《AlphaGPT》
Created: 2026-10-20
Updated: 2026-11-04♫ 孤独Person — PRT* / Loce.
知乎原文
如何评价最近从顶级量化交易机构泄露的AlphaGPT？
作者：零一猴子
链接：知乎原文
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
虽然没做过量化交易，但很早就是大 A 里的一棵韭菜。看到这个问题挺感兴趣，抱着学习的心态，在 Claude Code + GLM 4.7 的帮助下，研读了 AlphaGPT 这个项目。
如果你和我一样是量化小白，接下的内容应该能让你了解，这个项目是干什么的，它的工作流程是什么样的，交易策略是什么。
一. AlphaGPT 是什么？
AlphaGPT 是一个量化交易系统。通过强化学习自动生成交易公式（由价格、成交量等因子组合而成），然后全天候监控 Solana 链上的 Meme 币，当发现符合条件的信号时自动买入卖出。
这里面涉一些基本概念，先简单扫个盲。
- Solana：Solana 是一个高性能的区块链平台（类似以太坊），具备超高速交易和极低手续费等特点。相当于区块链界的“高铁”。
- Meme 币：Meme 币是一类加密货币的总称，像大家熟知的“狗狗币”就属于 Meme 币。Meme 币具有投机性极强、缺乏基本面支撑、价格暴涨暴跌等特点。
- 交易公式：交易公式是最终的交易策略（或者叫交易规则），比如当某个条件或者某几个条件满足时，执行买入和卖出操作。
- 因子：因子是交易公式的组成部分，本质是观察市场和判断买卖的一个维度。比如一个交易公式包含了成交量、换手率、价格等因子。
关于交易公式和因子，可以举一个简单的例子。
1 | IF RSI < 30 |
上面就是一个简单的交易公式，包含了 RSI、成交量、股价三个因子。
实际情况会更复杂，因子是有权重的（重要性大小），有的因子权重大，有的权重小。
最后简单总结下，AlphaGPT 是一个用 AI 自动“发明”交易策略，然后在 Solana 链上自动买卖 Meme 币的量化交易系统。
二. AlphaGPT 是如何生成交易公式的？
传统的量化交易里，交易公式通常是人工编写的，包括因子选择和权重定义。机器主要负责严格执行公式计算、触发交易信号、完成下单操作。
而 AlphaGPT 是通过机器学习，来决定交易公式里有哪些因子，这些因子如何组合。
当然，全部因子有哪些（因子库）还是由人工来定义。
比如 AlphaGPT 这个项目就定义了 18 种因子，包括 6 个核心因子 + 12 个扩展因子：
除了因子，AlphaGPT 还定义了 12 个算子（运算符），包括算术运算（加减乘除）、一元运算（取负、绝对值、符号）、时序运算（滞后、衰减、最大值）、逻辑运算（门控、异常检测）。AI 会用这些算子来组合因子，生成最终的交易公式。
现在来看看 AlphaGPT 是如何生成交易公式的（AI 训练过程）。
第一步：准备工作
除了预先定义前面提到的因子库和算子库，还要准备好历史的交易数据（比如价格走势、成交量等等）。此外，还要定义好奖励规则，比如赚钱得正分，亏钱得负分。
第二步：AI 生成公式
使用 Transformer 模型（和 ChatGPT 同类技术）生成 1024 个交易公式，首次是随机生成。
比如生成的一个公式是：[RET, ADD, pressure]，表示 RET + pressure。
第三步：回测公式
利用刚才生成的公式，回测之前的交易数据（对这 1024 个公式分别回测）。也就是把公式应用到历史交易上（过去 5 年），看能否赚钱。
根据交易结果和定义好的奖励规则，计算每个公式的最终得分。
AlphaGPT 的奖励公式大概是这样的：
1 | 奖励 = Sortino 比率（平均收益 ÷ 下行波动率）- 各种惩罚（亏损/过度交易/不持仓/无效） |
从公式可以看出，平均收益率越高，下行波动率越小，亏损、空仓、过度交易等行为越少，最终得分越高。
第四步：更新模型参数
基于回测公式的得分结果（1024 个公式的得分），更新 Transformer 模型的权重。
高分公式能够提高模型生成这类公式的概率，而低分公式则降低这类公式生成的概率。最终，模型生成的公式会越来越理想。
注意，上面第二步到第四步，会重复 400 次（训练轮次）。
另外在训练过程中，会记录历史得分最高的公式，当 400 轮训练结束时，会把得分最高的交易公式保存在文件中，实盘交易时直接加载使用。
三. AlphaGPT 是如何交易的？
