本文目录导读：
先厘清“AI交易”的类型 Spectrum
不同产品声称的“AI”差异巨大，先定位其真实层级：
| 层级 | 特征 | 典型代表 |
|---|---|---|
| L0 伪AI | 固定规则/指标组合，无学习能力 | 简单网格、均线策略包装 |
| L1 规则+优化 | 参数经回测优化，但线上不更新 | 传统量化策略 |
| L2 机器学习辅助 | 用ML做信号预测/特征工程，但决策链固定 | 部分量化基金 |
| L3 端到端学习 | 模型直接从数据到交易决策，持续在线学习 | 少数研究型系统 |
| L4 自适应多智能体 | 多模型协同、环境感知、动态策略切换 | 前沿探索阶段 |
分析要点： 要求对方说明模型类型（监督/强化/LLM代理）、训练数据、更新频率，若无法说清，大概率停留在L0-L1。
核心分析维度
决策逻辑的可解释性与复杂度
- 黑箱程度：是否能看到信号生成逻辑？纯黑箱不一定是坏事，但需配合严格的風控验证。
- 是否真正“学习”：模型权重是否随新数据更新？还是仅用历史数据训练一次后冻结？
- 特征维度：仅用价格/成交量（低智能化），还是融合链上数据、订单簿微观结构、社交情绪、跨市场关联（高智能化）？
在线学习与适应性
- 概念漂移处理：加密市场 regime 切换极快（牛熊、叙事轮动），系统是否有在线学习/增量训练机制？
- 过拟合检验：要求看样本外（out-of-sample）和前向滚动（walk-forward）回测，而非单次历史回测。
- 自适应证据：在不同市场阶段（如2022熊市 vs 2024牛市）的表现是否稳定？策略是否自动切换？
执行层面的智能
- 订单执行：是否用RL做最优执行（拆单、择时下单）？滑点控制如何？
- 风控智能化：仓位管理是固定比例还是动态风险预算（如VaR约束、凯利公式变体）？
- 异常检测：能否识别闪崩、流动性枯竭、异常链上活动并自动降仓？
多模态/多源信息融合
高智能化系统通常融合：
- 链上数据（巨鲸动向、交易所流入流出、稳定币铸造）
- 订单簿/成交微观结构
- 衍生品数据（资金费率、未平仓合约、期权偏斜）
- 社交/新闻情绪（NLP处理）
- 跨资产关联（BTC与美股、DXY相关性变化）
仅有K线输入的“AI”智能化程度有限。
验证与透明度
- 实盘 vs 回测差距：要求提供实盘track record（至少6-12个月），对比回测表现，差距大说明过拟合或执行问题。
- 基准对比：是否跑赢简单基准（如买入持有BTC、等权配置）？夏普、最大回撤、Calmar比率如何？
- 归因分析：收益来自alpha还是beta？是否只是杠杆放大的市场暴露？
关键质疑清单（尽调问题）
- 模型多久重新训练一次？用什么数据？有无防止数据泄漏的机制？
- 回测是否包含手续费、滑点、资金费率？是否做了walk-forward验证？
- 实盘运行多久？实盘与回测的夏普/回撤差异多大？
- 策略容量多大？资金规模上升后是否失效？
- 极端行情（如312、519、FTX暴雷）表现如何？是否有熔断/降仓机制？
- “AI”具体指什么？是LLM生成研报，还是ML做信号，还是RL做执行？
- 是否有第三方审计或托管验证的业绩证明？
警惕的“伪智能化”信号
- 只展示漂亮的历史回测曲线,无实盘或实盘时间极短
- 强调“胜率90%+”但回避盈亏比和回撤
- 用“神经网络”“深度学习”等术语但无法说明网络结构和训练方式
- 策略在不同资金规模下表现突变（容量问题）
- 业绩展示选择性截取时间段
- 承诺固定收益（违背市场有效性）
评估结论框架
可将分析结果映射到：
- 智能化程度（L0-L4定位）
- 可信度（验证充分性、透明度）
- 适用性（策略容量、市场环境依赖度）
- 风险特征（尾部风险、过拟合风险、执行风险）
核心判断： 真正高智能化的交易系统，其价值不在于“AI”标签，而在于可验证的样本外泛化能力和对市场结构变化的适应速度，任何无法提供严谨样本外验证和实盘记录的“AI交易”，都应默认按低智能化处理。
如果你有具体想分析的某个AI交易产品/策略，可以提供其公开信息，我可以按上述框架做针对性拆解。
版权声明：