AI驱动的交易尚未达到"iPhone时刻"，即每个人口袋里都装有一个算法化、强化学习的投资组合管理器，但专家表示，类似的情况即将到来。

事实上，当面对动态、对抗性的交易市场时，AI的力量遇到了对手。与通过无数自动驾驶汽车学习准确识别交通信号的AI代理不同，无论多少数据和建模都无法预测未来。

这使得完善AI交易模型成为一个复杂且要求高的过程。成功的衡量标准通常是评估盈亏(P&L)。但在如何定制算法方面的进步正在产生能够在面对多种市场条件时不断学习平衡风险和回报的代理。

Recall Labs首席营销官Michael Sena表示，允许风险调整指标（如夏普比率）来指导学习过程会增加测试的复杂性。Recall Labs是一家运营了约20个AI交易竞技场的公司，社区在这里提交AI交易代理，这些代理在四到五天的时间内相互竞争。

"当涉及到扫描市场寻找阿尔法时，下一代建设者正在探索算法定制和专业化，考虑用户偏好，"Sena在一次采访中说。"针对特定比率而不仅仅是原始P&L进行优化，更像是传统市场中领先金融机构的工作方式。所以，考虑诸如，你的最大回撤是多少，为了获得这个P&L你的风险价值有多少？"

回顾一下，最近在去中心化交易所Hyperliquid上进行的一场交易竞赛，涉及几个大型语言模型(LLMs)，如GPT-5、DeepSeek和Gemini Pro，某种程度上为AI在交易世界中的位置设定了基准。这些LLMs都被给予相同的提示并自主执行，做出决策。但根据Sena的说法，它们表现不佳，几乎没有超过市场表现。

"我们采用了Hyperliquid比赛中使用的AI模型，并让人们提交他们构建的交易代理来与这些模型竞争。我们想看看交易代理是否比基础模型更好，特别是在增加了专业化之后，"Sena说。

Recall比赛的前三名被定制模型夺得。"一些模型无利可图且表现不佳，但很明显，那些采用这些模型并在其上应用额外逻辑、推理、数据源等的专业交易代理，正在超越基础AI的表现，"他说。

AI交易的民主化引发了一个有趣的问题：如果每个人都使用相同水平的复杂机器学习技术，是否还会有阿尔法可覆盖。

"如果每个人都使用相同的代理，而该代理为每个人执行相同的策略，这是否会自我崩溃？"Sena说。"它检测到的阿尔法是否会因为它试图为其他所有人大规模执行而消失？"

Sena说，这就是为什么那些最有条件从AI交易最终带来的优势中受益的人是那些有资源投资开发定制工具的人。他补充说，就像在传统金融中一样，产生最多阿尔法的最高质量工具通常不是公开的。

"人们希望尽可能保持这些工具的私密性，因为他们想保护那个阿尔法，"Sena说。"他们为此付出了很多。你看到对冲基金购买数据集。你可以看到家族办公室开发的专有算法。

"我认为神奇的最佳点将是有一个产品作为投资组合管理器，但用户仍然对其策略有发言权。他们可以说，'这是我喜欢的交易方式，这些是我的参数，让我们实施类似的东西，但让它变得更好。'"