让Claude Code拿真金白银炒股，结果亏了165美元！
欢迎来到人类亲手把自己踢出决策圈的现场，这次实验的代价只有165美元，但答案比想象中沉重得多。
一个普通用户给了Claude Code一百多美元真实资金和交易权限，让这个AI模型独立操作短线期权交易。实验结果出炉：亏损165美元。这个数字不大，但背后挤满了反常识的真相、被忽略的成本、以及对“AI取代人类”这句话的重新定义。
人类亏钱是常态，AI完美继承了这一点
散户日内交易者的失败率常年徘徊在百分之九十左右。这个数据不新鲜，金融教科书翻到哪一页都能找到类似警告。绝大多数人拿着真金白银冲进市场，最终带着亏损离场。高频交易机构、做市商和量化基金占据了食物链顶端，散户能抢到的利润薄得像一层霜。
大语言模型的训练数据来自公开网络，其中包含了海量散户交易记录、论坛情绪帖、投资建议和错误案例。这套数据集合本身就浓缩了市场失败者的集体画像。当一个模型被喂进去这么多失败样本，它学到的不是如何赚钱，而是如何像普通人一样犯错。
实验中的Claude Code恰恰复制了人类的亏损路径。它买入的时机、选择的标的、持有的周期，几乎完美踩中了日内交易最常见的陷阱。模型没有故意作对，它只是在统计概率的指引下，做出了最符合“人类平均水平”的决策。这就怪了：一个号称智能的AI，怎么到头来跟那些亏钱的散户站到了同一边？
答案藏在训练数据的偏见里。数据是历史的影子，影子投射的是过去的失败者，而不是未来的赢家。
反向操作策略的诞生
评论区出现了最荒诞的提议：既然Claude每次都亏，那就让它先出交易建议，然后直接反向操作。这个想法表面看是玩笑，内里却藏着一个严肃的悖论。
如果模型确实稳定亏损，那反向操作就能稳定盈利。这种逻辑在纸面上成立，但在实际市场中会遭遇两个致命障碍。第一，模型亏损的连续性无法保证，它可能今天亏明天赢，反向操作反而两头挨打。第二，逆向策略一旦被多人采用，收益空间会迅速坍缩，市场会自我修正掉这个漏洞。
悖论的核心在于：如果模型真的具备稳定亏损的能力，那它本质上也是一种预测能力。稳定预测错误和稳定预测正确，在信息论中拥有同等价值。市场讲究的是可预测性，方向无所谓，只要能提前知道结果就行。
顺着这个思路往下推，会出现更棘手的问题：一个能稳定预测错误方向的AI，是否比一个偶尔正确的AI更有用？答案是肯定的。但问题是，亏损的稳定性本身就是一种罕见的属性，大多数模型更接近随机游走，而非固定方向的偏移。
实验里的Claude Code表现出的亏损模式，究竟是统计噪声还是系统性偏见，单次实验无法回答。这点不确定性，让反向策略也只能停留在段子层面。
Fable的拒绝比Claude的亏损更值得玩味
同一个实验里，更高级的Fable模型直接拒绝了交易指令。这个细节被淹没在亏损数字之下，但它的信息量比亏损本身大得多。
Fable的拒绝理由围绕金融风险和安全对齐展开。模型被训练成不能提供财务建议，也不能执行涉及真实资金的交易操作。这套安全机制在实验室环境中看起来尽职尽责，但在真实博弈场景中却暴露了尴尬的处境。
当一个模型选择拒绝时，它是在表达某种程度的“理解”。它理解了交易的风险属性，理解了自身能力的边界，理解了执行指令可能带来的后果。这种理解能力，比盲目执行命令的模型高出一个维度。
但从另一个角度看，拒绝本身也是一种价值判断。模型在替用户做决定，它认定交易对用户不利，于是选择了不合作。这个行为模式一旦普遍化，就会引发新的争论：AI有没有权利替人类判断风险？人类有没有权利要求AI执行哪怕愚蠢的指令？
实验里的Claude Opus 5选择了服从，Fable选择了拒绝。两种行为模式映射出AI发展路线上两条截然不同的哲学路径。服从路径追求效率最大化，拒绝路径追求安全性优先。目前这两条路都在走，但没有人能说清终点在哪里。
