从第一性原理出发：AI底层逻辑与AI交易的实践之路

摘要

大模型的本质是向量运算与模式识别，而非“思考”。将其迁移到金融交易中，预测短期涨跌难以奏效，但识别市场状态（Regime）价值显著。本文解析底层逻辑，探讨Regime识别技术及NoFx基础设施的应用。

一、大模型的底层逻辑：从“黑箱”到向量运算

你可能在使用ChatGPT、Claude等大模型时，会觉得它们像拥有“智慧”，能理解语言、回答问题。但如果拆开来看，它们的本质其实是一套复杂的向量运算。想要理解AI在交易中的应用，我们得先从大模型的底层逻辑说起。

核心思想：用向量表示一切

人类靠词汇和语法表达意思，比如“今天天气不错”，每个词都有明确的含义。但机器不认识这些词汇，它们只“懂”数字。所以大模型做的第一件事，就是把离散的“token”（可以理解为词或子词）转换成连续的向量。

比如，“今天”会被映射成一个高维向量，可能是像[0.12, -0.45, 0.78, 0.23, …]这样包含4096个数字的数组；“天气”则可能是[0.34, -0.12, 0.56, 0.89, …]的4096维向量。这种映射不是人工规定的，而是模型通过分析海量文本自己“学”出来的——在训练过程中，语义相近的词会被放在向量空间中更接近的位置。比如“国王”和“女王”的向量距离很近，而“国王”和“苹果”的距离就很远。

核心计算：向量相似度如何工作？

有了向量表示，模型怎么知道词和词之间的关系呢？这就要靠Transformer中的自注意力（Self-Attention）机制了。

简单说，对于一句话中的每个词，模型都会问：“我应该关注这句话里的其他哪些词？”具体计算时，会生成三个向量：

  • Query（Q）：“我在找什么”
  • Key（K）：“其他词能提供什么”
  • Value（V）：“其他词的实际内容”

然后通过公式Attention(Q, K, V) = softmax(Q · Kᵀ / √d) · V计算注意力。其中，Q和K的点积运算用来衡量两个向量的相似度——方向越接近的向量，点积结果越大，说明它们越相关。再通过softmax把这些相似度变成概率，最后用概率对V做加权求和，就能让每个词都“聚合”起句子中相关的信息。

堆叠与非线性：让模型“有深度”

单层注意力的能力有限，就像一层楼的房子装不下太多东西。所以Transformer会把多层注意力“堆”起来，每层之后再接一个前馈网络（FFN），公式是FFN(x) = activation(x · W₁) · W₂。

这里的activation是ReLU、GELU这类非线性函数，作用很关键：如果没有非线性，再多层的线性变换也相当于一层，模型就失去了“深度”，无法处理复杂问题。

现在很多模型会用MoE（Mixture of Experts）架构，比如DeepSeek、GPT-4（传闻），简单说就是每次计算时不是所有参数都工作，而是动态选择部分“专家网络”参与，这是为了提高效率，不改变底层的计算逻辑。

输出：从向量到概率分布

经过N层处理后，最后一层的向量会乘以一个词表矩阵，得到每个可能出现的token的分数，再通过softmax转换成概率分布。模型要么选概率最高的token，要么按概率“采样”，然后把这个token加回输入，重复整个过程——这就是大模型“生成内容”的原理，本质是自回归生成。

各家模型的差异：换汤不换药

虽然DeepSeek、Qwen、Claude、Gemini、GPT-4等模型各有特点：

  • DeepSeek用MoE架构，还会压缩KV缓存降低成本；
  • Qwen有dense和MoE两条产品线，用SwiGLU激活函数；
  • Claude架构没公开，推测是优化过的dense Transformer；
  • Gemini是多模态设计，文本、图像、音频共享注意力；
  • GPT-4传闻用MoE，8个专家各有220B参数。

但它们的底层逻辑完全一致：把输入转成向量，用点积算相似度，用相似度聚合信息，堆叠多层加非线性，最后输出概率分布。没有“理解”，没有“思考”，就是高维空间里的几何运算。

