这次我们来看一个很有意思的项目用多个大语言模型LLMs各自管理10万美元进行模拟交易同时与一套固定的、不可更改的规则手册frozen rulebook进行绩效对比。结果出人意料在设定的测试场景下规则手册的表现超越了这些AI模型。这个项目的核心不是要证明AI在量化交易中无用而是提供了一个严谨的基准测试框架。它让我们能直观地看到在特定市场条件和约束下纯粹的、无情感的规则系统与复杂的、具备学习能力的LLM之间谁更能稳定执行策略。对于关注算法交易、风险管理或AI应用落地的开发者来说这是一个极佳的沙盒环境可以用来测试策略逻辑、评估模型风险甚至作为教学工具。本文将带你快速了解这个项目的核心设计、如何在自己的环境中部署运行、如何进行回测与对比分析以及如何解读结果。无论你是想验证自己的交易想法还是学习如何构建一个可靠的策略测试平台这篇文章都能提供直接的路径。1. 核心能力速览能力项说明项目类型量化交易策略模拟与基准测试框架核心对比多个LLM驱动的交易代理 vs. 一套固定的自动化规则手册模拟资本每个代理包括规则手册分配10万美元初始资金规则手册状态“冻结”Frozen即在整个测试周期内策略逻辑不可更改LLM角色作为交易代理根据市场信息和分析做出买卖决策主要功能历史数据回测、多代理并行模拟、绩效指标计算、结果可视化对比技术栈通常包含Python、回测库如Backtrader、Zipline、LLM API调用如OpenAI、Anthropic硬件门槛无特殊GPU要求。性能取决于回测数据量和LLM API调用频率普通CPU即可运行。启动方式命令行脚本启动通常包含配置文件和参数指定。是否支持API是项目本身需调用外部LLM API如OpenAI。同时其模拟引擎可设计为提供内部API供结果查询。是否支持批量任务是核心就是批量模拟多个LLM代理和规则手册。适合场景策略原型验证、AI决策与规则系统对比研究、风险管理教学、量化交易入门实验。2. 适用场景与使用边界这个项目非常适合以下几类人量化交易初学者通过直观的对比理解规则化系统与AI决策的差异建立对策略回测和评估的基本认知。AI应用研究者希望将LLM应用于金融时序决策领域需要一個干净的实验环境来评估模型的有效性和稳定性。策略开发者拥有一些交易逻辑想法想快速将其编码为“规则手册”并与现成的LLM能力进行对比寻找灵感或验证逻辑的鲁棒性。教育工作者用于教授量化金融、算法交易或AI风险管理课程提供可动手操作的案例。它能解决的核心问题提供基准为“智能”的LLM交易代理提供一个明确的、可量化的对比基准规则手册。隔离测试在一个受控的模拟环境中公平地对比不同决策逻辑基于规则的 vs. 基于自然语言理解的的表现。风险暴露揭示LLM在金融决策中可能存在的不可预测性、逻辑不一致性或对提示词过于敏感等问题。需要明确的使用边界非实盘交易系统该项目是回测模拟框架所有交易都在历史数据上进行不连接真实交易所不涉及真实资金。切勿直接将其用于实盘交易。历史数据局限性回测表现优异不代表未来能盈利。市场机制变化、流动性差异、历史数据包含的特定模式都可能影响结果。LLM的随机性与成本LLM的输出具有一定随机性且调用商用API会产生费用。测试时需注意设置合理的温度temperature参数和控制实验成本。规则手册的设计是关键规则手册的优劣直接决定了基准的水平。一个设计拙劣的规则手册可能会让LLM“轻易”胜出反之亦然。对比的结论高度依赖于规则手册的设计。合规与授权确保使用的历史数据来源合法合规。如果项目涉及特定数据格式或来源需遵守相关数据使用协议。3. 环境准备与前置条件要运行这个项目你需要准备以下环境。由于这是一个模拟框架对本地硬件要求不高重点在于软件和API配置。基础运行环境操作系统Linux (Ubuntu 20.04) macOS 或 Windows 10/11 (建议使用WSL2以获得最佳体验)。Python版本Python 3.8 至 3.11。推荐使用3.9或3.10兼容性最广。包管理工具pip或conda。核心依赖库项目通常会依赖以下类型的Python库具体名称需根据项目源码确定回测引擎如backtrader,zipline,vectorbt或自定义的模拟器。数据处理pandas,numpy。LLM调用openai(官方库)anthropic 或其他LLM供应商的SDK。配置管理python-dotenv,yaml。结果可视化matplotlib,seaborn,plotly。关键外部服务配置LLM API密钥你需要准备至少一个LLM服务的API密钥例如OpenAI的API Key。这是LLM代理能够运作的前提。历史市场数据项目需要历史价格数据如OHLCV数据进行回测。数据可能以CSV文件形式提供或需要从第三方数据源如Yahoo Finance, Alpha Vantage下载。请提前准备好数据文件或确保网络可以访问数据源。环境检查清单确认Python和pip已安装。准备一个干净的虚拟环境推荐。准备好LLM API密钥并知道如何安全地配置它如使用环境变量。确认有足够磁盘空间存放历史数据通常几百MB到几GB。如果项目使用特定端口提供结果可视化Web服务检查端口如8080, 7860是否被占用。4. 安装部署与启动方式假设项目代码结构清晰我们来看一个典型的部署和启动流程。