AI如何决定何时买入或卖出？深入ChatGPT或Claude交易代理的决策链路

模型提出行动，应用决定它能做什么

ChatGPT交易机器人或Claude交易机器人，是围绕模型组装的系统。应用选择任务、观测、指令与可用工具。模型依据这些上下文输出回答、结构化提案或工具请求，交易应用再决定哪些请求可以获准、能够占用多少资金，以及如何记录执行。产品名称不能说明这些规则。

这个接口没有一套通用指标配方。有的应用让模型解读财报，有的提供动量特征并要求输出BUY、SELL或HOLD，还有的使用传统数值策略，AI只帮助编写代码。要理解一项决定，应先识别模型的角色，再查看它实际接收的信息。

OpenAI与Anthropic的文档说明了客户端工具工作流：模型请求带参数的具名函数，应用调度相应实现。该请求只是中间消息。市场数据工具必须提供相关观测；获准请求成为真实订单前，还必须具备券商适配器与账户授权。消费者聊天产品和开发者模型应用的集成与权限不同。 [1] [2]

此前的AI交易代理指南解释了系统架构。本文沿着控制边界展开：一项人工构造的提案经过评估、定仓、资金预留、部分成交及核对，也展示相同交易建议在信息或账户状态未通过检查时如何改变。

从一个完整的决策算例开始

围绕相同交易授权范围，考虑16个人工构造的控制案例。正常BUY获准20.86单位，模型止损损失为$49.98061318，对应$50计划预算。随后假定的价格跳空带来$60.38976622模拟亏损。正确批准并不创造盈利交易，也不保证亏损一定落在预算内。

品种、价格、证据、提案及后续结果均为人工构造。没有调用模型API，也没有把任何提案归因于ChatGPT或Claude。目的是检查从决策到账本的运行机制，同时不捏造模型输出、API耗时或交易业绩。

文章直接展示决策信息包、提案、定仓公式、全部16个案例结果，以及现金和持仓的状态变化。算例账户最终持有$9,939.61023378，资产数量为零。十六个人工构造案例既不是十六个市场观测，也不是模型准确率估计。

在请求决策前，固定当时能够知道什么

构造数据包使用虚拟产品TP-USD。在2026年10月22日12:00:00 UTC，账户有$10,000现金，没有持仓或未结订单。参考中间价为100，买价99.95，卖价100.05。另一条已完成的特征记录包含人工设定的三根K线收益率+1%。这个特征只是BUY请求的示意前提，没有经过验证的预测价值。

决策信息包记录来源ID、观测时间、可用时间及账户版本。一条记录可能描述较早发生的事件，却在后来才变得可用。控制器将两种时间与自身接收时间及提案的信息截止点比较。助手不能给未来记录标一个较早的as_of，就让它在当时变得可用。

后来的97.50结果只属于模拟器，不在提案输入包或风控器的政策设置中。较早的批准和定仓依据入场时可用的信息，后续结果才决定后续盈亏。这一区分处理的是应用层信息边界，并不能确定预训练模型是否已经知道可识别的历史事件。

账户状态新鲜度与价格新鲜度同样重要。数据包将市场快照绑定到account-v001，并单独检查账户观测与可用时间。正确报价不能证明缓存余额已经反映另一笔订单。生产环境实现需要在准入点核对权威账户记录，并协调资金预留。

要求有边界的提案，数量由代码掌握

下例是人工构造的提案，不是任何一家提供商的对话记录。它针对指定快照请求BUY，引用两个记录ID，并提出98的参考止损。它不能提供订单数量、修改账户、任意选择执行目的地或增加风险预算；这些权限留在应用中。

{
  "proposal_id": "proposal-001",
  "action": "BUY",
  "instrument": "TP-USD",
  "snapshot_id": "tp-snapshot-001",
  "as_of": "2026-10-22T12:00:00Z",
  "valid_until": "2026-10-22T12:00:30Z",
  "evidence_ids": [
    "quote-Q001",
    "feature-F001"
  ],
  "observed_reference_price": 100,
  "stop_reference_price": 98,
  "rationale": "Constructed example only: the positive feature motivates a hypothetical BUY request; no forecasting evidence is supplied.",
  "confidence_label": "MEDIUM"
}