那么，这套逻辑能用到金融市场吗？我们接着往下看。

二、大模型在“预测”还是“识别模式”？

理解了大模型的计算流程，有个关键问题需要明确：大模型到底在做什么？

表面上看，它像在“预测”。比如给“今天天气”，它输出“不错”的概率最高，看起来是预测了下一个词。但拆开来看，它实际在做的是：

  1. 把当前的上下文（比如“今天天气”）编码成向量；
  2. 在训练过的参数里，找到和这个向量最像的“模式”（比如历史上“今天天气”后面常接“不错”“很好”等）；
  3. 输出这个模式对应的概率分布。

也就是说，它不是“预测未来会发生什么”，而是“识别当前输入最像训练数据中的哪种模式”。

这两者的区别很重要：预测是对未知事件的推断，而识别是对已知模式的匹配。大模型在语言领域好用，是因为自然语言有极强的统计规律——“中华人民共和”后面几乎一定是“国”，“如果…那么…”后面大概率接结果，这些模式在训练数据中反复出现，模型自然能学会。

当你问ChatGPT问题时，它不是在“思考答案”，而是在“找到和你的问题最匹配的模式，然后输出这个模式通常对应的回答”。

迁移到金融市场：问题出在哪？

把这套逻辑用到金融市场，很自然会想到：把市场数据编码成向量，找到历史上最相似的模式，然后预测后续走势。但这里有个根本性问题：金融市场的“下一步走势”和自然语言的“下一个词”，统计特性完全不同。

1. 统计规律的强度差异

自然语言的统计规律极强，给定足够上下文，下一个词的不确定性（熵）很低。但金融市场的短期走势接近随机游走——不管你用技术指标、基本面数据还是链上数据，下一根K线涨还是跌的概率几乎是50:50，信号早就被噪声淹没了。

Pratas等人2023年的研究就显示，用LSTM预测比特币波动率时，模型只能画出更平滑的曲线，对真正重要的“大幅波动”完全没辙。它学到的只是“均值回归”这种弱模式，对极端事件无能为力。

2. 非平稳性

语言的统计规律相对稳定，“苹果”这个词的语义几十年甚至上百年都不会变。但市场结构一直在变：2021年有效的规律，到2024年可能就失效了。监管政策、参与者结构、流动性分布都在演化，你从历史数据里学的模式，面对的可能是一个完全不同的市场。

3. 对抗性

语言生成没有“对手盘”，你预测下一个词是“吃”，没人会故意让它变成“飞”。但金融市场是零和博弈——任何被发现的有效模式，都会因为大量资金涌入套利而失效。市场本身就在对抗所有试图利用模式的人。

结论：模式识别≠预测

所以，大模型的核心能力是模式识别，不是预测。在语言领域，因为模式足够稳定、足够强，模式识别的输出才看起来像预测。但在金融市场，想用同样的方法“预测涨跌”注定会失败，因为短期价格方向的模式太弱、太不稳定、太容易被对抗。

但这并不意味着模式识别在金融领域没用。关键是：我们应该识别什么模式？

三、换个思路：识别市场状态（Regime）

预测涨跌的信噪比太低，但有个相关问题的信噪比高得多：当前市场处于什么状态？

市场不是“均质”的，它会在不同的“Regime”（状态）之间切换，比如：

  • 低波动震荡：价格在窄幅区间内波动，方向不明确；
  • 高波动震荡：波动剧烈但没有明显趋势；
  • 单边上涨：持续走高，回调幅度小；
  • 单边下跌：持续走低，反弹力度弱；
  • 流动性危机：快速下跌，伴随大规模清算。

这些状态有持续性——趋势行情可能持续数天甚至数周，震荡市也是。在时间尺度上，状态的自相关性比单根K线的涨跌强得多。

早在1989年，Hamilton的状态切换模型就开创了这个方向。Wang等人2020年的研究也显示，用隐马尔可夫模型（HMM）识别美股的牛熊状态，在2008年金融危机和2020年新冠崩盘期间，能有效规避大幅回撤。他们的超额收益不是来自预测涨跌，而是在高风险状态时降低仓位。