步骤1获取项目代码通常项目会托管在GitHub上。使用git克隆仓库。git clone 项目仓库URL cd 项目目录名步骤2创建并激活虚拟环境使用venv或conda隔离环境。# 使用 venv python -m venv venv # Linux/macOS source venv/bin/activate # Windows venv\Scripts\activate # 使用 conda conda create -n llm_trading python3.9 conda activate llm_trading步骤3安装项目依赖查看项目根目录下的requirements.txt或pyproject.toml文件安装所有依赖。pip install -r requirements.txt如果项目没有提供requirements.txt你可能需要根据其setup.py或代码中的import语句手动安装相关库。步骤4配置环境变量关键步骤将你的LLM API密钥设置为环境变量避免硬编码在代码中。创建一个名为.env的文件在项目根目录注意此文件应被.gitignore忽略。# .env 文件内容示例 OPENAI_API_KEYsk-your-actual-openai-api-key-here # 如果使用其他LLM例如Anthropic ANTHROPIC_API_KEYyour-antropic-api-key然后在你的主程序或配置加载代码中使用python-dotenv加载这些变量。步骤5准备历史数据根据项目文档将历史数据文件如data/SPY.csv放置到指定目录。或者运行项目提供的数据下载脚本。python scripts/download_data.py --symbol SPY --start 2020-01-01 --end 2023-12-31步骤6启动模拟回测核心启动命令通常是一个Python主脚本接受配置文件或命令行参数。# 示例1使用默认配置运行 python main.py --config configs/default.yaml # 示例2指定数据路径和回测周期 python main.py --data ./data/SPY.csv --start 2022-01-01 --end 2022-12-31 --initial_capital 100000 # 示例3运行特定实验例如只对比GPT-4和规则手册 python run_experiment.py --agents gpt4 rulebook --num_simulations 10启动后程序会开始执行回测加载数据、初始化规则手册和各个LLM代理、按时间步推进、记录每一笔交易和资产变化。步骤7查看结果运行结束后结果通常会以多种形式输出控制台日志打印关键事件、最终绩效摘要。生成结果文件如CSV文件results/summary.csv包含详细的交易记录和每日资产。生成图表程序会自动调用绘图库生成资产曲线对比图、回撤图等保存为PNG或HTML文件如figures/equity_curve.png。启动本地Web报告有些项目会集成一个简单的Web服务器在浏览器中展示交互式报告。python serve_results.py --port 8050然后在浏览器中访问http://localhost:8050。5. 功能测试与效果验证部署成功后我们需要验证项目的核心功能是否按预期工作。以下是关键的测试场景。5.1 基础回测流程测试测试目的确认整个模拟流程能从头到尾执行完毕不报错。操作步骤使用最小的数据集例如1个月的数据和最简单的配置。只启用规则手册和一个LLM代理如GPT-3.5-turbo成本较低。运行回测脚本。预期结果程序顺利执行无Python异常。在控制台看到类似以下的日志输出[INFO] 加载数据完毕共XX个交易日。 [INFO] 初始化规则手册代理... [INFO] 初始化LLM代理gpt-3.5-turbo... [INFO] 开始回测模拟 (2023-01-03 至 2023-01-31)... [INFO] 模拟完成。 [INFO] 规则手册最终资产$100,500.00 [INFO] LLM代理gpt-3.5-turbo最终资产$99,800.00 [INFO] 结果已保存至 ./results/。在输出目录生成结果文件和图表。5.2 多代理并行模拟测试测试目的验证项目能否同时管理多个LLM代理如GPT-4, Claude-3, Gemini与规则手册同台竞技。操作步骤在配置文件中添加多个LLM代理的配置指定不同的模型名称和API密钥如有需要。运行回测。预期结果所有代理包括规则手册都成功初始化并参与模拟。最终结果汇总表中应包含每个代理的绩效指标如总收益率、夏普比率、最大回撤。资产曲线对比图中应有N1条线N个LLM代理 1个规则手册。5.3 规则手册逻辑验证测试测试目的验证“冻结的规则手册”是否真的在整个回测期间逻辑不变且其行为符合代码定义。操作步骤设计一个极其简单的、可预测的规则手册。例如“每天开盘买入收盘卖出”日内交易或者“当价格高于20日均线时持有否则空仓”。针对一小段数据手动计算该规则手册预期的交易行为和最终资产。