Alpha Arena (Nof1)
不把研究实验室 Nof1 的这场 AI 交易实验当成故事，而是当成结构来读 —— 从同样的资本、同样的市场出发，6 个模型成绩分化背后真正的变量
发布 2026.07.01 · 最后更新 2026.07.07
搜索这个案例的人,问的其实都是同一件事 —— "把交易交给 AI,真能赚钱吗?"研究实验室 Nof1 于 2025 年 10 月启动的 Alpha Arena,是罕见地用实测数据回答这个问题的实验。它给 6 个 AI 模型每个分配约 $10,000,让它们在 Hyperliquid 永续合约上不经人手自主交易,结果最终成绩从约 +22% 一路拉开到 −63%。资本相同、市场相同、数据也相同。本文把这道差距是从哪里来的拆成结构来看 —— 答案不在模型的智能,而在如何处理亏损的规则里。
- Nof1 于 2025 年 10 月启动的公开实验 —— 给 6 个 AI 模型每个分配约 $10,000,在 Hyperliquid 永续合约上,进场、平仓与仓位全部由 AI 自主决定
- 初期领跑的是 DeepSeek(DeepSeek Chat V3.1),但最终收益率从约 +22% 分化到 −63%(为过去、基于公开报道的数字,并非普遍结果)
- 拉开差距的变量不是预测准确度,而是做错时亏得有多快、有多小 —— 这是止损规则和仓位大小的问题
- 没有情绪的 AI 也会跑出 −63%,这一事实说明:交易的成败不是靠消除心理就能解决的,而取决于风险规则的设计
同样的钱、同样的市场、不同的大脑 —— 实验设计
Alpha Arena 是研究实验室 Nof1 开展的 AI 交易实验。它不是为某个机器人或产品做推广的比赛,而更接近于一场观察'语言模型如何用真实资金在真实市场中做判断'的公开基准测试。为了控制变量,条件被尽量设计得简单 —— 资本相同、舞台相同、人不介入。正因有了这套控制,我们才能把结果的差异读成各模型决策结构的差异,而不是'运气'或'条件不同'。
- 让 6 个不同的 AI 模型参赛
- 给每个模型分配同样约 $10,000 的实盘资金
- 交易舞台统一为加密货币永续合约交易所 Hyperliquid
- 进场、平仓、仓位大小的决定,人一概不介入
- 以设定周期内的收益率来比较成绩
启动 2025 年 10 月 · 参赛 AI 6 个 · 每个模型初始资金约 $10,000 · 舞台 Hyperliquid 永续合约 · 无人介入。既然从相同条件出发,那么最终成绩的偏差就全部来自交易决策。
成绩单 —— 初期领跑者与最终差距
据公开报道,实验初期领跑的是 DeepSeek(DeepSeek Chat V3.1)。这里要点出第一个陷阱 —— '某个特定时点的领先',样本越短,信息价值越低。几天的排名,可能只是市场行情恰好与那个模型的偏好对上的结果,而事实上排名此后也一直在变。这和评估交易者业绩时'只看上周收益率'不可取的原因,结构完全一样。
最终成绩拉开到约 +22% 到 −63%。这是从同样的 $10,000、同样的市场、同样的价格数据出发得出的结果。为过去、基于公开报道的数字,并非人人都能复现的普遍结果。
拉开排名的不是'哪个模型更聪明',而是'做错时亏得有多小' —— 这是公开结果中被反复指出的一种解读。
为何会分化成 +22% 与 −63% —— 差距的结构
看着同样的市场数据,有的模型守住了资产,有的模型却亏掉了一半以上。很难说是预测拉开了差距 —— 6 个模型都是做对的区间和做错的区间混在一起。差别出在对做错区间的处理上。把亏损仓位切得小的模型,下一次机会来时资本还在;重仓押注后又止损过晚的模型,一两次失败就进入了无法恢复的区间。