四、技术路径：市场状态嵌入（Market State Embedding）

既然大模型的框架能识别语言模式，那能不能迁移过来识别市场状态？当然可以。

LLM的逻辑是“token→向量→相似度计算→输出分布”，迁移到市场状态识别就是“市场状态→向量→相似度计算→Regime分类”。

编码器（Encoder）：把复杂数据变成向量

核心目标是：把高维、异构的市场特征（比如价格、成交量、资金费率等）压缩成低维稠密的向量，并且让状态相似的时刻，向量距离更近；状态不同的时刻，向量距离更远。

这里可以参考TS2Vec（Yue等人，AAAI 2022），它是时序表示学习的当前最优方法，在150多个UCR/UEA数据集上表现很好。其核心是“分层对比学习”，通过多时间尺度的对比损失，同时学习“时间戳级”和“实例级”的表示。

训练：如何定义“相似”与“不同”？

训练时用对比学习，需要定义正负样本：

  • 正样本：两个时刻的后续走势相似（比如都是单边上涨）；
  • 负样本：两个时刻的后续走势不同（比如一个震荡、一个下跌）。

也可以参考SoftCLT（ICLR 2024），用“连续相似度”代替非黑即白的“硬标签”，让模型更灵活地学习相似性。

输出：如何得到市场状态？

有两种常用方法：

  • 聚类法：对历史的向量用KMeans或GMM聚类，得到K个类别，再人工解读每个类别的状态含义（比如“类别1对应低波动震荡”）；
  • 检索法：用当前的向量，在历史数据中找最相似的前K个时刻，统计这些时刻的状态分布，直接输出“当前状态最像历史上的哪些时刻”。

检索法的可解释性更强，能给出具体的历史类比，方便理解。

五、对比传统方法：市场状态识别有何优势？

vs 隐马尔可夫模型（HMM）

HMM有两个局限：一是假设观测值服从特定分布（通常是高斯分布），二是状态数量需要预先指定。而神经网络不做分布假设，能处理高维输入，还能自动发现数据中自然存在的状态结构，更灵活。

vs 传统技术指标

ADX、RSI、布林带等指标，每个只能捕捉市场的一个维度，很难处理多因子之间的交互，而且阈值需要人工设定。而端到端的学习能自动发现特征组合，阈值由数据驱动，更适应市场变化。

六、应用场景：状态识别如何指导交易？

识别市场状态的价值，主要体现在策略选择和风险控制上。

策略匹配：不同状态用不同策略

  • 低波动震荡：适合网格策略（在区间内高抛低吸）；
  • 趋势行情：适合趋势跟踪策略（跟随上涨或下跌趋势）；
  • 高波动震荡：适合降低仓位（避免来回止损）；
  • 流动性危机：适合空仓（规避系统性风险）。

风险管理：避开高风险状态

Wang等人的研究表明，状态切换策略的超额收益，主要来自在“不利状态”时降低敞口。比如设定规则：一旦识别到高风险状态（如流动性危机），就把仓位砍半或清仓。不追求抓住每一波行情，但要避开能导致大幅亏损的系统性风险。

七、NoFx：AI交易的基础设施层

有了方法论，落地还需要基础设施。NoFx不是“让大模型预测涨跌”的产品，而是定位为AI交易的基础设施层。

数据层：统一碎片化数据

加密货币市场的数据极度碎片化：中心化交易所（CEX）的API格式不一，链上数据需要自己解析，衍生品数据分散在不同源头。NoFx做的第一件事，就是把这些异构数据归一化，提供统一的访问接口。