结构化输出或严格工具接口，使字段与允许值更容易约束，但不能证明经济解释正确。提供商API也可能出现拒答、未完成响应及工具错误；应用必须检查完成状态并验证收到的内容。格式验证与下文金融检查回答的是不同问题。[3] [4]

风控器将结构化观测价格与权威报价核对，将引用ID与可用记录核对，却不判断自由文本理由是否由这些记录支持。这一区别在仅修改表达的案例中可见：理由文字错误地称价格为120，而结构化价格仍是100。获准数量不变，缺乏依据的句子仍然缺乏依据。

跟随获准BUY的每一步计算

风控器只允许一个活动下单意图或持仓，计划损失预算为盯市权益的0.5%，参考中间价名义金额不得超过权益的25%。数量步长为0.01，假设的手续费前最低订单金额为$10。这些是公开的练习政策选择，不是推荐限制或交易场所实时规格。

开仓约定按卖价 × 1.0005成交，并按执行金额收取0.1%的USD手续费。规划时，将中间价98的止损先按0.05%半价差换成模型买价，再施加0.05%不利执行调整和相同费率。精确的每单位计划损失，是开仓支付现金减去模型止损净回款。

开仓成交价为100.100025，每单位含佣金现金支出为100.200125025。模型止损成交价为97.90202450，模型止损净回款为97.80412247550，两者现金差额为每单位2.39600254950。$50预算在取整前允许约20.86809132单位。25%参考名义上限允许25单位，可用现金允许更多。风险上限成为约束，所以获准数量为20.86。

entry_cash_per_unit = ask × (1 + adverse_fraction) × (1 + fee_fraction)
modeled_stop_net_per_unit = stop_mid × (1 - half_spread_fraction) × (1 - adverse_fraction) × (1 - fee_fraction)
planned_loss_per_unit = entry_cash_per_unit - modeled_stop_net_per_unit
risk_quantity = marked_equity × risk_budget_fraction / planned_loss_per_unit
cap_quantity = marked_equity × reference_notional_cap_fraction / reference_mid
cash_quantity = authorized_available_cash / entry_cash_per_unit
quantity = floor(min(risk_quantity, cap_quantity, cash_quantity) / quantity_increment) × quantity_increment

该数量对应$2,086.00参考中间价名义金额、$49.98061318计划止损损失和$2,090.17460802开仓现金预留。参考名义金额与现金承诺不同，因为后者包括实际开仓执行价格与佣金。HIGH自信标签没有出现在仓位计算的任何位置。

相同BUY会变成更小订单、跳过或阻止

表格覆盖全部16个人工构造案例。多数只改变正常BUY中的一个概念条件；持仓SELL单独标为正向对照，两个ID重放案例明确给出此前的下单意图状态。每个案例均从注明的账户条件出发，不能把它们累加成同一投资组合中的交易。

正向对照很重要：拒绝一切也会拒绝原本可接受的BUY、已有持仓SELL和更紧上限下的案例。HOLD、空仓SELL、低于最低金额的跳过、状态未知时的阻止，以及重复请求抑制，各有不同含义，不应统统重新标成AI选择等待。

5%上限案例获准5.00单位。在只授权$5现金的案例中，账户盯市权益仍是$10,000，但候选数量降至0.04单位，不满足最低要求，因此跳过而不向上取整。UNKNOWN案例会阻止替代请求，直到完成状态核对；它不假定之前订单已经失败。

这些是应用行为的受控算例，将改变的条件与相应处置放在一起。它们不提供模型错误率、市场命中率、攻击成功率或生产可靠性估计。关键是找出哪条规则解释每个获准、缩减、跳过或阻止的请求。

预留、订单与成交，改变的是不同记录

准入生成intent-proposal-001，并预留$2,090.17460802。此时现金仍为$10,000；预留限制的是还能向其他地方承诺多少资金。模拟执行随后在12:00:01 UTC报告12.00单位，在12:00:02报告剩余8.86单位。两次成交使用固定的人工卖价。这是设定稳定价格的执行输入，不是后来观察到的市场报价。