运行回测将程序输出的规则手册交易记录与手动计算的结果进行比对。预期结果程序输出的交易记录买卖时间、价格、数量与手动计算完全一致。最终资产计算结果吻合。这证明了规则手册模拟器的准确性。5.4 LLM代理决策过程观察测试目的了解LLM是如何做出交易决策的检查其提示词Prompt设计和响应解析是否合理。操作步骤在配置中或代码里开启更详细的调试日志打印出每次调用LLM前的提示词和返回的完整响应。运行一个很短的回测如3个交易日。预期结果在日志中能看到类似内容[DEBUG] 向LLM代理发送提示词 “当前日期2023-01-04。当前资产100000美元。当前持有SPY0股。昨日收盘价... 请分析后决定买入、卖出还是持有请只回复‘BUY’, ‘SELL’ 或 ‘HOLD’。” [DEBUG] LLM响应“基于近期波动我建议持有。HOLD” [DEBUG] 解析决策HOLD这有助于你确认LLM接收的信息是否充分以及决策解析逻辑是否健壮能否处理LLM可能出现的非标准回答。5.5 绩效报告生成测试测试目的验证项目生成的绩效报告是否完整、准确图表是否清晰。操作步骤完成一次完整回测后检查输出的结果文件如CSV和图表。手动验证几个关键指标的计算是否正确。例如用pandas读取交易记录自己计算一下总收益率与报告中的数字对比。预期结果生成资产曲线图能清晰区分不同代理的走势。生成绩效指标对比表格包含年化收益、波动率、夏普比率、最大回撤等关键指标。所有计算出的数据与手动验证结果一致允许极小的浮点数误差。6. 接口API与批量任务这个项目的“接口”主要体现在两个方面一是对外部LLM API的调用二是其本身可能提供的内部API用于查询结果或控制模拟。同时其设计天然支持批量任务。6.1 外部LLM API调用集成项目核心功能之一就是调用LLM API。这部分通常被封装在一个LLMAgent类中。# 示例一个简化的LLM代理决策函数 import openai import os from dotenv import load_dotenv load_dotenv() # 加载 .env 中的 API_KEY class LLMTradingAgent: def __init__(self, modelgpt-3.5-turbo): self.client openai.OpenAI(api_keyos.getenv(OPENAI_API_KEY)) self.model model self.system_prompt 你是一个专业的量化交易员。请根据提供的市场数据做出冷静、理性的交易决策。 def decide_action(self, market_context: dict) - str: 根据市场上下文调用LLM决定行动BUY/SELL/HOLD user_prompt f 当前日期{market_context[date]} 当前资产组合现金 {market_context[cash]:.2f}美元持有 {market_context[position]} 股。 标的物SPY信息 - 当前价格{market_context[current_price]:.2f} - 昨日收盘价{market_context[prev_close]:.2f} - 20日均线{market_context[sma_20]:.2f} - RSI (14日){market_context[rsi]:.2f} 请基于以上信息给出你的交易决策。只回复一个单词BUY, SELL, 或 HOLD。 try: response self.client.chat.completions.create( modelself.model, messages[ {role: system, content: self.system_prompt}, {role: user, content: user_prompt} ], temperature0.2, # 低温度减少随机性 max_tokens10 ) decision response.choices[0].message.content.strip().upper() # 简单的解析和验证 if decision in [BUY, SELL, HOLD]: return decision else: # 如果LLM回复不符合预期默认持有 return HOLD except Exception as e: print(fLLM API调用失败: {e}) return HOLD # 失败时默认持有关键点错误处理API调用必须包含异常处理网络超时或额度不足时应有降级策略如返回HOLD。成本控制通过设置max_tokens和选择合适模型来控制单次调用成本。大量回测前先用少量数据测试。提示词工程system_prompt和user_prompt的设计极大影响LLM决策质量是项目优化的核心。6.2 内部API服务如果提供一些更完善的项目会封装一个Web API服务允许你通过HTTP请求提交新的回测任务或查询历史结果。