具体包含哪些数据？

  • 价格数据：多周期K线（1分钟到1个月）、逐笔成交、加权平均价（VWAP）、不同周期的价格变动百分比；
  • 成交量数据：原始成交量及均线、累计成交量 delta（CVD）、多周期CVD、主动买卖量、成交量异常检测、量价背离指标；
  • 持仓数据：持仓量（OI）绝对值、不同周期的OI变化量和变化率、OI加权价格、多空人数比、大户持仓占比、杠杆分布；
  • 资金费率：当前资金费率、预测资金费率、历史序列、24小时/7天/30天累计资金；
  • 清算数据：多空爆仓量、爆仓比、大额清算事件（单笔超10万美元）、清算热力图、不同周期累计清算；
  • 资金流向：机构/散户的期货/现货净流入、大单买卖（阈值可配置）、交易所资金流入流出、鲸鱼地址异动；
  • 订单簿数据：买卖一档价格及挂单量、盘口价差、不同深度的挂单快照（±0.1%到±2%）、挂单不平衡度、大额挂单检测、订单簿斜率；
  • 技术指标：多种周期的EMA、SMA、MACD、RSI、布林带、ATR、ADX/DMI、随机RSI、OBV、一目均衡表；
  • 波动率：不同周期的已实现波动率、ATR百分比、布林带宽度、价格振幅（最高价-最低价）。

这些数据通过API开放访问，比如调用GET /api/quant-data?symbol=BTCUSDT，就能得到包含资金流向、持仓量、价格变化等信息的JSON数据。

执行层：统一交易接口

不同交易所的API不仅数据格式不同，交易功能（如限价单、市价单、止损单的参数）、仓位精度、杠杆配置也不一样。NoFx抽象出统一的执行接口，支持任意交易所市场，策略层不需要关心底层是哪个交易所。

决策层：AI决策框架

在数据层和执行层之上，NoFx提供AI决策框架：市场数据→特征工程→AI推理→风控过滤→执行。

支持的推理引擎包括DeepSeek、Claude、GPT、Gemini、Qwen等。但AI在这里不是预测涨跌，而是做结构化决策：

  • 多维度市场状态分析；
  • 候选标的筛选排序；
  • 仓位管理和风险评估；
  • 入场/出场条件判断。

输出是结构化的JSON，包含决策、置信度、推理链（Chain of Thought），每次决策的完整上下文都会记录，确保可追溯。

状态识别的集成

状态识别作为决策框架的模块，流程是：市场数据→状态识别→策略路由→AI决策→风控→执行。AI做具体决策时，会收到当前的状态判断作为参考，不同状态下，决策的激进程度、仓位上限、止损宽度会自动调整。

为什么要做NoFx？

AI交易的瓶颈不在模型，而在工程。一个能稳定运行的系统需要：稳定的数据流、低延迟的执行、完善的风控、可追溯的日志、灵活的策略配置。没有这些基础设施，模型再强也没用。

市面上很多AI交易产品是“黑箱”：用户不知道AI为什么开仓，不知道风控逻辑，出问题无从排查。NoFx的设计原则是“透明、可控”：

  • 完整的推理链日志；
  • 可配置的风控（止损、仓位上限、杠杆限制）；
  • 开源，用户可自己部署；
  • 网页UI调参，不需要改代码。

AI交易层：长期目标

NoFx的长期目标是成为AI交易的标准化层，有三个支柱：

  1. 传统量化的工程积累：订单管理、风控引擎、回测框架、执行算法——这些是几十年量化交易沉淀的基础，没有它们，AI就是空中楼阁；
  2. 前沿AI的推理能力：大模型在结构化分析、多因子综合判断、自然语言交互上的优势，是传统规则引擎做不到的，但AI需要被正确约束，不能让它自由“预测市场”；
  3. 严格的数学框架：状态识别、向量相似度、对比学习——这些可验证、可解释的方法，拒绝“AI说买就买”的玄学。

平权化：让每个人都能用AI交易

技术的意义在于服务更多人。目前量化交易的门槛太高：要懂编程、金融、数据工程、风控，还要有资金接入机构级数据和执行通道，散户很难参与。

NoFx想做的是“AI+量化的平权化”，提供可视化的AI交易编排系统：

  • 不用写代码：策略逻辑、风控规则、AI参数都能在网页UI上配置；
  • 不用懂量化：预置策略模板覆盖常见场景，调参数就行；
  • 不用自建基础设施：数据、执行、风控、日志全由平台提供；
  • 完全透明：每次AI决策的输入、推理、输出都可查。

