AI 两周赚 1570U？真正该研究的不是收益，而是“人类筛选”到底贡献了多少
原帖最抓眼球的地方，是一句自然语言生成交易工作流，以及作者两周约 1570U、约 70% 胜率的阶段结果。真正值得 alphahole 保留的，却不是这组数字。 因为作者自己已经写出一个会改变结论的细节：他没有执行报告里的全部信号。 他会再看大盘、流动性、止损距离、盈亏比和行情结构，只挑自己认可的机会开单。也就是说，最后这组 PnL 不是“Minara 全量信号的成绩”，而是“AI 给候选
AI 两周赚 1570U？真正该研究的不是收益，而是“人类筛选”到底贡献了多少
原帖最抓眼球的地方，是一句自然语言生成交易工作流，以及作者两周约 1570U、约 70% 胜率的阶段结果。真正值得 alphahole 保留的，却不是这组数字。
因为作者自己已经写出一个会改变结论的细节：他没有执行报告里的全部信号。 他会再看大盘、流动性、止损距离、盈亏比和行情结构，只挑自己认可的机会开单。也就是说，最后这组 PnL 不是“Minara 全量信号的成绩”，而是“AI 给候选 + 人类二次筛选 + 真实执行”的混合结果。
只要这个边界不先拆开，后面所有“AI 胜率”“AI 帮我赚了多少”的讨论都会失真。
先把能确认的产品能力和不能确认的收益拆开
截至 2026-08-14，Minara 官方仍然提供 Deep Research、Agentic Workflow、Trading Copilot 和 Trading Autopilot。它可以把自然语言要求转成定时研究、价格/钱包监控、通知和部分交易工作流；Trading Copilot 会输出方向、entry、TP/SL 与策略逻辑；Autopilot 则按预定义策略规则自动执行，并带交易范围、止盈止损、回撤安全阈值和人工覆盖。
这些属于当前产品能力。
但官方没有给出“使用 Minara 可获得稳定正收益”的承诺。Autopilot 文档反而明确强调永续交易存在显著风险，自动化不能消除市场风险，也不保证盈利。
所以这篇素材真正应该留下的句子不是“AI 两周赚了 1500U”，而是：
> 自然语言已经可以把一个模糊的交易想法压成可观察、可执行、可复盘的策略原型；但策略原型离“可证明 edge”还有很远。
1570U / 70% 为什么不能直接拿来评价工具
第一层问题是选择偏差。
作者只执行了部分信号。假设系统一天给 10 个机会，人只挑 2 个做，而这 2 个恰好更符合自己的经验，那么最终结果里混进了大量人工判断。除非完整记录“全部信号—是否执行—为何跳过—如果执行会怎样”，否则不能把收益归因给 AI。
第二层问题是分母不清楚。
“胜率 70%”至少要知道：总共多少笔？如何定义一笔交易？止盈一半、剩余回撤算赢还是输？同一信号重复加仓如何统计？只要分母和计分规则不固定，胜率就是一个很容易被包装的数字。
第三层是成本。
手续费、滑点、资金费率、未成交、插针、网络延迟和实际成交价都会改变回测/报告里的理想收益。原帖自己已经给出“止损附近被长针扫掉”和“入场时机错过”的例子，这些恰恰说明执行层不是噪声，而是策略的一部分。
第四层是行情状态。
两周可能刚好处于适合某类趋势/反转逻辑的 regime。短窗口跑得漂亮，最先说明的是“这套规则在这段市场里没立刻失效”，而不是“它已经被验证”。
AI 交易真正需要的是一张 Attribution Ledger
如果要把这类工具从“看信号”升级成研究系统，我会强制记录 12 个字段：
signal_id：每一个完整信号都有唯一编号；signal_time：信号产生时刻，不能事后补；model_reason：AI 当时给出的依据；entry/TP/SL：原始计划；human_decision：执行、跳过、修改；human_reason：为什么人工覆盖；actual_fill：真实成交；fees/funding/slippage：真实成本；MAE/MFE：最大不利/有利波动；outcome：按预先固定的计分规则结算；counterfactual：若不人工筛选，全量信号会怎样；failure_attribution：失败来自信号、仓位、执行还是行情切换。- AI 只负责候选时，是否真的提高研究覆盖率？
- 人类筛选是否创造了大部分收益？
- 被跳过的信号是不是反而更好？
- 成本后是否还有正期望？
- 哪类 regime 下表现明显恶化？
- 单笔 risk budget，而不是只设 leverage；
- 同方向相关资产的组合暴露；
- 连续亏损后的暂停机制；
- 系统/网络/数据异常后的 fail-safe；
- 账户余额、资金费率和极端滑点条件；
- 什么情况下必须人工接管。
这张账本最重要的价值，是把“AI 很准”拆成可以被否证的问题：
从 Prompt 到可增加风险预算，要走 7 个阶段
V0 想法：一句自然语言，比如“每天筛做多/做空机会”。
V1 规则冻结：把资产范围、周期、指标、触发、退出、仓位和风险写清。
V2 历史测试：检查代码/数据是否有 lookahead、幸存者偏差和错误价格。
V3 样本外：用没有参与调参的数据验证。
V4 Paper：实时跑，但不下真实资金，观察延迟、未成交和信号漂移。
V5 Small Live：只用可以完全损失的小风险预算，完整记账。
V6 Repeatable / Kill：只有多个市场状态下仍然可解释、成本后仍然成立，才讨论扩大；否则降级或停止。
这也是为什么“用小资金试”并不等于验证完成。小资金只是降低试错损失，不会自动提高证据等级。
风控也不能只写“有止损”
Minara 当前 Autopilot 的官方设计里，交易范围、TP/SL、最大回撤和人工停止都属于控制面。对用户来说，更应该补上：
自动执行只是把纪律写进机器，不会把错误策略变成正确策略。
alphahole 这条内容应该沉淀成什么
我不会把它做成“AI 喊单器”。那既高风险，也没有建立长期差异化。
它应该增强已有 Trading Process Evidence Lab，新增一个 AI Signal Attribution 模块：
Full Signal Set → Human Override → Counterfactual → Real Cost → Regime → Failure Attribution → Evidence Grade
免费入口可以是一张“AI 策略证据评分表”；低价产品是交易日志模板和自动归因报告；会员层做历史策略版本/证据追踪；更高价只适合做研究流程审计，而不是代客给买卖点。
最有价值的结果不是告诉用户“下一单做多还是做空”，而是让他看清：自己到底在交易一个已验证系统，还是在用短期幸运给一个漂亮故事补证据。
> 本文只讨论工具、研究方法与风险控制，不构成投资或交易建议。永续、杠杆和自动交易可能造成快速且超过预期的损失。