# 示例使用FastAPI提供简单的内部API假设项目结构支持 from fastapi import FastAPI, BackgroundTasks from pydantic import BaseModel from typing import Optional import uuid app FastAPI() # 内存中存储任务状态生产环境应用数据库 tasks {} class BacktestRequest(BaseModel): data_path: str start_date: str end_date: str agents: list[str] [rulebook, gpt-3.5-turbo] app.post(/run_backtest) async def run_backtest(request: BacktestRequest, background_tasks: BackgroundTasks): task_id str(uuid.uuid4()) tasks[task_id] {status: pending, result: None} # 将耗时的回测任务放入后台 background_tasks.add_task(execute_backtest, task_id, request) return {task_id: task_id, status: started} app.get(/task_status/{task_id}) async def get_status(task_id: str): task tasks.get(task_id) if not task: return {error: Task not found} return {task_id: task_id, status: task[status]} app.get(/task_result/{task_id}) async def get_result(task_id: str): task tasks.get(task_id) if not task or task[status] ! completed: return {error: Result not ready or task not found} return task[result] def execute_backtest(task_id: str, request: BacktestRequest): # 这里是实际调用项目主回测逻辑的地方 try: # 模拟长时间运行 result your_main_backtest_function( request.data_path, request.start_date, request.end_date, request.agents ) tasks[task_id][status] completed tasks[task_id][result] result except Exception as e: tasks[task_id][status] failed tasks[task_id][result] {error: str(e)}启动服务后你可以用curl或Python的requests库来提交任务。# 提交一个回测任务 curl -X POST http://localhost:8000/run_backtest \ -H Content-Type: application/json \ -d {data_path: ./data/SPY.csv, start_date: 2023-01-01, end_date: 2023-06-01} # 查询任务状态和结果 curl http://localhost:8000/task_status/your_task_id curl http://localhost:8000/task_result/your_task_id6.3 批量任务与参数扫描量化研究经常需要批量测试不同参数。项目应支持通过脚本进行批量实验。# 示例批量测试不同LLM模型和不同规则手册参数 import subprocess import itertools # 定义要扫描的参数 llm_models [gpt-3.5-turbo, gpt-4, claude-3-haiku] rulebook_params [param_set_a, param_set_b, param_set_c] initial_capitals [100000, 200000] experiments list(itertools.product(llm_models, rulebook_params, initial_capitals)) for model, rule_param, capital in experiments: print(fRunning experiment: model{model}, rule{rule_param}, capital{capital}) # 构造命令行参数调用主脚本 cmd [ python, main.py, --model, model, --rulebook_config, f./configs/rules/{rule_param}.yaml, --initial_capital, str(capital), --output_dir, f./results/batch/{model}_{rule_param}_{capital} ] result subprocess.run(cmd, capture_outputTrue, textTrue) if result.returncode 0: print(fExperiment completed successfully.) else: print(fExperiment failed: {result.stderr})这种批量任务可以放在后台运行如使用nohup或任务队列并需要完善的日志记录以便事后分析哪组参数表现最好。