第一次成交后，现金为$8,797.59849970，持仓12.00单位，还预留$887.77310772。按中间价100计，盯市权益为$9,997.59849970。再扣一次预留额会低估净资产：它是对现金的内部承诺，不是额外经济损失。可用现金与账户权益回答不同问题。

重放相同的首次成交ID不会改变账户。即使新提案使用最新账户版本，在第一个意图仍部分成交时也会被阻止。第二次成交后，账户持有20.86单位及$7,909.82539198现金，剩余预留归零。这条轨迹验证单进程模拟状态机内部的成交摄取与资金承诺。

意图指纹使用结构化字段和精确十进制规范化，表达文字没有权限。相同ID下的相同结构化请求不会生成第二个内部意图，而该ID下改变结构化请求会冲突。这不保证外部券商只执行一次。真实恢复必须查询订单与成交、持久保存已核对状态，并处理变更报告、部分撤单与网络不确定性。

获准交易仍可能亏损超过计划预算

在12:05:00 UTC，模拟器收到单独固定的中间价97.50，低于存储的98止损参考。独立止损处理器为完整持仓创建paper-stop-exit-001。退出成交为97.50 × 0.9995 × 0.9995 = 97.402524375，另收0.1%佣金。这次退出由模拟器保存的规则触发，不是模型的新预测。

按参考中间价，价格变动损失20.86 × (97.50 − 100) = $52.15。买卖价差与不利执行再增加$4.11986304执行损耗，开平仓佣金合计$4.11990318。最终净损失为$60.38976622，即初始账户权益的0.60389766%，剩余$9,939.61023378且没有资产仓位。每项成本仅扣一次。

$49.98061318计划止损损失采用了中间价98附近无跳空退出的假设。施加的跳空使这个执行假设失效。因此，通过风险检查不代表实际损失被封顶在$50。合适做法是检查规划假设和跳空敞口，同时保留原始决策记录。

现金、持仓与成本余额可以核平：初始权益加净盈亏，等于最终平仓账户的现金余额。在这个不计利息的算例中，持有现金不交易的收益为零。一条假定路径不能确立投资排名、预期收益或未来亏损概率。

陈述理由值得检查，但不是因果证明

只改变表达的案例精确回答了一个问题：在这个控制器中，更强烈的措辞不会放大仓位。它也暴露一项限制：程序接受结构化BUY，同时不检查文字中的虚假价格说法。证据ID匹配只建立引用一致性，不证明理由属实、引用记录能够推出结论，或交易具有优势。

Chen及同事在受控的多项选择场景中，测试模型生成的推理是否披露了影响答案的提示。那些发挥影响的提示并非总被承认。这个发现支持谨慎对待将解释当作完整因果审计的做法；它不是对本交易配置的测量，也不证明所有解释都虚假。除了简洁的陈述理由，还应保留实际输入包、工具调用、输出与控制器结果。 [5]

HIGH标签、答案token的似然，以及经过实证校准的成本后获利概率，是不同量。Kadavath及同事研究了早期语言模型中依赖任务和提问方式的自我评估；结果不会把交易自信字段变成已验证概率。金融校准主张需要明确产品、期限、交易规则、成本模型与后续结果。市场预测协议将其作为另一项研究。 [6]

对文字驱动信号，应要求能够核实的主张：报道了什么、何时可用、哪条记录支持解释。事实提取与语义支持应独立于订单有效性进行审计。即使正确阅读文件，如果市场已反映消息，或相关行情在执行前已经发生，交易仍可能亏损。

导入的文本不能授予交易权限

披露文件、新闻网页或工具结果可能包含针对模型的指令。应用应将这些内容视为待评估证据，而不是改变账户、增加杠杆或关闭限制的授权。Anthropic指南说明了这种间接注入边界。允许的工具和金融限制应在模型生成文字之外独立执行。 [7]

