AI 加密货币交易机器人到底在做什么？

发布：12 November 2026 | 更新：12 November 2026

截至 7 November 2026，三种加密货币自动化工具在各自的文档中，用“AI”描述了三件不同的事。

• Cryptohopper 的帮助中心表示，其“A.I. 代表：Algorithmic Intelligence（算法智能）”。文档描述的是：根据你提供的策略在过去发出信号后达到盈利目标的频率，为这些策略评分。
• 3Commas 表示，它“不提供交易建议或 AI 信号”，而是将外部 AI 工具连接到其机器人。
• Freqtrade 中的开源 FreqAI 模块会训练 LightGBM 和 XGBoost 等模型，并按计划重新训练。

这些描述，单独看都不能告诉你机器人是否赚钱。

加密货币交易机器人中的“AI”可能指什么？

这些机制经常共存于同一产品中。从广义上说，选择和优化都是统计学习的形式。将某种机制称为评分器而非预测模型，并不能决定它是否属于 AI；这两种描述也都不能证明盈利能力。

真正有用的问题是：它从什么数据中学到了什么，又如何用它未见过的数据来检验？

我也会把助手与交易过程分开看。LLM 可以帮助生成策略，却不一定是生成市场信号的模型。同样，一个策略可以使用回测选出的参数，同时按明确的规则执行。

各平台自己的文档究竟怎么说？

下表记录了文档披露的机制，以及这些描述尚未回答的问题。这不是排名。文档可以解释某项功能的设计用途，但不一定公开其服务端实现，也不一定证明其表现。

以上所有供应商引文，均已于 2026-11-12 对照在线页面或存档页面重新核实。

未披露的信息仍然是未解问题。它不能证明供应商没有使用机器学习，也不能成为推断其存在某个未披露模型的理由。

为什么漂亮的回测不能证明 AI 机器人有效？

我的简化实验使用了 2022-01-01 至 2026-10-31 的 Binance 公开 BTCUSDT 和 ETHUSDT 现货小时数据。这些实验展示的是我自己的模型和模拟器中的评估问题，不是任何供应商的系统。一处刻意加入的前视错误，让有缺陷的测试输出了 84.6% 的准确率；而滚动前推模型的 AUC 为 0.51，区间涵盖了随机水平。后一个测试并未单独识别重新训练的影响。

预测任务将小时 K 线重采样为 4 小时 K 线，并使用二元目标：“上涨”指接下来 6 根 K 线、即未来 24 小时的对数收益率大于零；等于零则计为“下跌”。输入包括历史收益率、波动率、RSI、指数移动平均线之间的差值，以及成交量 z 分数，均根据该根 K 线收盘时可获取的信息计算；预测概率高于 0.5 即判为“上涨”。

一处前视错误如何让测试输出 85% 的准确率

我刻意加入了一条以当前 K 线为中心的 13 根 K 线移动平均线，其中使用了未来 6 根 K 线，因此即使按时间顺序划分训练集和测试集，未来信息仍泄漏到了逻辑回归中。

由此得到的 84.6% 准确率和 0.93 AUC，是有缺陷的测试输出的结果，不是模型具备预测能力的证据；去掉该特征后，同一模型的准确率约为 50%。

为什么打乱训练集和测试集的划分会夸大结果

相邻 K 线的 24 小时标签窗口大部分重叠，因此无论如何划分，观测值之间都存在依赖；此外，随机打乱会把紧邻测试样本的观测值放进训练集，通过这些观测值的标签泄漏重叠的测试结果，同时也允许用更晚的数据进行训练。

分块交叉验证会在每个测试块前后两侧的数据上训练，测试块之前剔除 24h 的样本，之后设置 48h 的禁用期，因此只有滚动前推测试严格使用更早的数据训练。

这一基于相同样本的比较，衡量的是划分设计之间的差距，并未把差距分别归因于标签重叠泄漏和使用后续观测值训练。

滚动前推模型能与随机水平区分开吗？

我的逻辑回归使用滚动的 365 天窗口，每 30 天重新拟合一次，共生成 35 个模型；其 AUC 区间包含 0.5 的随机水平，准确率也低于“始终猜上涨”的结果。