7. 资源占用与性能观察由于该项目主要进行历史数据模拟和API调用资源占用集中在CPU、内存和网络I/O而非GPU。CPU与内存占用回测引擎数据处理和策略逻辑计算会消耗CPU和内存。对于单只股票几年的日线数据通常占用不超过几百MB内存和单个CPU核心。如果进行高频数据Tick级回测或复杂策略计算资源消耗会显著增加。观察方法在运行回测时可以使用系统监控工具如htop、任务管理器观察Python进程的CPU和内存使用情况。网络I/O与延迟主要瓶颈调用外部LLM API是最大的性能瓶颈和延迟来源。每次决策都需要一次网络请求受API服务响应时间和本地网络状况影响。影响这会导致回测运行速度很慢。模拟一年的日线交易约252个交易日如果每个交易日每个LLM代理都调用一次API那么一个代理就需要252次请求。多个代理会线性增加时间。优化建议缓存对相同的市场上下文可以缓存LLM的决策结果避免重复调用。异步调用如果支持多个LLM代理并行决策可以使用异步IO如asyncio,aiohttp来并发发送API请求大幅缩短总等待时间。降低调用频率不必每个时间步都调用LLM。可以设计为仅在特定信号出现或定期如每周调用LLM进行资产配置调整。磁盘I/O主要发生在读取历史数据文件和写入结果文件时。使用SSD可以加快速度。性能监控示例你可以在代码中添加简单的计时和日志。import time import logging logging.basicConfig(levellogging.INFO) logger logging.getLogger(__name__) class Simulator: def run(self): total_llm_call_time 0 num_llm_calls 0 for date in trading_dates: start_time time.time() # ... 模拟逻辑 ... for agent in llm_agents: decision agent.decide(context) # 内部调用LLM API call_duration time.time() - start_time total_llm_call_time call_duration num_llm_calls 1 logger.info(fLLM调用耗时: {call_duration:.2f}秒) # ... avg_call_time total_llm_call_time / num_llm_calls if num_llm_calls 0 else 0 logger.info(f模拟完成。LLM API平均调用耗时: {avg_call_time:.2f}秒总调用次数: {num_llm_calls})通过这个日志你可以清晰了解API延迟对整体回测时间的影响。8. 常见问题与排查方法在运行此类项目时你可能会遇到以下典型问题。问题现象可能原因排查方式解决方案启动时报ModuleNotFoundErrorPython依赖包未安装或版本不匹配。检查错误信息中缺失的模块名。运行pip list查看已安装包。根据requirements.txt重新安装。或使用pip install missing_module。LLM API调用失败返回认证错误API密钥未设置或设置不正确。环境变量未加载。1. 检查.env文件是否存在且格式正确。2. 在Python中打印os.getenv(‘OPENAI_API_KEY’)的前几位勿打印完整密钥。3. 检查代码中加载.env的语句load_dotenv()是否在调用API之前执行。1. 确保.env文件在项目根目录且包含正确的密钥。2. 重启终端或IDE使环境变量生效。3. 确认代码中正确加载了环境变量。回测运行速度极慢1. 网络问题导致LLM API调用延迟高。2. 每个时间步都同步调用API。3. 数据量过大或策略计算复杂。1. 添加日志记录每次API调用耗时。2. 检查代码是否为同步阻塞式调用。3. 使用性能分析工具如cProfile定位热点。1. 考虑使用API服务的本地代理如果可用或更换网络环境。2. 实现API调用的异步并发。3. 优化数据处理逻辑考虑对数据进行采样或使用更高效的数据结构。规则手册和LLM代理都没有交易市场数据可能有问题如价格全为0或NaN或者策略逻辑的触发条件永远不满足。1. 打印前几行市场数据进行检查。2. 