标题：当 AI 下场炒 A 股，「推理」成了新的直觉

正文：
近日，一场名为“AI Trading Battle”的实验引发热议。主办方让六个主流大模型（如 ChatGPT、Gemini 等）用虚拟资金进行加密货币交易，结果令人惊讶：DeepSeek V3.1 盈利率超 126%，而 GPT-5 和 Gemini 2.5 Pro 亏损超 50%。这场实验揭示了语言模型在复杂金融环境中的局限性：它们是否清楚“为何下单”？

对此，香港科技大学、美国罗格斯大学和南开大学的研究团队提出了一种名为 RETuning 的方法，让模型在预测前先搜集证据、分析逻辑并反思推理，从而实现“有理有据地思考”。基于中国 A 股市场的验证显示，RETuning 不仅显著提升了预测准确率，还增强了模型的可解释性和泛化能力，为金融领域的 AI 研究提供了新方向。

研究中，RETuning 模型在预测股票“上涨、持平、下跌”任务中表现优异，F1 分数比主流模型高出 10%-20%。即使面对未见过的数据，其表现依然稳定。此外，通过多次推理采样（8-16 次），模型能更慎重地决策，但过多思考会降低效果。

RETuning 的另一个亮点是可解释性。它不仅能给出预测结果，还会详细说明支持与反对的理由，输出接近人类分析师的逻辑报告。相比传统模型的模糊结论，RETuning 的回答更有条理，适合需要深度推理的金融场景。

实验过程同样严谨。研究团队构建了 Fin-2024 数据集，涵盖 5000 多只股票和 20 万样本，并采用三阶段训练：监督微调（SFT）、规则强化学习（Rule-based RL）和推理时扩展（Inference-Time Scaling）。最终，RETuning 在多个指标上超越对照模型，展现出综合优势。

尽管如此，RETuning 仍面临挑战。市场噪声和非理性波动可能影响模型表现，且算力消耗较高。目前实验仅限于 A 股市场，未来还需拓展到其他市场和时间段。不过，这项研究为提升 AI 在金融领域的应用潜力迈出了重要一步。