EinsiaAI旗下Navers Lab发布了Quant Arena，试图回答一个比“让大模型预测涨跌”更难的问题：大模型能否像量化研究员一样，提出市场假设、编写可执行策略、根据反馈修改方案，并把最终版本交给从未见过的行情检验。
研究团队把9个前沿模型放入同一套A股量化研究流程。结果显示，按每个模型总分最高的代表配置计算，只有4个策略在2024年获得正收益，另外5个亏损；排名最高的GPT-6 Astra年化收益为10.7%，仍低于17.1%的等权市场基准。
不是一道选股题，而是一轮完整研究
Quant Arena覆盖3042只A股，数据包括日频行情以及原始Level-2报价、委托和成交记录。模型需要自己编写Python代码，构造特征并为股票打分，系统没有预先规定因子。
评测被严格分成两个阶段。研究期使用2022至2023年数据，模型最多提交5个候选方案，并根据收益、信号质量、执行错误等反馈继续修改。研究结束后，模型必须冻结一个策略；系统再用完全封存的2024年行情只评一次，结果不会回流给模型。
这种设计主要防止模型不断观察测试集并调整策略。它更接近真实研究中的“开发、定稿、样本外验证”，也把重点从一次性的代码生成，推进到大模型能否完成整条研究闭环。
交易约束被纳入现金账户
模型输出的是股票评分，评估器再按排名构建目标为75只股票的等权多头组合。交易按A股整手规则执行，成交受现金、涨跌停、停牌和流动性影响，手续费及基于模拟订单簿估计的市场冲击也会计入账户。
因此，策略不是在理想条件下按收盘价无限成交。买不进去的仓位会留在现金中，换手过高也会带来成本。榜单同时考察收益、风险、信号质量、换手和特征多样性，而不是只看某个相关性指标。
9个代表策略，5个最终亏损
参测模型来自Claude、GPT、Gemini、DeepSeek、Kimi和GLM系列。按官方主榜为每个模型选出的最高总分配置，GPT-6 Astra以51.29分排名第一，2024年年化收益10.7%，Sharpe为0.86，最大回撤为-6.8%。GPT-6 Sol与GPT-5.6 Terra的代表配置分别获得8.6%和8.4%年化收益，Claude Opus 5.5为4.4%。
其余5个代表策略均录得负收益：Gemini 3.8 Flash为-2.9%，DeepSeek V4.1 Flash为-5.7%，GLM-5.3为-7.8%，Kimi K3为-8.5%，Claude Sonnet 5.5为-12.2%。这些数字已经计入交易成本。
这里需要注意“代表配置”的定义。官方主榜按综合得分而非单一收益选取配置；完整结果中也存在收益更高但综合得分不是该模型最佳的配置。例如GPT-6 Sol的medium配置年化收益达到18.4%，但对应总分并非该模型最高。因此，“没有模型跑赢市场”指主榜选出的最高综合得分策略，而不是所有尝试过的单个配置都低于基准。
会排序，不等于能把收益装进口袋
研究揭示了一个关键落差：部分模型的RankIC为正，说明它们对全体股票的排序并非完全随机，但组合真正买入的是最高分的一小部分股票，而最高分组的收益未必最好。
Gemini 3.8 Flash和GLM-5.3的RankIC分别为0.045和0.046，代表策略却录得负收益；Claude Opus 5.5的RankIC接近零，账户仍获得4.4%正收益。平均排序能力无法替代对头部选股、参与时机、仓位和成本的控制。
研究团队还发现，不少模型的分组收益呈“驼峰”形：中高分组表现较好，最顶端一组反而回落。也就是说，模型可能掌握了一些宽泛的市场规律，却没有把最有信心的判断校准好。
反馈能修错，但不保证样本外盈利
与一次性生成策略相比，允许模型在研究期接收反馈并迭代后，9个模型的综合得分都提高，平均分从36.47升至43.55。但到了封存的2024年，只有4个模型的年化收益因反馈而提高，6个模型的RankIC有所改善。
反馈最擅长帮助模型修复明显错误，例如无效代码、极端换手或不合理的组合规则，却难以保证研究期改进能够迁移到新行情。这个结果也提醒开发者，智能体能够持续迭代，并不等于它正在形成稳定的市场优势。
开放擂台的价值与局限
Quant Arena已经向其他模型和Agent框架开放。参与者使用相同数据、相同候选次数、相同封存评测期和现金账户规则，可以更公平地比较端到端量化研究能力。官方还提供公开榜单与实时Arena入口。
不过，这仍是历史数据上的模拟研究。股票池、时间区间、交易规则、数据授权与评分权重都会影响结果，回测也无法覆盖真实市场中的容量、延迟、制度变化和未来分布漂移。论文中的EinsiaAI私有策略Kepler-1作为参考项展示，但它与通用大模型采用不同的研发路径，不宜简单视为同条件对决。
快速入口与扩展阅读
- 本站导航：Quant Arena官网直达，适合先快速了解产品定位、规则和使用边界。
- Live Arena：进入官方竞技场与提交入口。
- 完整榜单：查看不同模型、推理强度和指标明细。
- 研究论文：阅读任务定义、数据、评估器和消融实验。
怎样正确阅读Quant Arena榜单
第一，不要只看年化收益。Quant Arena的主榜采用综合分，样本外收益权重最高，但也包含研究期表现、风险、信号质量与特征多样性。某个配置收益更高，不代表其综合研究质量一定更好。
第二，要区分“模型”和“配置”。同一模型在不同推理强度下会生成不同策略，结果差异可能很大。官方主榜选择的是该模型综合得分最高的配置，而不是收益最高的配置，因此比较时应同时查看配置、ARR、Sharpe、最大回撤和超额收益。
第三，样本外不等于未来。2024年对研究阶段而言是封存年份，可以减少直接过拟合，但它仍属于已经发生的历史市场。模型在这段行情中的表现，不能外推为未来实盘收益。
如何参与公开评测
- 从项目页阅读任务接口、数据授权范围与评分规则。
- 准备能够生成和执行Python策略代码的模型或Agent框架。
- 在2022至2023年研究窗口内提交候选方案，并在有限反馈下完成迭代。
- 从候选中冻结一个最终策略，之后不能继续修改。
- 由平台在封存的2024年行情和统一现金账户规则下完成最终评估，并进入公开榜单。
对于开发者，真正值得复现的不只是某个模型的收益数字，而是研究与评测隔离、候选次数限制、交易约束和结果不可回流这一整套实验设计。
它适合哪些团队继续研究
Quant Arena适合量化研究团队、LLM Agent开发者、金融科技实验室、模型评测机构和高校研究者。它也可以用于比较不同工具调用框架、代码执行环境、反馈机制和推理预算对样本外结果的影响。
普通投资者更适合把它当作理解AI能力边界的研究材料，而不是自动荐股工具。平台展示的是模型在受控历史环境中的研究表现，不提供个股买卖建议，也不能替代风险测评、资产配置和持牌专业服务。
风险提示：本文仅介绍AI研究基准和公开实验结果，不构成证券、基金或其他金融产品的投资建议。历史回测表现不代表未来收益。
资料来源：AITNT报道、Quant Arena官方项目页、arXiv论文。