就像Excel让每个人能做数据分析（不用学SQL），Figma让每个人能做设计（不用学Photoshop），NoFx希望让每个人能编排AI交易策略，不用成为量化工程师。开源是必然选择，基础设施必须可信、可审计。

八、局限性：理性看待AI交易

AI交易不是“圣杯”，有其局限性：

  • 过拟合：模型可能只是记住了历史模式，泛化能力存疑，需要用样本外数据验证和滚动回测；
  • 状态漂移：市场结构在演化，历史状态的特征可能不再适用，需要持续监控和定期重训练；
  • 识别延迟：状态切换的识别必然有滞后，需要在敏感度和误报率之间做取舍。

它的价值不在于预测，而在于提供结构化的市场状态描述，辅助策略选择和风控。

九、写在最后：从第一性原理出发的思考

做AI交易这件事，出发点应该是第一性原理：不是看到“AI交易”这个词就跟风，而是先问“AI的计算本质是什么？这个本质能迁移到金融场景吗？迁移过来应该解决什么问题？”

答案是：向量相似度计算可以迁移，但目标不该是预测涨跌，而是识别市场状态。

另一个出发点是用户导向：技术再厉害，如果只有专业团队能用，意义有限。真正有价值的产品，应该让完全不懂代码的交易者也能上手——专业性体现在底层架构和方法论，易用性体现在产品交互，把复杂的东西做简单，才是真本事。

目前NoFx的用户反馈也验证了这个方向：GitHub两个月收获9500+星标，一个半月为Binance带来1800+新增KYC首次交易用户，实际使用用户超9万人，交易量持续增长。这说明市场确实需要这样的工具：普通交易者想要专业级的AI交易能力，但不想花几个月学量化编程。

NoFx正在做的，就是把机构级的数据、执行、风控能力，封装成任何人都能用的产品——让技术服务大众，而不是少数人。

参考文献

  1. Yue, Z., et al. (2022). TS2Vec: Towards Universal Representation of Time Series. AAAI 2022.
  2. Soft Contrastive Learning for Time Series. ICLR 2024.
  3. Niroshan, G., et al. (2025). TS2Vec-Ensemble. arXiv.
  4. Wang, M., Lin, Y.H., & Mikhelson, I. (2020). Regime-Switching Factor Investing with Hidden Markov Models. Journal of Risk and Financial Management.
  5. Hamilton, J.D. (1989). A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle. Econometrica.
  6. Yuan, Y., & Mitra, G. (2019). Market Regime Identification Using Hidden Markov Models. SSRN.
  7. Pratas, T.E., et al. (2023). Forecasting Bitcoin Volatility: Exploring the Potential of Deep Learning. Eurasian Economic Review.
  8. Omole, O., & Enke, D. (2024). Deep Learning for Bitcoin Price Direction Prediction. Financial Innovation.
  9. Huang, Z.C., et al. (2024). Forecasting Bitcoin Volatility Using Machine Learning Techniques. Journal of International Financial Markets.

常见问题（FAQ）

问：大模型真的能“理解”市场吗？
答：不能。大模型的本质是向量运算和模式识别，它不会“理解”市场，只是通过历史数据学习模式，然后匹配当前输入。

问：为什么AI不适合预测金融市场的短期涨跌？
答：因为短期走势接近随机游走，信号被噪声淹没；市场结构会变（非平稳性）；而且是零和博弈，有效模式会被套利掉。

问：Regime识别和传统技术指标有什么区别？
答：传统指标只看单一维度，阈值人工设定；Regime识别是端到端学习，自动处理多因子交互，阈值由数据驱动，更适应市场变化。

问：NoFx是如何保证透明性的？
答：通过完整的推理链日志、可配置的风控规则、开源代码和可自行部署的特性，让用户能看到每一步决策的逻辑，排查问题。

问：普通人使用NoFx需要懂编程吗？
答：不需要。NoFx提供网页UI，策略逻辑、风控规则、AI参数都能通过界面配置，预置模板覆盖常见场景，调参数即可使用。