这评估的是一种滚动前推流程，并未单独识别重新训练的影响：要做到这一点，需要在相同日期上与冻结模型或另一种重新拟合计划进行比较，而本文没有报告这样的比较。

对数收益率，是期末价值除以期初价值后取自然对数。0 表示没有变化，约 +0.69 表示价值翻倍，约 −0.69 表示价值减半。因此，+0.59 不是 +59%，−0.91 也不是 −91%。模型预测的是未来 24 小时的方向，但此示例每根 4 小时 K 线都会重新决定仓位，因此它测试的是基于预测构建的一种交易策略，而不是预测期限本身。

16 组网格参数中的最优设置，将下一周的表现高估了多少？

我自己的现货网格模拟器，在过去 7 天的数据上，从区间宽度和网格数量构成的 16 种组合中选出收益最高的设置，再衡量它接下来 7 天的收益；价格区间也来自筛选周，因此样本内结果在设计上就偏乐观。

在另一种 K 线内部价格路径假设下，下表中的平均差距依然存在，但这不意味着每一周都会出现收益落差。区间来自移动分块自助法，对连续 12 周的数据段进行重采样，以保留相邻周之间的依赖关系。

Anny 不支持网格机器人。

评分最高的策略，之后还能保持领先吗？

我的选择器每周根据过去 90 天内结果已完整可知的命中率，从五条小时级规则中做出选择；“命中”指价格在信号发出后的 24 小时内，达到比信号 K 线收盘价至少高 2% 的水平，随后将所选规则未来 28 天的命中率与五条规则的平均值比较。

观察到的差异很小——BTC 略低于该平均值，ETH 略高于该平均值——但没有计算配对差值的置信区间，而且评估窗口存在重叠。

这不能证明两者等效，也不能证明选择策略没有价值；命中率也不是利润：该设置没有止损、出场或成本。

这些实验使用了简单特征和模型，覆盖的资产有限，且只涉及单一交易场所和单一时期。重叠标签降低了独立性，执行过程经过简化，命中率也不衡量利润。这些测试展示的是评估选择如何改变结果。它们不能证明机器学习在加密货币领域行不通，也不能说明任何特定供应商模型的情况。

你该向 AI 机器人供应商索取什么证据？

使用下面的供应商证据清单。 仅有模型描述，无法回答表现如何；仅有收益图表，也无法回答机制和测试流程是什么。

没有得到回答的问题，就应当视为尚未解决。索取更多细节，而不是替系统的运作方式编造解释。

可复现的回测，仍然可能只适用于其中的资产、日期和执行假设。不确定性区间可以描述某个已报告的指标，却不能解决此前每一项研究选择带来的问题。

Anny Trade 属于哪一种？

Anny Trade 在 Ask Anny 助手中使用大语言模型。公开的 Optimizer 页面说明，指标、回测、参数搜索和验证采用的是“确定性代码——这个循环中完全没有 LLM”。CFO Anny Line 和 Optimizer 的数学计算不使用 LLM。

Anny 的机器人在你连接的交易所账户上运行明确的、基于规则的入场和出场逻辑，Anny 不支持网格机器人。这些描述说明了语言模型用在哪里；它们并不能证明盈利能力。

探索 Optimizer 的确定性回测和参数搜索，并对它使用同一份检查清单。

常见问题

AI 交易机器人能预测加密货币价格吗？

训练过的模型可以估计一个已定义的市场结果，但有预测输出，并不等于具备有用的预测能力。我的任务是预测指定期限内的方向，而不是精确的未来价格。本文中的任何模型，都未展示出可靠的样本外方向预测能力。

按命中率为策略评分，算机器学习吗？

基于表现的策略选择，从广义上可以算作统计学习，因为它利用历史结果为可用策略评分。这个标签并不能告诉你，这些选择以后是否有用。命中率不是利润指标。

使用 LLM，就意味着机器人在用机器学习交易吗？

LLM 可以编写策略或调用交易工具，而不必是一个市场预测模型。要问清楚它生成什么、能访问哪些工具，以及执行如何受到控制。然后单独评估生成的策略；仅仅使用语言模型，并不能证明交易表现。

什么是滚动前推验证？

滚动前推评估使用较早的数据训练，使用较晚的数据测试，并随时间向前推进。我的流程采用滚动训练窗口和重复拟合，并在每个测试块之前设置剔除期。它不同于在测试块前后两侧数据上训练的分块交叉验证。

