上周有个做交易的朋友问我现在大模型这么火你能不能帮我推荐一个选股神器我把自己用过的几个大模型挨个试了一圈从通用对话模型到接行情接口的Agent都试了个遍。结果是用了两周选的票有对有错整体还不如我自己闭着眼睛掷骰子。但就在我准备放弃的时候我发现大模型在另一件事上帮了我大忙——它治好了我的追涨杀跌和盘中手痒。这篇文章不劝你放弃AI也不劝你迷信AI。我只想聊清楚一个问题大模型在交易这件事里真正擅长干的活到底是什么我的结论非常明确——AI最不擅长的是帮你选股最擅长的是治你的交易心态。接下来我会把背后的逻辑、我踩过的坑以及一套我自己每天都在用的实操流程全部摊开讲希望能给你一些参考。1. 想明白一个事大模型真的不适合直接帮你选股1.1 先聊清楚大模型的边界在哪里很多人对大模型有个误解觉得它上知天文下知地理输入一串条件它就能像诸葛亮一样算出明天哪只票会涨。这个期待从一开始就错了。大模型本质上是一个基于海量文本训练出来的概率模型它做的事情是“根据上下文预测最合理的下一个词”。它更像一个博览群书、思维敏捷的超级书童而不是一个能看穿未来的预言家。我用一个生活化的类比来解释你可以把大模型理解成一位读完了全世界所有菜谱、对食材和烹饪手法了如指掌的美食评论家。你问它“宫保鸡丁怎么做”它能给你说得头头是道但你问它“明天菜市场的里脊肉价格会涨还是跌”它只能根据历史菜谱和新闻给你的直觉性猜测而且这种猜测的准确率和你掷硬币差不了太多。选股就是后者的场景——它需要的是对未来的预测而不是对已有知识的归纳。大模型的真正强项在于语言理解、逻辑推理、知识归纳和生成结构化内容。写代码、总结财报、解释一个复杂概念、把一段混乱的信息整理成清单这些都是它的主场。但凡是涉及“预测未知结果”的活儿尤其是金融市场这种充满博弈的高噪声环境它和普通人相比并没有本质优势甚至因为训练数据的滞后性它的信息可能比你还要落后。1.2 选股这个场景为什么恰好踩中大模型的死穴选股这件事踩中了两个大模型最不擅长的点一是信息时效性二是因果推断。信息时效性很好理解。大模型的训练数据是几个月甚至几年前的历史语料它对今天的盘面、今天的资金流向、今天突发的消息一无所知除非你给它接上实时行情API。就算接了行情接口它也只是拿到了价格、成交量这些原始数据而这些数据本身并不能直接告诉它“为什么涨”“为什么跌”。更麻烦的是金融市场是典型的非平稳系统过去有效的规律随时可能失效。大模型从历史文本里学到的那些“技术形态”“量价关系”经验放到当下市场里很可能已经是过时的条件反射。再说因果推断。大模型擅长发现文本中的相关性但不擅长判断真正的因果关系。比如它可能从新闻里看到“某公司宣布回购股价上涨”于是认为回购和上涨之间存在强因果但它不会去区分这次上涨是情绪驱动、资金驱动还是基本面改善。这种语义层面的相关性放到真实交易里就是一堆噪声。我实测过一个场景把同一家公司的利好新闻发给三个不同的大模型问它们明天会怎么走三个模型给出的方向和逻辑完全不一样而且谁说都很有道理。很多人不知道的是连真正的量化机构用大模型做投资也不是让模型直接输出“买什么”。他们更多是用大模型做另类数据处理比如从公告、研报、舆情里提取信号因子再交给统计模型去做交易决策。交易决策本身靠的是严谨的回测和统计分析不是靠大模型“拍脑袋”。所以我的第一个建议是千万别把选股这种决策权交给AI那是它的死穴也是你的钱袋子最危险的地方。1.3 那AI在交易里到底能干什么既然选股不行那AI在交易里是不是就没用了恰恰相反。我盘点了自己用AI做交易辅助的经验把它能干的活分成了四类每一类的靠谱程度差别很大用途大模型表现我的使用建议直接选股差预测准确率接近随机不要用或者只当灵感参考资讯总结和知识查询很好快速归纳公告、研报、行业逻辑放心用省时间写回测代码和策略框架很好能快速生成Python回测脚本放手用但要自己核对逻辑复盘和心态管理出乎意料地好能高效梳理交易行为强烈推荐今天重点讲你可能注意到了我特意把“复盘和心态管理”放在了最后但这一项恰恰是我认为大模型在交易领域最有价值、也最被低估的能力。后来我想明白了其中的道理。