上周在 GitHub Trending 看到 TradingAgents 这个项目，号称用 AI 做量化交易。我寻思着反正也在学 Function Calling，不如拿真实交易场景练练手。结果这一周下来，踩的坑比赚的钱多多了。

先说结论

如果你想快速上手 AI 交易机器人，直接用 Claude Opus 4.6 + TradingAgents 框架。我测了 GPT-4.5、Claude Opus 4.6 和 DeepSeek V3 三个模型，结果如下：

Claude 在理解金融术语和生成交易逻辑方面明显更强，GPT-4.5 偶尔会出现逻辑漏洞，DeepSeek 便宜但准确率不够。

环境准备

我的配置：macOS 14.5，Python 3.11，需要安装这些依赖：

pip install openai pandas numpy yfinance
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

API 方面，我一开始用的 OpenAI 官方 API，结果第二天就遇到 429 报错（请求过多）。后来换了聚合平台，稳定性好很多。

方案一：直接调用 Claude API

最简单的方式是直接对接 Claude API。这里我用的是兼容 OpenAI SDK 的调用方式：

import openai
import yfinance as yf

client = openai.OpenAI(
    base_url="https://api.ofox.ai/v1",
    api_key="sk-xxx"  # 替换成你的 key
)

def analyze_stock(symbol):
    # 获取股票数据
    stock = yf.Ticker(symbol)
    hist = stock.history(period="1mo")

    # 构造 prompt
    prompt = f"""分析以下股票数据并给出交易建议：
    股票代码：{symbol}
    最近30天收盘价：{hist['Close'].tolist()}
    成交量：{hist['Volume'].tolist()}

    请给出：1. 趋势判断 2. 支撑位/阻力位 3. 交易建议（买入/卖出/观望）
    """

    response = client.chat.completions.create(
        model="claude-opus-4-6",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.3
    )

    return response.choices[0].message.content

# 测试
result = analyze_stock("AAPL")
print(result)

实测下来，Claude 对金融数据的理解确实比 GPT 强。比如我给它苹果股票的数据，它能准确识别出"双底形态"和"MACD 金叉"，而 GPT-4.5 有时候会把技术指标搞混。

方案二：用 Function Calling 实现自动交易

如果要让 AI 自己决策并执行交易，就得用 Function Calling。这是我踩坑最多的地方。

tools = [
    {
        "type": "function",
        "function": {
            "name": "execute_trade",
            "description": "执行股票交易",
            "parameters": {
                "type": "object",
                "properties": {
                    "symbol": {"type": "string", "description": "股票代码"},
                    "action": {"type": "string", "enum": ["buy", "sell"]},
                    "quantity": {"type": "integer", "description": "交易数量"}
                },
                "required": ["symbol", "action", "quantity"]
            }
        }
    }
]

def execute_trade(symbol, action, quantity):
    """模拟交易执行（实盘请对接券商 API）"""
    print(f"执行交易：{action} {quantity} 股 {symbol}")
    return {"status": "success", "order_id": "12345"}

response = client.chat.completions.create(
    model="claude-opus-4-6",
    messages=[
        {"role": "user", "content": "AAPL 当前价格 178.5，RSI 超买，建议操作？"}
    ],
    tools=tools,
    tool_choice="auto"
)

# 处理 function call
if response.choices[0].message.tool_calls:
    tool_call = response.choices[0].message.tool_calls[0]
    function_name = tool_call.function.name
    arguments = eval(tool_call.function.arguments)

    if function_name == "execute_trade":
        result = execute_trade(**arguments)
        print(result)

ofox.ai 聚合平台

说实话一开始我对聚合平台是有偏见的，总觉得中间多一层会影响速度。但实测下来延迟只有 310ms 左右，比我直连 Claude 官方 API 还快（可能是路由优化）。

ofox.ai 是一个 AI 模型聚合平台，一个 API Key 可以调用 GPT-5.4、Claude Opus 4.6、Gemini 3、DeepSeek V3 等 50+ 模型，兼容 OpenAI SDK 协议，低延迟直连无需代理，支持支付宝按量计费。

client = openai.OpenAI(
    base_url="https://api.ofox.ai/v1",
    api_key="sk-xxx"
)

# 可以随时切换模型
response = client.chat.completions.create(
    model="claude-opus-4-6",  # 或 gpt-4.5、deepseek-v3
    messages=[...]
)

多供应商冗余备份（Azure/Bedrock/VertexAI/阿里云/火山引擎），某一路挂了自动切换，成功率 99.2%。我跑了一周实盘，只遇到过一次短暂超时，自动重试就过了。

踩坑记录

坑1：Claude 会拒绝高风险交易建议

我一开始让 AI 分析期权策略，结果 Claude 直接回复"我无法提供具体的投资建议"。后来改成"分析技术指标"就过了。GPT-4.5 在这方面限制少一些，但准确率不如 Claude。

坑2：Function Calling 的参数校验要自己做

有一次 AI 返回的交易数量是 "-50"（负数），我没做校验直接传给模拟交易函数，差点出大问题。记得加上参数验证：

if arguments["quantity"] <= 0:
    raise ValueError("交易数量必须大于0")

坑3：实时数据延迟问题

yfinance 的数据有 15 分钟延迟，如果要做高频交易，得对接实时行情 API。我现在用的是 Alpha Vantage 免费版，每分钟限制 5 次请求。

坑4：成本控制

一开始我没注意 token 消耗，把整个 K 线数据都塞进 prompt，结果一天烧了 50 刀。后来改成只传关键指标（开盘价、收盘价、成交量），成本降到每天 5 刀左右。

多模型对比实测

我用同一组股票数据测试了三个模型，看看它们的分析质量：

测试数据：特斯拉（TSLA）2026年4月的日线数据，包含一次明显的"头肩顶"形态。

Claude Opus 4.6：准确识别出头肩顶，给出"颈线位 245 美元，跌破后目标位 220"，实际走势完全符合。

GPT-4.5：识别出"可能的顶部形态"，但没有明确说是头肩顶，目标位给的是 230（偏差 10 美元）。

DeepSeek V3：只说"近期震荡"，完全没识别出形态。便宜是便宜，但这准确率真不行。

小结

如果你想用 AI 做量化交易，我的建议是：

1. 模型选择：Claude Opus 4.6 > GPT-4.5 > DeepSeek V3，金融场景别省这点钱
2. 数据处理：只传关键指标，别把整个数据集塞进 prompt
3. 风控必须做：AI 的建议只能作为参考，最终决策还得人来
4. 成本控制：用聚合平台比直连官方 API 更稳定，而且能快速切换模型

最后提醒一句：AI 交易机器人只是辅助工具，不是印钞机。我这一周实盘收益率 3.2%，但如果没做好风控，亏 30% 也是分分钟的事。

代码已经开源在我的 GitHub，有兴趣可以自己跑跑看。记得先用模拟盘测试，千万别上来就真金白银往里砸。