会变得无法恢复,原因是算术。一个跌到 −63% 的账户要回到本金,大约需要 +170%。亏损是线性累积的,但要求的恢复收益率却是非线性膨胀的,这种不对称,正是盈亏比中所讲'不一次亏大钱优先于一切策略'这条原则的数学依据。
拉开头部与尾部的不是预测力,而是风险管理 —— 限制一次失败给账户留下伤口的仓位大小,以及用规则而非情绪切断亏损的进场与平仓原则。这场实验在受控条件下展示了:正是这两点左右了结果。
AI 明明没有情绪,却也跑出了 −63%
这场实验里最值得反复咀嚼的地方另有其处。常被点名为交易失败元凶的恐惧、贪婪、报复性交易,全都是人的情绪。然而在没有情绪的 AI 身上,同样跑出了 −63%。这从反面印证了交易心理一篇所讲的命题 —— 消除心理是必要条件而非充分条件,只要没有设计出亏损上限、失效条件这类规则本身,即便没有情绪,账户也会崩塌。
反过来,守住 +22% 那一方的结构也用同一套框架读得通。'并非靠出色的预测,而是把做错时的成本系统性地压住'的解读,与公开结果相符。只要资本还在就有下一次机会 —— 风险管理的这条基本原则,在一场以 AI 而非人为样本的受控实验中,被再次观测到了。
读这场实验时的局限
要警惕过度解读。第一,样本只是一个赛季、一种市场行情。把这些模型重新放进另一种行情,排名可能被翻转,而初期领跑者并非最终领跑者这一事实本身,就说明了排名的不稳定性。第二,'是风险管理拉开了差距'也只是对公开结果的一种解读,并非某个模型优越性的证明。第三,实验条件(资本规模、周期、标的)一旦改变,结果分布也可能不同 —— 这不是已被验证具有可复现性的结果。
这个案例不是推荐某款 AI 或自动交易的文章。永续合约不管用什么工具,都是带杠杆和爆仓风险的产品;自动化只会减少心理问题,并不能替你填补风险规则的缺位。实验展示的不是'AI 能赚钱',而是'没有规则的账户,不管主体是谁都会崩塌'这套结构。
Alpha Arena 留下的,是一份受控条件下的反证案例。如果在同样的资本、同样的市场里成绩分化成了 +22% 与 −63%,那么变量就不是智能,而是切断亏损的规则和仓位大小 —— 而且连没有情绪的 AI,离开这套规则也照样崩塌。这正是鲸鱼故事不把这个案例读成'跟着交给它'、而是读成'什么在守护账户'的原因。想把这套结构搬到自己的交易上,建议按这个顺序来:先用盈亏比掌握亏损不对称的算术,再到交易心理里确认'规则设计先于情绪控制'这个命题。
常见问题
Alpha Arena 到底是什么?
这是研究实验室 Nof1 于 2025 年 10 月启动的 AI 交易实验。它给 6 个 AI 模型每个分配约 $10,000,让它们在 Hyperliquid 上不经人手自主交易加密货币永续合约,再比较收益率。它不是某款产品的广告,而更接近于以观察为目的的公开基准测试。
AI 交易比人更强吗?
仅凭这场实验无法下定论。最终收益率从约 +22% 分化到 −63%(为过去、基于公开报道的数字,并非普遍结果),而且即便是同一个 AI,也会因风险规则不同而跑出截然相反的结果。身为 AI,并不会让杠杆产品的亏损风险消失。
6 个模型的成绩差异是怎么来的?
公开结果中被反复指出的解读,不是预测力,而是处理亏损的差异。做错时切得小的模型守住了资本,重仓押注后又止损过晚的模型被推到了难以恢复的区间。一个 −63% 的账户要回到本金,大约需要 +170%,这种不对称正是那套结构的核心。
那我把交易交给 AI 就行了吗?
本文并不是推荐自动交易或某款特定 AI 的内容。自动化只会减少情绪介入,一旦缺了亏损上限、失效条件这类风险规则,账户就可能像这场实验一样崩塌。判断与责任都在你自己,建议先从盈亏比和风险管理的基础学起。