选股是预测题而复盘和心态管理是分析题。预测题的答案在未来的不确定性里大模型的模型结构决定了它没法真正解决但分析题的对象是过去的交易行为是已经发生的、确定性的记录这正好落在大模型最擅长的归纳总结和结构化输出上。更关键的是交易心态问题的本质不是“缺乏知识”而是“知道却做不到”——这就是大模型这类对话式AI最能介入的地方。它不替你决策但它能帮你看清楚自己的决策过程让你的情绪和冲动无处遁形。2. 转换思路把AI从“股神”变成“心态陪练”2.1 交易心态本质上是一个可以被数据化的问题交易圈里流传着一句话七赔二平一赚。大部分人亏钱不是不懂技术分析而是管不住自己。追涨杀跌、扛单不止损、赚一点就跑、亏了就加仓赌一把——这些行为背后全是情绪在驱动而不是逻辑。心理学里有一个广为人知的双系统理论人的大脑里住着两个系统系统一是快速、直觉、情绪化的“自动反应模式”系统二是缓慢、理性、需要耗费精力的“逻辑分析模式”。在交易中系统一负责“看到涨了就想追”“看到亏了就不想砍仓”系统二负责“检查是否符合交易计划”“计算风险收益比”。问题在于系统一反应极快而系统二又懒又慢所以大部分人在盘中一瞬间就做了决定根本来不及让系统二登场。好消息是交易心态问题虽然看起来玄乎但完全可以被拆解成可记录、可分析、可干预的行为数据。我做交易几年之后把自己所有亏大钱的交易拉出来复盘发现全部都能归到三类冲动触发、情绪放大、复盘缺失。冲动触发是进场前没有明确理由情绪放大是亏损后想翻本导致仓位失控复盘缺失是错了也不知道错在哪、下次继续错。这三个问题都不是玄学而是能通过记录和归因来改善的。2.2 AI能治心态的底层逻辑知道了问题是可数据化的那为什么说AI能治因为AI在心态管理这个场景里恰好拥有了三个真人教练不具备的优势。第一是随时在线且毫无压力。你半夜两点突然想下单打开手机就能让AI帮你过一遍决策清单而你不会因为半夜打扰真人朋友而愧疚也不会因为AI知道你的持仓而不好意思。第二是绝对不评判。真人教练哪怕再专业你也会本能地掩饰自己的错误操作但面对AI你没有必要演戏它会无比耐心地听你把一次惨痛的交易从头讲到尾。第三是能做到“预设规则即时反馈”。你可以提前把交易纪律写进去每次交易前让AI对照规则来“盘问”你它不会因为你们关系好就放水也不会因为你的仓位重就网开一面。我用一个类比来说AI在交易心态这个场景里相当于一个随时待命的“交易陪练”它不替你做任何决策而是在你快要犯规的时候用事先约定好的问题把你拉回计划轨道。就像健身房里的私教真正练的还是你自己但如果没有他在旁边盯着你大概率会把那一组动作糊弄过去。2.3 给心态陪练定三个具体能力清单很多朋友可能会说我也用AI复盘过感觉说了等于没说全是鸡汤。这里要坦白说那是因为你没给它定清楚职责。我在反复测试之后把AI的“心态陪练”职责固定成了三个能力每次用之前都先把这些要求写进对话里能力一复盘引导。AI要做的不是听我讲完然后安慰我“没关系下次注意”而是把一次亏损交易拆解成入场理由、出场理由、情绪状态、仓位管理、可改进点五个维度强迫我面对每一笔交易的原始动机。能力二规则约束。交易前把总仓位、单笔止损线、每天最多交易次数等硬性纪律写进预设问答盘中我不写理由就不许聊交易。AI在这里的角色是“纪律检查员”不是“行情分析师”。能力三情绪降温。一旦检测到我的描述里有明显的情绪词比如“我觉得它肯定要涨”“再不买就来不及了”AI必须提示我停下来并按预设脚本让我做一次“暂停检查”拒绝在情绪激动状态下继续讨论。这三个能力不需要什么高级模型也不需要什么复杂的Agent框架一个普通的通用大模型就能做到。关键不在于AI本身的聪明程度而在于你给它预设的任务边界是否清晰。3. 实操落地三天搭出一套AI心态陪练流程3.1 第一步建立结构化复盘模板任何没有模板的复盘都是在浪费时间。如果你只是跟AI说“帮我分析一下我今天的交易”它给你的答案大概率是塑料味的鼓励参考意义不大。我建议你先强迫自己建立一个固定的复盘格式每天收盘后花十分钟填完再发给AI做诊断。我的复盘模板长这样你可以直接照抄今日复盘记录 1. 今日盈亏金额和总仓位 2. 