9个大模型A股实盘测试，半数亏本

6家前沿模型厂商的9个模型参加了同一场A股量化研究测试：写策略、跑回测、改代码，最终提交一个版本，交由预先封存的行情检验。结果只有GPT系列和Claude Opus 5.5实现盈利，其余一半模型全部亏本。得分最高的GPT-6 Astra年化收益10.7%，仍低于17.1%的市场基准（券池等权收益）。即使模型能把行情预测得更准，也不一定能把这份准确转化为收益。

EinsiaAI旗下Navers Lab团队发布Quant Arena，将顶尖大模型放入A股真实历史数据，检验从策略生成到反馈迭代的整轮研究。数据覆盖3042只A股，包括日频行情及原始Level-2报价、委托和成交。模型自行编写Python构造特征并为股票打分。研究期为2022—2023年，预算至多5次候选评估；研究结束后冻结一个策略，交由2024年封存行情只评一次。2024年数据和评估反馈不回流给模型。评估器按评分构建目标为75只股票的等权多头组合，按整手成交，交易成本和市场冲击计入现金账户。榜单同时考察收益、风险、信号、换手和特征多样性。

参测模型来自Claude、GPT、Gemini、DeepSeek、Kimi和GLM共6家厂商的9个模型。2024年化收益方面，GPT-6 Astra为10.7%，GPT-6 Sol为8.6%，GPT-5.6 Terra为8.4%，Claude Opus 5.5为4.4%；Claude Sonnet 5.5、Gemini 3.8 Flash、DeepSeek V4.1 Flash、Kimi K3和GLM-5.3分别为−12.2%、−2.9%、−5.7%、−8.5%和−7.8%。风险排序不同：GPT-6 Astra最大回撤−6.8%，GPT-6 Sol为−2.8%；Claude Opus 5.5和Kimi K3分别为−32.7%和−36.4%。GPT-6 Sol的Sharpe为1.89，GPT-6 Astra为0.86。按各模型总分最高的代表配置，5个亏本、4个盈利，没有一个跑赢市场基准。

信号与收益出现背离。Gemini 3.8 Flash的RankIC为0.045，年化收益−2.9%；GLM-5.3的RankIC为0.046，年化收益−7.8%；Claude Opus 5.5的RankIC仅−0.002，年化收益却达4.4%。按每日信号将股票分10组，9个代表策略中有7个最高分组收益低于全样本均值，平均每天落后约10bp。多个模型呈现“驼峰”特征，分数最高组收益反而回落。全体排序有用，不代表最靠前股票最赚钱，而组合恰恰买入这一小部分。

GPT-6 Astra在研究中自行写出择时开关：仅当全市场股票5日和20日涨幅中位数均为正时才打分，否则空仓。该开关在2024年2月闪崩中效果明显，2月6日市场净值跌至0.704时其净值仍为1.000，1—2月最大回撤仅−1.7%，市场为−29.6%。但择时未带来超额：全年收益10.7%，低于市场17.1%约6.3个百分点；9月24—30日五个交易日拿到全年收益的12.5%，却只抓住市场自2月低点反弹的16%（GPT-5.6 Terra为73%）。它躲开了下跌，却未挑出更好的股票。

消融实验显示，不给研究表现反馈、模型一次写完策略时，9个模型带反馈研究的总分平均从36.47提高到43.55，但提升未完整传导至样本外：2024年年化收益仅4/9个模型更高，RankIC有6/9个提高。研究期进步主要发生在前几轮，反馈能改掉明显错误，却很难让策略跑赢基准。按候选轮次，研究期“至今最佳”相对首个有效候选的平均增益依次为0、14.4、16.7、29.1和36.5个百分点；4/9个模型的最佳候选就是第2个，最终增益中位数7.0个百分点，大幅提升主要出现在起点特别差的策略上。31次相邻修改中，25次改特征，27次改组合，15次调整选股或参与规则。

9个代表策略整体排序平均相关性为0.47，但每日前75只股票平均重合率仅6.1%。最相似的是Claude Opus 5.5和DeepSeek V4.1 Flash，排序相关性0.94，重合率35.6%；GPT-5.6 Terra最独特，平均排序相关性仅0.14。风格上，8/9个模型偏小盘，7/9个偏价值、低波动和低换手；Claude Opus 5.5和DeepSeek V4.1 Flash偏高波动、高换手，账面价值暴露为负。风格本身不是跑输主因，问题出在头部选股和参与时机。

Quant Arena现已开放，任何模型和agent框架均可接入，使用同样数据、至多5次候选评估，冻结一个策略交由同一段封存行情只评一次。团队同时放入私有策略Kepler-1，总分77.56，2024年期末净值