBM做人工智能语音识别的专家来分析股票。

在AI辅助金融决策上，类似股票的价格和成交量这些结构化数据，其实早就有深度学习的大量应用，文艺复兴或算鼻祖，类似Deepseek创始人梁文峰起家的幻方及同类，则是中国门徒。《宽客》这本书，说的就是这股浪潮，有兴趣了解的不妨一看。

这波GPT带动的大模型热潮，是强在对文字这样非结构化数据的处理，但回到传统的结构化数据，恐怕未必强过“宽客”们。

但许多AI KOL炒股，就非要在这块上较劲，比如用大模型分析K线图，又比如这次Jev出来上面汇总表第一个的Jev-trade，传入的都是结构化数据(见下图)，在这个宽客已经优化到相当极致的领域，用大语言模型来应战，本身就希望不大。

第二类，新闻驱动，归因和回测是问题。

相比第一类，新闻，的确是传统结构化量化模型不擅长的数据类型。

比如快速分析美联储议息公告中的言下之意，大语言模型的确有优势，速度快的Jev的确有可能提供增值信息增量。

但这里面，有很多金融学的问题。

比如前段时间看到有玩家用大语言模型在七月底到八月交易美股，买了一水的硬件科技股，大赚，并感叹AI赚钱真容易。

但七月底到八月中，恰好是纳斯达克100经历了7月大调整后反弹的阶段，这段时间赚钱甚至赚得更多，往往是新闻面驱动的动量使然，策略是否能够在漫长的市场中赚钱不得而知，很多可能只是“随机致富的傻瓜”。

其实新闻面或者基本面投资上，大语言模型最让人吃不准的，恰恰在于大模型强大带来的“后视镜效应”。

由于顶尖模型几乎囊括了人类历史上所有的文字素材，知识储备也往往到最近一年，所以你将它放到历史环境下去做回测，由于它已经知道所有后来发生的大事件，这就导致这样的回测基本无法进行，至多是以知识库后的数据来训练。

说到底，大语言模型在金融领域的真正价值，从来不在于直接下场做交易决策，而在于凭借其处理非结构化文本的天赋，提升整个投研流水线的生产效率。

正经机构的做法很说明问题：让大语言模型做海量研报、新闻与公告等非结构化数据的初筛、清洗与汇总，又或者让它辅助编写与复刻策略代码。在这类明确、狭窄且容易验证的场景下，它的表现扎实且高效。

Jev这类模型的突破在于速度与成本。它把过去笨拙缓慢的文本推理，压缩成了可以极速响应的概率输出。未来将这种非结构化信息的提炼能力，转化为特定因子嵌入多因子库，或是作为事件驱动策略的前置信号，几乎是必然的演进方向。

但这是量化工程体系上的添砖加瓦，不是单兵盲冲的奇迹。

如果脱离严谨的量化回测与风控框架，仅仅因为大语言模型跑得快、长得酷，就直接让它接管账户，那么无论是纸面亏损还是实盘回撤，其实都不值得惊讶。

工具在进化，但市场的法则没有变。能在这个市场里活得长久的，始终是那些明白工具边界、并对风险保持敬畏的人。