今日总交易笔数 3. 每笔交易明细 - 标的名称 - 入场价格和出场价格 - 入场时给出的理由当时为什么买 - 出场时给出的理由当时为什么卖 - 持有时间 4. 交易过程中最强烈的情绪是什么兴奋/害怕/后悔/贪婪/平静 5. 有没有违反事先制定的规则如有具体是哪一条 6. 如果明天重来一次哪一笔交易你会选择不做填完这个模板后把它原样粘给AI然后附加一段提示词告诉它你的需求。这里我强烈建议把提示词写得“苛刻一点”宁可让AI说话扎心也不要让它当老好人。我的常用提示词是这样的你是一名交易行为分析师专门帮助交易者识别行为模式和认知偏差。 请根据我提供的复盘记录完成以下任务 1. 按“入场逻辑是否清晰”“出场逻辑是否清晰”“仓位管理是否合理”“情绪是否影响决策”四个维度打分。 2. 指出记录中体现出的具体行为偏差例如锚定效应、损失厌恶、过度交易、报复性交易等。 3. 针对每一项偏差给出可执行的改进动作不要泛泛而谈必须有明确的触发条件和动作。 4. 禁止使用安慰性语言禁止使用“没关系”“下次注意”等表述。 5. 最后用一段话总结我今天的核心问题并给出明天的交易注意要点。我之所以把“禁止安慰性语言”写进去是因为吃过亏。大模型默认会讨好用户你不约束它它会变成一台没有感情的夸夸机复盘效果等于零。加了这条之后AI的输出质量立刻上了两个台阶它会更像一名冷静的教练而不是一个说好话的客服。3.2 第二步写一套能约束规则的事前问答如果说复盘是“事后治病”那盘中实时约束就是“事前预防”。这一部分的思路是把你所有的交易纪律提前写成一个决策清单每次下单前强制自己在AI里走完一遍流程。事前问答提示词我把它固化成了一个独立对话窗口和复盘用的窗口分开避免两种场景互相干扰。核心逻辑就是“先回答再看盘”。我的预设问答长这样你是我的交易纪律检查员。在我向你咨询任何交易决策之前你必须先要求我回答以下问题 1. 请你先说出买入逻辑用一两句话说清楚为什么买。 2. 如果买入后下跌超过你预设的止损线你会怎么做止损线是多少 3. 这次准备投入多少仓位是否超过总仓位的上限 4. 你现在的情绪状态是平静、兴奋还是焦虑如果情绪波动超过平静状态请先做三次深呼吸再说。 5. 这个操作能符合你提前制定的交易系统规则吗如果你说不清是哪条规则请直接告诉我“这笔交易不符合纪律”。 重要规则 - 你在任何情况下都不要给出买入或卖出的建议。 - 你只负责帮我检查是否违反了交易计划。 - 如果我的回答含糊不清你必须拒绝继续讨论并要求我重新回答。 - 当我描述中出现“肯定”“绝对”“必须买”“再不上车就晚了”等情绪化用词时请立即提醒我暂停并询问我是否在冲动状态。这套问答的核心逻辑在于它不依赖AI的专业判断而是把AI当成一面“纪律之镜”。你回答完这些问题的过程就是让系统二强制接管的过程。很多次我填完前两题就发现自己的买入理由其实站不住脚主动放弃了交易。这不叫AI选股这叫AI用规则帮你筛掉了一堆垃圾交易。3.3 第三步盘中与盘后的AI陪伴配置心态管理最要命的是时效性。你不可能每次手痒的时候都打开电脑敲一遍模板所以把AI配置到你随时能触达的地方很关键。我的方案很简单把AI的快捷方式放到手机桌面并且把复盘模板和事前问答提示词都存成固定的文本笔记用时直接复制粘贴即可。这样一分钟内就能打开AI对话窗口、粘贴模板、完成一次“纪律体检”。至于用哪个大模型我试过几家主流产品效果大差不差。如果你在意交易记录的隐私我建议考虑本地部署方案。目前Ollama是本地部署大模型最方便的工具之一几行命令就能把开源模型跑在自己的电脑上数据完全不出本机。我用Ollama部署过一个中等尺寸的开源模型qwen系列的7B版本回答质量和响应速度足够日常复盘使用跑在消费级显卡上也不吃力。对刚接触本地部署的朋友我推荐三步走先装Ollama再拉取模型最后在本地界面里对话。具体命令很简单官网都有不在这里赘述。如果你本来就在用Claude Code这类编程插件也可以把本地大模型配置成后端模型来调用实现边写代码边用AI对话跑回测脚本的时候顺便完成复盘。