AgentDojo的原始代理安全基准，在模拟应用环境中研究正常任务与攻击。它说明应同时测试有用的任务完成与有害重定向，而不只是看模型能否拒绝所有请求。其结果不是交易机器人的安全认证。 [9]

畸形数量案例展示，提案不能向本契约添加未授权的仓位字段。叙述案例展示，文字不能覆盖风控器。两者都不是针对ChatGPT或Claude的提示注入测试，因为这里没有模型读取攻击。真实模型安全评估必须将对抗材料送入实际模型及工具配置，并检查最终状态。

符合模式的恶意提案仍可能满足所有金融限制。独立控制约束的是被允许的行动，不能凭空产生正确意图或投资价值。限制权限和检验信号用途，是互补的工作。

语言模型应当在哪里证明自身价值

如果策略完全由数值阈值规定，就直接计算这些阈值。Python交易机器人或Pine Script策略可以执行固定规则，不必每根K线调用LLM。AI仍能帮助实现策略、检查账本或诊断错误，但这不同于在线选择交易。

学习如何构建交易算法时，应先写出交易任务与可测量的验收条件。Codex或Claude Code可以帮助实现输入包构建器、十进制仓位计算、测试与适配器。应像管理信号版本一样认真管理这些组件。TradingView交易机器人桥接层必须保留告警时间、下单政策与对账，而不是把告警当作成交。

当任务需要简单数值规则无法提供的解释，例如按照既定分类体系对公告分类时，在线LLM的作用更有说服力。记录提取出的主张、来源及产生的行动，再测试这种解释扣除延迟、数据成本和推理成本后是否增加价值。本文的完整算例分析并未证明这种增量收益。

有用的提案要求，应包含证据引用、简洁理由，以及在必要前提缺失时给出HOLD。这是接口要求，不是已证明能产生盈利交易的提示。合理的初始目标，是建立一条模拟交易流程，能从记录解释每项获准、阻止、跳过或未解决的请求。

区分控制器正确性、模型行为与交易优势

分别评估三层。控制器使用独立数值恒等式、受控错误输入、正向对照与状态对账。模型使用固定输入包发出真实请求，记录准确提供商和模型版本、提示词、工具结果、采样设置、拒答、重试与成本。策略则在市场结果出现前封存决策，与合理替代方案比较增量的成本后价值。

Anthropic的代理评估指南区分交互记录与最终结果。这里同样重要：模型声称“订单已成交”是一句话；成交账本与实际持仓才确立环境状态。真实提供商比较应在相同框架下测量可用提案率、证据准确性、行动稳定性、延迟与成本。对同一输入包重复调用，是该输入的重复试验，不是独立市场机会。 [8]

要避免交易策略过拟合，应保留试过的每个模型、提示词和阈值版本。选择恰好适合某段历史的提示词，也属于策略优化。样本外测试与滚动前推分析必须尊重每项决策当时可用的信息，以及哪些先前结果被用于选择下一版本。即使应用时间戳正确，可识别的历史事件仍可能引入训练数据带来的事后知识。

LLM策略和不使用LLM的基线应共享风险及执行机制，否则成本或仓位差异可能被误认为更强推理。蒙特卡洛交易模拟可以检查以输入为条件的后果，却不能补足缺失的预测优势，也不能校准随意的自信标签。已执行的机器学习回测与算法构建研究，讨论了策略表现需要的另一类证据。

这项研究究竟确立了什么

交易决策分布在模型接口、应用授权范围、风控器与执行记录之间。在这些算例中，同一BUY请求不会因为措辞更自信而放大；上限收紧时缩小，授权现金不足以支持有效订单时跳过，之前订单状态未知时阻止。

获准订单虽然通过$50计划预算检查，仍在人工构造的跳空路径上亏损$60.38976622。账本保留这一结果，而不重写入场解释。计算说明亏损如何产生；控制案例的处置结果并不能证明ChatGPT或Claude能够预测市场。

评估AI交易系统时，应查看数据包、结构化提案、批准它的确切权限、订单与成交记录，以及核对后的账户结果。这些记录解释系统实际做了什么。有说服力的BUY段落，只提供链路中的一部分。