近来有观点认为：“既然策略规则、因子和提示词都已经写好了，那用 LLM似乎没有必要，直接自动交易即可。所以松鼠的派大星就是一个套壳大模型的人脑策略，LLM只是掩盖它是机械交易系统的真面目。”

松鼠不反驳并不代表认同你的观点，我真的很烦做这种说服别人的事，因为所有的讨论到最后都变成了抬杠，还不如去打两把CS来的痛快。如果换成以前的吕总，能把你喷的体无完肤。我不好斗嘴，只想做自己的事。以下是我们从年初开始研究LLM用于量化交易的经验总结，认同与不认同无所谓，我根本不在乎。如果不是pandaai的李总邀请解答，我真T苗懒的写。

你没看到的是 LLM 在执行里真正解决了哪些 传统策略做不了的问题：

LLM策略与传统策略的鸿沟：规则不是代码，信号不是数字

传统策略要求：

• 明确的输入

• 明确的逻辑判断（if-else）

• 明确的输出

但我们实际使用的信号包括：

• “多头短期震荡”

• “空头主动”

• “强主买突破”

• “触发与状态矛盾”

• “多周期方向不一致（短多长空）”

• “共振不足但趋势未坏”

• “横向对比评分有差距但不显著”

这些信号本质上是语义性、模糊性、非结构化的交易现象描述。
它们不是固定阈值，不是布尔条件，也不是机械规则。

传统策略能处理：

但无法处理：

这不是一个简单公式能覆盖的逻辑，而是需要 语义理解 + 上下文推理 + 条件解释 的过程。

这正是传统策略所不能及的部分，我们松鼠有大量的传统规则策略，所以我们深知它的痛点。

自动化写死规则＝僵化；AI＝自适应解释执行

同样一句信号：

“空头短期震荡 + 强主买突破”

自动系统会卡住：
是多？是空？是平？还是观望？

大模型能做的是：
理解模糊信号 → 融合上下文 → 还原真实市场含义

这是传统 if-else 根本做不到的。

多周期（5M/15M/30M）独立评分 + 截面排序 → 传统策略要写几十个模块才行

传统策略只能跑固定逻辑，
但是市场每天都变化：

• 品种强弱变化

• 分数变化

• 风险等级变化

• 对冲结构变化

AI 可以在没有硬编码的情况下：

• 自动判断趋势强弱

• 自动跨品种排序

• 自动加减分

• 自动输出多空结构

• 自动风控

这不是写死能做到的，是 实时理解 + 决策。

多周期 + 多品种 + 截面排序 = 规则复杂度指数爆炸

派大星每次决策都会处理：

• 6 个品种 ×

• 3 个周期 ×

• 18 组时序信号 ×

• 多阶段得分结构（状态 + 触发 + 共振） ×

• 再做横向排序（截面强弱） ×

• 再结合当前持仓判断换仓/观望/平仓

• 再生成 JSON 下单指令

这是一个复杂的决策树，不是一个简单策略。

如果把所有规则写成自动化代码，至少 3000 行起步，而且非常容易出错。
LLM 的作用就是把复杂决策语言化、模块化、自动化。

LLM 是一个能理解语言、执行指令、进行复杂推理的通用决策引擎。

它最强的能力是三件事：

✔ （1）理解半结构化信息（人能懂、程序不懂的那种）

例如：

• “多头短期震荡”

• “强主买突破”

• “空头主动”

• “长线向上，短线回调”

• “共振不足”

• “背离程度较弱”

这些不是数学信号，是“语义信号”。
程序不懂，LLM 懂。

✔ （2）理解规则并灵活执行（不是 if-else，而是推理）

例如规则是：

“状态 + 触发 + 共振 → 评分 → 排序 → 决策”

LLM 可以：

• 动态解释规则

• 处理规则冲突

• 调整规则优先级

• 做跨周期推理

• 做决策一致性校验

这是传统自动交易系统完全做不到的。

✔ （3）在复杂上下文中做推理（不是算公式）

例如：

30M 多头趋势很强，但 15M 出现短期空头背离，5M 又出现强主买突破，应该怎么办？

程序：
❌“不知道，规则写死了。”

LLM：
✔“长线主导，中线回调，短线反弹，综合 → 观望或减仓。”

这就是 LLM 的价值——
让机器具备“理解力 + 推理力 + 决策力”

因子是“原料”，
提示词是“规则”，
派大星是“厨师”。

传统策略只能照着菜谱摆盘；
派大星能根据真实情况判断火候、顺序、优先级、风险和组合结构。

这就是为什么它不是套壳，而是一个 AI 决策 Agent。