这个玩法适合本来就写代码做量化回测的朋友可以在同一个工作流里把交易和研究串在一起。盘后的配置就更简单了。你可以设置一个固定的闹钟比如每天下午收盘后30分钟强制自己打开AI对话窗口先填复盘模板、跑一遍归因分析再做一次“如果明天重来一次”的沙盘推演。频率不需要太高关键是坚持。我坚持了两个月之后对自己的交易行为模式有了很清晰的认识这种认知是所有技术分析都给不了的。4. 常见问题与避坑实录4.1 AI太会安慰人了我反而失去了警觉这是我最开始遇到的大问题。第一次让AI复盘亏损交易它把我从头到尾安慰了一遍说什么“市场波动是正常的”“你已经做得很好了”听完我心里是舒服了但没有任何改进。问题出在哪里出在提示词没有约束它的角色。解决办法很简单我在前面的提示词里已经写了就是明确要求“禁止安慰性语言”并且把它定义成“交易行为分析师”而不是“贴心助手”。角色定义非常重要它能显著改变模型的输出风格。实测下来当你把角色定义成“冷静的教练”和“温柔的陪伴者”同一个模型给出的反馈完全是两种味道。在复盘场景里宁可要刺痛也要准确让AI“扎心”比让它“暖心”更有价值。还有一个技巧是你可以故意在提示词里写一句“你是一个毒舌但专业的资深交易员说话直接不拐弯抹角”。我用了这个设定之后AI的输出明显变得更犀利能一针见血指出问题这对复盘来说是好事。4.2 AI懂交易还是不懂交易被问到最多的问题就是AI懂不懂技术分析和宏观基本面万一它给我错误的建议怎么办我的回答是你要先搞清楚它的角色定位。你问它“铜价上涨对哪些行业有影响”它能给你一份逻辑清晰的产业链分析这种知识性问题它胜任得很好。但你问它“我现在该不该买铜的期货”它就完全没有判断依据了只会根据历史文本里的常见说法拼凑出一个看似专业的答案。所以我的原则是AI只用来回答“事实和逻辑类问题”绝对不用来回答“预测和决策类问题”。它说“根据历史经验降息周期里成长股表现往往较好”这类话你可以参考但它要是说“明天科技板块会大涨”你就当它放了个屁。在这个前提下AI对交易术语、技术指标、市场机制的理解深度足以胜任陪练角色。它最大的价值是引导你把自己的决策逻辑说清楚而不是替你做判断。提示如果你在对话中发现AI开始给出具体的买卖建议马上提醒它回到“纪律检查员”的角色定位。如果它坚持给建议直接换一个模型或从一开始就把这条限制写进系统提示词。4.3 数据隐私怎么办交易记录、持仓仓位、盈亏金额这些都是非常私密的数据很多人不敢往云端大模型里发这个顾虑完全可以理解。处理方式很简单敏感数据用本地部署模型非敏感场景比如市场知识问答用在线大模型两者分开使用。使用场景建议方案理由复盘记录、持仓明细等敏感数据本地部署模型Ollama开源模型数据不出本机隐私可控资讯解读、行业知识学习等一般问题在线大模型各家主流产品均可回答质量更高知识更新更快盘中快速纪律问答在线大模型预设提示词方便快捷不涉及具体持仓细节本地部署门槛没有想象中高。我自己第一次部署时也担心会不会很难实际跟着Ollama官网的文档操作十几分钟就搞定了。跑复盘这种轻量任务7B级别的开源模型完全够用不需要上超大参数模型。如果你对这块感兴趣还可以顺便看看上海交大的开源项目“动手学大模型”里面有国内少见的系统化大模型入门路线从原理到实战都讲得很清楚对想深入了解模型原理的朋友帮助很大。另外多说一句不要在AI对话里输入你的真实姓名、完整仓位、具体账号信息哪怕是在本地部署的模型里也没必要。养成这种习惯能帮你避免未来可能出现的各种麻烦。我自己现在每天收盘后的固定动作就是花十分钟在AI对话里完成一次复盘。随着记录越来越长我明显感觉到自己对于交易的情绪反应在变化以前是“手痒就想下单”现在是“先过一遍清单再决定”。我不敢说这让我多赚了多少钱但至少让我少亏了很多“冲动税”。如果你也想试试我的建议是从最轻量的一步开始把文中的复盘模板存下来今天收盘后花十分钟填一次发给任意一个大模型让它帮你找问题。你先坚持一周看看AI是不是比你更早发现了你自己都没意识到的坏习惯。如果有效果再逐步加上事前问答和本地部署。这套方法的核心逻辑只有一句话AI不是来替你赚钱的它是来帮你看住你的手和心的。