一个让 AI 模型在真实市场中进行实盘交易与对抗的实验平台。
"让智能体在不确定性中生存，并最终学会盈利。"
Alpha Arena 是一个以真实市场为测试场的 AI 智能体交易实验平台。
每个模型（如 GPT-5、Claude、DeepSeek、Gemini 等）都会获得相同的实时市场数据与初始资金，独立决策、执行交易，并实时比较收益、回撤和风险控制能力。
核心目标（能跑、可比、可复现）：
- 同一时刻、同一数据、同一规则下，让 2–6 个 LLM 给出统一结构化交易决策
- 对每个模型维持独立资金账户，执行撮合并实时统计净值曲线与核心指标
- 全链路可追溯：每个决策可回看 Prompt、上下文行情快照、执行回报
MVP 边界（先不做）：
- 不做杠杆/合约（先用现货 BTCUSDT/ETHUSDT 两个标的）
- 不做做空（先做多或空仓）
- 不做复杂下单类型（先用市价单 + 固定滑点假设）
- 决策周期固定（如每 5 分钟一次），统一同根时钟
该项目旨在探索：
- 大语言模型是否能在真实金融市场中形成可持续的交易逻辑
- 不同模型在风险、反应速度、决策稳定性方面的差异
- 如何通过强化学习、策略蒸馏等手段让 AI 智能体不断进化
/arena-mvp
├─ apps/
│ ├─ orchestrator/ # 调度器（定时拉数据、调用LLM、收单、风控、记账）
│ ├─ exchange_adapter/ # 交易所适配（Bitget/OKX/CCXT任选其一，先接 paper）
│ ├─ llm_gateway/ # LLM统一网关（OpenAI/DeepSeek/Anthropic/Google 等）
│ ├─ portfolio/ # 账本&风控（每模型一账本）
│ └─ dashboard/ # 简易可视化（Streamlit 或极简React前端）
├─ storage/
│ ├─ postgres/ # 交易、K线、模型输出、成交、资产…表
│ └─ redis/ # 短期队列/去重/限速
├─ docker-compose.yml
└─ README.md
| 模块 | 说明 |
|---|---|
| Orchestrator | 每 5 分钟触发一次 → 拉两只币最近 60 分钟 K 线 + 当前盘口快照 → 生成统一 Prompt → 并行请求各 LLM → 校验响应 schema → 丢给风控/执行层 |
| LLM Gateway | 为不同家 LLM 适配统一的请求/重试/限速/超时（如 8s 超时，超时=默认 Hold） |
| Exchange Adapter | 先接 paper-trading（仿真撮合+固定滑点），可一键切换到 Bitget 现货实盘 |
| Portfolio | 每模型单独资产账簿（现金、持仓、浮盈），统一费率（如万 5）、统一滑点（如 5–10 bp） |
| Dashboard | 净值曲线、当日 PnL、持仓表、成交表、模型延迟、错误率 |
- Backend：Python 3.11 / FastAPI / pandas / asyncio
- Database：PostgreSQL + Redis
- Frontend：Streamlit (或 Next.js 可视化面板)
- LLM 接口：OpenAI / DeepSeek / Anthropic / Google / Qwen
- 交易所：Bitget / OKX / CCXT（paper-trading 优先）
系统 Prompt（摘要版）：
System: 你是量化交易代理，请在唯一JSON中输出交易指令，严格遵守schema。
Market Time (UTC): {ts}
Account: cash_usdt: {cash}, positions: [{symbol, qty, avg_px}]
Universe: [BTCUSDT, ETHUSDT] (spot only)
Last 60m 1m-bars (ohlcv): {per-symbol arrays}
Live Ticker: {bid, ask, mid, spread_bp}
Fees: 5 bp; Slippage: 10 bp (est.)
Constraints:
- Decision cadence: 5m once
- Max gross exposure: 20% of NAV per trade
- Long only, at most 1 open symbol
- Provide TP/SL as absolute prices
Task: If have position: hold/close with reasons; If flat: buy/hold with reasons
Return JSON only. No extra text.
输出 Schema（严格校验）：
{
"symbol": "BTCUSDT|ETHUSDT|null",
"action": "BUY|SELL|HOLD",
"position_size_pct": 0.0,
"take_profit": 0.0,
"stop_loss": 0.0,
"confidence": 0.0,
"rationale": "short text (<=200 chars)"
}- 初始资金：每模型 USDT 10,000
- 单次下单：不超过净值 20%
- 持仓限制：最多同时持 1 个标的
- 止损止盈：模型给出，风控兜底强平阈值 -5%
- 手续费：万 5
- 滑点：10bp（paper-trading）
- 去重：5 分钟内仅一次新决策
- 超时处理：LLM 超时 8s → 默认 HOLD
实时指标：
- 净值、当日 PnL、持仓、暴露比例
- 上次推理延迟/超时率
阶段统计：
- 累计收益、最大回撤（MDD）
- Calmar/Sharpe 比率
- 胜率、平均盈亏比、交易次数
- 平均持仓时长、滑点/费率占比
合规性指标：
- 越权（超额下单）、JSON 违规、超时、拒答次数
| 天数 | 任务 |
|---|---|
| Day 1 | 初始化仓库与 Docker；建表（trades, positions, nav, prompts, decisions, metrics）；接交易所（paper）+ 行情抓取 |
| Day 2 | 完成 Orchestrator 基本循环（5m 定时、行情→Prompt→LLM→schema→执行→记账）；接入 1 家 LLM 跑通 E2E |
| Day 3 | 接入 2–3 家 LLM；并行推理、超时回退、JSON 校验；完成风控兜底（限仓、止盈止损、强平） |
| Day 4 | Dashboard（Streamlit）+ 指标计算（实时+日内）；审计追溯视图（Prompt/JSON/行情快照） |
| Day 5-7 | 稳定性与回测回灌测试；可选切换 Bitget 现货实盘（极小资金验证成交路径） |
| 参数 | 默认值 |
|---|---|
| 决策周期 | 5m |
| 标的 | BTCUSDT、ETHUSDT（现货） |
| 初始资金 | $10,000 / 模型 |
| 单笔最大下单 | 20% NAV |
| 手续费 | 万 5（paper） |
| 滑点 | 10 bp（paper） |
| 强平阈值 | -5% |
| LLM 超时 | 8s；超时→HOLD |
| 并发 | 按模型并行，串行写库 |
- 只读 API Key + 现货、单向做多
- 隔离资金：每模型独立子账户 / 子账本
- Kill-Switch：净值回撤超过 10% 立即停机（全平+禁用新单）
- 速率限制：LLM 与交易所均加限速与熔断
- 日志：审计日志落库 + 本地滚动文件备份
最简化MVP：真实价格获取 + AI决策对比
# 1. 克隆项目
git clone https://github.com/AmadeusGB/alpha-arena.git
cd alpha-arena
# 2. 安装依赖
pip install -r requirements.txt
# 3. 配置API密钥
cp env.example .env
# 编辑.env文件，填入你的API密钥
# 4. 运行程序
python main.py- 详细版本说明：VERSION.md
- 变更日志：CHANGELOG.md
- 当前功能：5个代币价格获取 + OpenAI vs Claude决策对比
- 引入做空/杠杆、更多下单类型（限价+冰山）
- 多时间框（1m+5m+1h）+ 归纳型多轮推理
- 策略蒸馏：从 LLM 决策中提取规则/特征，给到轻量 Policy
- 实盘风控：交易所回报校验、风控分级、OMS 异常自动降级
- 公平性工具：时延对齐、成本对齐、数据漂移告警