首先，AlphaGPT 每 15 分钟从 Solana 链上获取最新的价格、成交量、流动性等数据，作为历史数据存入数据库，用于计算因子的值。
我们知道，在训练阶段，交易公式确定下来。在交易阶段，公式不变，但公式中的因子值是需要实时获取和计算的。比如实时价格可以直接通过接口获取，但趋势和变化就依赖历史数据了。
之后，就进入核心的交易流程。代码会每分钟运行一次，在一次运行里，执行以下步骤。
第一步：加载实时数据
加载 Top 300 代币的最新数据。
第二步：监控现有持仓（执行卖出）
监控现有持仓代币，计算实时的盈亏比例，根据止损条件和 AI 打分，确定是否卖出，以及卖出多少。
其中前三个条件是人为配置好的，最后一个是 AI 计算的。
第三步：扫描新机会（如果持仓未满）
如果持仓数小于 3 时，对 300 个代币执行交易公式。然后按照得分从高到低排序，并筛选出得分大于等于 0.85 的代币（过滤掉已持仓）。
当持仓数大于等于 3 时，停止扫描。
第四步：风控检查
之后，对这些代币进行风控检查，主要是流动性检查（liquidity_usd >= $5000）和蜜罐检查（是否能卖出，防止骗局）。如果判断安全，则执行买入操作。
第五步：执行买入
满足条件后，且钱包余额充足，执行买入操作，单笔买入 2 SOL（2 枚 Solana 代币）。
最后总结下上述步骤：
我的记录
下午军训的时候看这篇关于量化meme的文章非常感兴趣，读第一遍的时候懵懵的但是感觉挺有意思，又读了两遍，然后跟ChatGPT聊了一个小时，让GPT去github上面找源代码，我点进去发现看不懂😂让GPT给我解释，但是我觉得这个就是天意啊，下午想着把这个开源项目和我的自己的监测系统结合起来。
但是晚上军训结束八点半急匆匆赶到图书馆把Github上的源代码发给Codex发现根本不是一回事，我的监测系统是监测几秒内发行的新meme币但是这个alpha是一个自动生成交易规则的，就是我给他列出几个重要的因子，然后alpha去随机搭配因子（每个因子的权重应该也有不过这个更高级）然后生成成百上千个交易公式，然后拿这些公式去真实的币场上交易，最后盈多的稳得就可以列入最佳公式，作为一个可以自动买入的交易策略。
但是呢问题是这个alpha主要作用对象是有点偏向主流币种的，比如说比特币这种，用alpha是会在一个币上面来来回回买卖几十次，但是我做的是在发现一个有潜力的新币然后提前买入再卖出。。。。啧，转念一想，我所买过的meme币里面从头到尾只有一个是正常币。
这里我的脑子里面出现了两个启蒙人，一个是rULe4Ker4pwn，他所做的就是类似alpha的量化，然后另一个就是Kimchi他干的就是我现在想要的入选新币。但是呢其实kimchi背后有一些内幕消息吧😭
我觉得过去我的想法有点太激进了，我只做那些刚出先几秒的meme币，让我的robot去链接pump.fun监测新币，先监测这个发币者的前科然后去监测这个刚发行币的早期买家里面的买家胜率。
！！！其实本质区别在于吃的是哪一段的红利！！！alpha是找到一个真正有价值可以长期存活的币然后去吃这个币反复涨跌中的钱，而我现在这个meme系统吃的是比别人早的钱。
说实话，我感觉论筛选策略的制定肯定是第一个难而且不是一个级别复杂的难，论风险的话肯定是我这个风险高。啊，怎么下手啊，我是否要在二者之间找到一个平衡呢，fuck。
去厕所抽了一根烟冷静了一下，这两者之间根本就没有平衡。这两个本质的区别太大了，我要的超早期买入根本就用不到后续那些什么流动性因子，市场情绪因子，alpha本质是对抗人性的一种交易策略通过机器人绝对理性对抗情绪，但是我要的超早期买入根本撑不到这种时候，我的这种交易是纯割韭菜来的，纯骗来的。
但是我可以买的币的范围肯定币用alpha买的币范围小很多，因为新出的meme币95%都是垃圾币啊，割的就是像我这种超早期买入的人。
今天围着alpha思考了一天感觉没啥用，但是我发现币圈交易其实大致就分为这两种买法（person观点）当然我选择的路走的人比较少，大多数人都是类似alpha的打法。
算了，也不是说今天就没有收获，至少以后看文章我一眼就可以看出这篇文章讲的打法属于哪一类。挺好的，至少今晚对我的交易更深入了解了一点。
但是我隐隐感觉到想要超早期买入的话还有很多东西要知道，啊好烦。pump.fun上面的钱包排行榜绝大部份都是alpha交易打法，根本不是我这种，靠。但其实这是好事啊😂就是还要摸爬滚打挺久的。
好东西还是很多的，多看多思考。军训终于结束了，可以投入更多时间了。道阻且长吧