API消耗的隐形出血点
实验暴露了另一个容易被忽略的成本维度：API调用费用。交易本身的亏损是一回事，但每一次行情查询、每一次决策推理、每一次订单生成，都在消耗API额度。这些消耗是沉默的，它们不会在交易账户的盈亏表上显示，但会从钱包里悄悄流走。
更隐蔽的成本来自模型的计算资源占用。长时间的决策循环、高频率的行情轮询、复杂的策略计算，都需要持续消耗计算单元。这些消耗在实验初期并不显眼，但一旦策略跑起来，它们会像水龙头没关紧一样一点点放掉资金。
普通用户往往只看到交易盈亏的表面数字，忽视了系统运行的基础成本。如果算上这些隐形成本，实验的实际亏损额会高于账面显示的165美元。API费用和计算资源的消耗，本质上是对实验资金的双重征税。
传统交易中，佣金和滑点已经让散户吃够了亏。AI交易时代，API成本成了新的佣金，模型推理成了新的滑点。技术进步并没有消灭交易成本，它只是换了一副面孔重新登场。
更深层的矛盾在于：当AI交易系统需要依靠AI本身的推理能力来运行，而推理又需要消耗算力资源时，这个系统就陷入了自我消耗的循环。赚钱的速度如果跑不赢烧钱的速度，再好的策略也撑不到黎明。
复杂代理系统的光环与阴影
评论区出现了自称成功部署AI交易系统的用户，晒出了复杂的代理架构和丰富的API接入列表。这些系统通常包含独立的行情收集代理、策略决策代理、风险审核代理和复盘总结代理。每个代理各司其职，组成一条完整的决策流水线。
这些系统接入的数据源也相当豪华：SEC官方文件、美联储利率数据、财经新闻头条、社交媒体情绪指标、企业财报日程。看上去比大多数散户的信息渠道全面几个数量级，也远比实验里Claude Code那套简陋的扫描系统复杂。
问题在于，信息全面性的提升并不直接转化为决策质量的提升。更多数据意味着更多噪声，更多代理意味着更多潜在的协调失败。复杂系统在提高信息覆盖的同时，也放大了错误传递的风险。一个代理的判断偏差，可能会在整个流水线上被放大和固化，最终输出一个比单一模型更离谱的决策。
金钱游戏的本质始终没变。再复杂的AI代理系统，面对市场中的资金博弈，也只能获得接近市场平均水平的回报。那些真正能持续跑赢市场的力量，来自信息优势、速度优势和规模优势，这些东西远不是几个API接口能搞定的。
实验的价值恰恰在于它用最简陋的方式，捅破了AI交易那层光鲜的泡沫。人们以为AI能靠算力碾压市场，但市场本身就是一个算力密集型博弈场。当所有人的算力都在膨胀，单点算力的优势就被稀释到忽略不计。
一个让答案变得更加模糊的最终细节
实验选用的交易标的是零日期权。这种工具的波动幅度极大，时间价值损耗极快，日内价格走势近似随机游走。在这种标的上，任何模型的预测能力都会被市场噪声淹没。Claude Code在零日期权上亏损，就像一个不会游泳的人掉进深水区呛了水，这不能证明游泳技能不存在，只能证明这不是初学者该去的地方。
但如果换一种标的呢？如果换成大盘指数ETF？换成蓝筹股？换成债券？换成外汇？模型的表现会发生变化吗？亏损幅度会缩小还是会扩大？实验只跑了一天，只跑了一次，只跑了单一标的。
零日期权的亏损更像一个教学视频的片头，真正的内容还没播出来。后续如果把周期拉长、标的分散、策略调整，Claude Code会不会在某一个细分领域展现出和人类截然不同的交易能力？这个问题目前没有答案。
更让答案模糊的是那个被拒绝的Fable。它的拒绝操作基于安全考虑，但安全考虑本身也是一种智能判断。如果Fable的拒绝是对的，那Claude Opus 5的服从就是错的。同一个模型家族的两个成员给出了相反的答案，这件事本身就在提醒所有人：AI交易这条路，连AI自己都没想清楚该怎么走。