终极指南：如何用ChatGPT打造AI驱动的微型股票投资组合-编程实验室

终极指南：如何用ChatGPT打造AI驱动的微型股票投资组合

【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

LLM-Trading-Lab项目展示了一个令人着迷的实验——让ChatGPT完全自主管理真实资金的微型股票投资组合。这个创新项目不仅探索了人工智能在金融决策中的应用边界，更为普通投资者提供了观察AI交易行为的绝佳窗口。通过本文，你将深入了解这个实验的技术架构、决策流程以及宝贵的实战经验。

实验核心：ChatGPT作为独立投资决策者

该实验的独特之处在于将ChatGPT置于完全自主的投资决策角色。从2025年6月27日到12月26日的六个月期间，AI系统获得了100美元的初始资金，并被赋予在微型股票市场（市值低于3亿美元的美国上市公司）中进行交易的完全自由。

ChatGPT投资组合与罗素2000和标普500指数的表现对比（均归一化为100美元初始值）

人类在实验中仅扮演执行者角色，负责：

每日输入交易数据和投资组合状态
执行AI生成的交易指令
提供标准化的市场信息

所有投资决策，包括选股、头寸规模、止损设置和交易时机，均由ChatGPT独立做出。这种设计使我们能够纯粹观察AI在真实市场环境中的决策行为和风险偏好。

技术架构：实验如何运作

1. 数据收集与处理

实验的核心数据存储在两个关键文件中：

Daily Updates.csv：包含每日投资组合快照，包括持股数量、成本基础、止损价格和总权益等信息
Trade Log.csv：记录所有买卖交易，包括日期、价格、股数和交易理由

这些数据通过标准化脚本进行处理，生成结构化的每日输入摘要，作为ChatGPT决策的唯一依据。所有市场数据均来自"yfinance" Python库，仅限于常规交易时间的收盘价。

2. 决策流程：每日与每周循环

实验建立了双层次的决策流程：

每日更新循环：

系统生成包含价格变动、成交量、风险指标和投资组合快照的每日报告
ChatGPT基于此信息决定是否进行交易调整
若未明确指示变更，投资组合保持不变

每周深度研究循环：

周五进行全面的投资组合评估
使用专用的深度研究提示模板引导AI进行更深入的分析
生成详细的交易计划，包括具体的买卖指令
结果报告存档于Weekly Deep Research (MD)/)和Weekly Deep Research (PDF)/)目录

3. 初始投资组合构建

根据Starting Research Summary.md/Starting Research Summary.md)，AI在实验开始时构建了以下投资组合：

Abeona Therapeutics (ABEO)– 6股，约占投资组合的36%
Candel Therapeutics (CADL)– 5股，约占28%
Cloudastructure Inc (CSAI)– 15股，约占30%
现金储备：约6%，用于灵活调整或支付费用

这种配置反映了AI对高风险高回报生物科技股的偏好，同时兼顾了AI/科技成长股以实现一定的多元化。

关键发现：AI交易行为分析

1. 投资组合表现与风险特征

实验结果显示，ChatGPT管理的投资组合表现显著低于市场基准。最大回撤达到-50.33%，出现在2025年11月6日，当时组合权益降至67.10美元。与此形成对比的是，期间最大上涨为21.51%，发生在2025年11月13日至18日之间。

ChatGPT投资组合权益曲线，标注最大回撤（红色）和最大上涨（绿色）

深入分析46笔已平仓交易发现：

正好50%的交易盈利
平均亏损（-3.83美元）超过平均盈利（+3.01美元）
盈利因子为0.82，每笔交易预期值为-0.41美元

这些数据表明，AI的交易决策整体上未能实现正期望收益，主要受少数大额亏损拖累。

2. AI的风险偏好与行为模式

高度集中的头寸配置：平均每个交易日仅持有3.1只股票，单只股票平均占投资组合的25.28%。这种高度集中的策略放大了单只股票波动对整体组合的影响。

各股票实现盈亏（美元），显示少数股票对整体表现的巨大影响

亏损股票的重复买入：在22只交易股票中，有7只（32%）被多次买入。值得注意的是，表现最差的三只股票都被AI重复买入，而表现最好的三只股票中只有一只被再次买入。

各股票的重复买入次数，显示AI对某些亏损股票的持续偏好

持仓周期分布：大多数交易在10-20天内平仓，但也有少数持仓超过70天。有趣的是，持仓时间长短与最终盈亏没有明显相关性。

3. AI决策的主要失败模式

评估报告指出了ChatGPT作为投资决策者的几个关键失败模式：

过度集中风险：投资组合通常仅包含2-3只高度集中的股票，使整体表现极易受到个别股票波动的影响。
亏损股票的重复买入：模型倾向于坚持原有投资逻辑，即使面对已实现的亏损也会重新买入同一股票。
依赖二元结果：交易选择过度依赖事件驱动型催化剂（如监管公告），这些事件往往带来巨大的正负回报，增加了组合波动性。
止损策略无效：模型常在上行催化剂事件前上调止损位，但大幅不利价格变动往往发生在常规交易时间之外，使止损策略失效。

如何复现实验：入门指南

对于感兴趣的开发者，复现该实验的基本步骤如下：

1. 获取代码库

git clone https://gitcode.com/GitHub_Trending/ch/LLM-Trading-Lab

2. 安装依赖

项目依赖项列在requirements.txt中，可通过以下命令安装：

pip install -r requirements.txt

3. 核心组件探索

数据处理脚本：scripts/processing/目录包含投资组合处理和交易脚本
提示模板：prompts/目录包含用于引导AI决策的各种提示模板
分析工具：graphing/目录提供了多种可视化脚本，用于生成实验中使用的各类图表

4. 实验设计建议

若要修改或扩展实验，建议考虑以下方向：

调整初始资金规模，观察AI在不同资本水平下的风险管理行为
尝试不同的市场领域，如大盘股或加密货币
修改提示模板，强化风险控制或多元化要求
比较不同LLM模型（如GPT-4、Claude等）的交易表现

未来展望：AI投资的发展方向

该实验为AI在金融决策领域的应用提供了宝贵洞见。未来研究可关注以下方向：

模型输出的随机变化控制：通过算法提示和固定生成参数减少模型输出的不确定性，使结果更具可比性。
跨市场比较：在不同市场环境中测试AI决策行为，分析其在各种风险回报特征下的表现。
多模型比较：在相同实验条件下比较不同LLM的决策行为，揭示模型架构对投资决策的影响。
资本规模与风险管理：研究不同初始资本水平如何影响AI的头寸规模决策和风险管理策略。
生成报告的情感分析：通过分析AI生成的研究报告，探讨其表达的情感与实际投资决策之间的关系。

表现最好与最差的股票盈亏对比，突显AI决策中的风险敞口

LLM-Trading-Lab项目不仅是一个技术实验，更是一扇观察人工智能决策过程的窗口。它提醒我们，尽管AI在数据分析方面具有优势，但在风险判断和情绪控制等方面仍有明显改进空间。随着技术的不断发展，我们有理由相信AI将成为人类投资决策的强大辅助工具，而非简单的替代品。

无论你是AI爱好者、金融科技开发者，还是对算法交易感兴趣的投资者，这个项目都为你提供了丰富的学习资源和实验基础。通过研究ChatGPT的交易决策，我们不仅能改进AI系统，更能深入理解人类与机器在决策过程中的差异与互补性。

【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

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考