在规则手册和LLM代理的决策函数入口添加日志打印传入的market_context。3. 检查初始资金和交易单位设置是否合理。1. 清洗数据处理缺失值。2. 调整策略逻辑的阈值或条件。3. 确保模拟器正确传递了市场上下文。生成的图表无法显示或保存缺少可视化库如matplotlib或后端配置问题。文件写入权限不足。1. 检查是否安装了matplotlib,seaborn等。2. 检查代码中图表保存的路径是否存在是否有写入权限。3. 尝试在代码中显示图表plt.show()看是否报错。1.pip install matplotlib seaborn。2. 确保输出目录如./figures/存在或让代码自动创建。3. 对于无GUI环境如服务器可能需要设置matplotlib使用Agg后端import matplotlib; matplotlib.use(‘Agg’)。批量任务中部分实验失败某个实验的参数组合导致程序崩溃如除零错误、索引越界或LLM API额度用尽/限流。1. 查看失败实验的日志或错误输出。2. 检查批量脚本的错误处理逻辑是否一个实验失败导致整个脚本停止。1. 在批量脚本中为每个实验添加try…except块捕获异常并记录然后继续下一个实验。2. 针对API限流在代码中添加指数退避重试机制。绩效指标计算结果异常如收益率过高可能未考虑交易成本佣金、滑点或者复权价格数据有问题导致计算失真。1. 检查模拟器是否扣除了交易佣金。2. 检查使用的价格数据是前复权还是后复权是否包含分红派息。3. 手动验证几笔交易的盈亏计算。1. 在模拟器中加入合理的交易成本模型。2. 确保使用一致且正确复权的价格数据。3. 在代码中添加更严格的财务计算校验。9. 最佳实践与使用建议为了更有效、更安全地使用这个项目进行研究和实验遵循以下最佳实践从小开始快速迭代数据先用一小段数据如1个月跑通整个流程验证所有功能。代理开始时只启用规则手册和1个LLM代理减少API调用成本和调试复杂度。参数先使用默认参数理解其含义后再进行调整。成本控制与监控预算设置在LLM API服务商后台设置使用预算和限额告警。本地缓存实现LLM响应的本地缓存基于相同的提示词和市场上下文避免在调试和参数扫描时重复调用相同的高成本API。使用廉价模型测试在开发和非关键测试阶段使用成本更低的模型如gpt-3.5-turbo而不是gpt-4。实验可复现性随机种子如果策略或LLM涉及随机性如随机初始化、LLM的temperature0务必设置固定的随机种子。版本控制使用Git对代码、配置文件和重要的提示词模板进行版本管理。每次实验都对应一个清晰的Git提交或分支。完整记录保存每次实验的完整配置、代码版本、数据来源和最终结果。可以建立一个简单的实验日志如Markdown文件或数据库。深入分析超越胜负不要只关注“谁赢了”。当规则手册领先时分析LLM在哪些市场环境下犯错是提示词引导问题还是模型本身的逻辑缺陷当LLM领先时分析其收益来源是抓住了某次趋势还是通过频繁交易累积了小利它的风险回撤是否可控进行敏感性分析改变规则手册的参数、调整LLM的提示词或温度参数观察结果如何变化。合规与伦理安全数据合规确保你使用的历史数据是合法获取的并遵守其使用条款。提示词安全设计给LLM的提示词时避免诱导其做出带有市场操纵、内幕交易暗示或违反其他金融法规的决策即使在模拟中。结果表述在任何公开分享或报告中必须明确强调这是历史模拟回测不代表未来表现且不构成投资建议。10. 总结与下一步这个“LLMs vs. Frozen Rulebook”的项目提供了一个极具启发性的框架。它最直接的价值在于用一个可编程、可复现的实验环境将“AI黑箱决策”与“透明规则系统”放在同一擂台较量。对于开发者而言它首先是一个强大的策略原型测试工具其次才是AI能力的试金石。你最应该立刻尝试的不是去跑一个长达十年的复杂回测而是亲手实现一个最简单的规则手册比如“跌破10日均线卖出升破20日均线买入”并验证它在模拟器中能正确执行。配置好一个LLM代理用最小的成本比如1周数据跑通一次完整的决策流程看看LLM会对你设计的提示词作何反应。对比两者的交易记录直观感受规则系统的刻板与AI反应的“不可预测性”。最容易踩的坑往往在起步阶段环境配置错误、API密钥未生效、数据路径不对、以及被LLM API的延迟和成本吓到。按照本文的部署和排查步骤能帮你避开大多数入门陷阱。完成基础验证后你可以探索的下一步方向包括优化提示词工程这是提升LLM代理表现最有效的杠杆。尝试不同的系统指令、上下文格式、思维链Chain-of-Thought提示。设计更复杂的规则手册引入多因子、风险管理模块、动态仓位调整提高基准的难度。探索混合系统能否用规则手册处理高频、确定性的操作而让LLM负责低频、战略性的资产配置集成更多数据源除了价格为LLM提供新闻情绪、宏观指标、另类数据等观察其多模态信息处理能力。进行严格的统计检验使用统计方法如bootstrap来判断LLM与规则手册的绩效差异是否显著而非仅仅比较最终收益数字。这个项目就像一座桥梁一边是确定性的算法世界一边是概率性的智能世界。真正重要的不是一次比赛的输赢而是通过构建和对比这个过程深化我们对两者在复杂决策中优劣的理解。建议收藏本文在你搭建自己的交易策略实验平台时随时参考。