我能自行验证闭源机器人的 AI 吗？

公开文档可以帮助识别其宣称的机制，但不能解决服务端实现的问题。缺少披露，不能成为支持任何一方结论的证据。我的简化实验没有检查闭源系统，也无法确定任何供应商未披露的模型究竟在做什么。

我如何运行这些测试（方法与局限）。

本文所有结果均来自历史数据上的模拟和回测，而非真实交易。假设和模拟结果存在固有局限：它们基于事后已知的信息构建，不反映真实执行，也不能预测未来表现。

上述数据集每种资产包含 42,359 根小时 K 线，交易所端在 2023-03-24 13:00 UTC 缺失了一个小时的数据。抽查的月度校验和与 Binance 公布的校验和一致。软件版本为 numpy 2.5.4、pandas 3.1.1 和 scikit-learn 1.9.1。

数据截至 2026-10-31 23:00 UTC，不完整的结果按以下方式处理。

• 预测测试： 删除没有完整未来 24 小时标签的 K 线，因此最后一根带标签的 4 小时 K 线为 2026-10-30 20:00 UTC。35 个滚动前推测试块中的最后一个，从 2026-10-17 开始。
• 网格： 只有后续存在完整 30 天数据的决策才予以保留。因此共得到 195 次每周决策，范围为 2023-01-02 至 2026-09-21。
• 选择器： 共做出 199 次每周决策，范围为 2023-01-02 至 2026-10-19。最后三次决策从 2026-10-05 开始，其 28 天窗口因数据截止而缩短，最后 24 小时内的信号计为未命中。删除这三次决策后，微小差异的方向保持不变（BTC 0.32 对 0.34，ETH 0.47 对 0.46）。

逻辑回归使用标准化特征，正则化参数 C = 0.1。划分比较使用包含 200 棵树、最小叶节点样本数为 5 的随机森林。不含泄漏的输入包括过去 1、3、6、18 和 42 根 K 线的收益率；过去 18 和 42 根 K 线的波动率；RSI(14)；20 根与 50 根 K 线指数移动平均线之间的差值；以及基于 42 根 K 线计算的成交量 z 分数。

滚动前推 AUC 区间采用移动分块自助法，每块包含连续 42 根 4 小时 K 线，进行 500 次重采样，并取第 2.5–97.5 百分位数。交易示例从信号 K 线收盘时开始获取接下来 4 小时的收益，不考虑延迟。其 15 bps 成本由假设的每次仓位变动 10 bps 手续费和 5 bps 滑点组成。

虽然预测目标是未来 24 小时的方向，但这一交易策略每根 4 小时 K 线都会重新评估仓位。其收益评估的是这一特定策略，而非将预测期限直接变现。无论是 AUC 接近 0.5，还是准确率低于“始终猜上涨”，单独来看都不足以排除盈利机会：盈亏幅度、阈值和特定条件下的表现也很重要。

网格候选设置将历史回看区间半幅的 0.8×、1.0×、1.25× 和 1.6× 区间宽度，与 10、25、50 和 100 个网格档位组合。每次成交支付 0.05% 的费用，不考虑滑点。每周重新开始；未卖出的币按最后收盘价估值，不收取出场费。差距区间使用针对 195 个每周差值的循环移动分块自助法（12 周数据块、10,000 次重采样、固定随机种子）。每周差值在滞后 1 期时存在轻微负自相关，自动区块长度规则建议 BTC 约为 11 周，ETH 约为 16 周。使用 2–16 周数据块得到的区间，与普通自助法的区间相近或更窄。

选择器的规则使用 RSI、MACD、布林带、EMA 交叉，以及突破此前 48 小时高点。规则至少需要 5 个结果已完整可知的信号，才能获得评分。解释观察到的微小差异时，必须考虑评估窗口的重叠。

第二轮内部研究复核重新运行了全部四个原始脚本，得到的输出文件逐字节一致。在随机选取的 40 个时间戳中，有 40 个在替换未来数据后，不含泄漏的特征保持不变；刻意加入的前视特征则按设计在 40 次检查中的 40 次全部失败。滚动前推划分中，标签与测试期发生重叠的折数为 0，且流水线中的标准化器仅在训练数据上拟合。

该复核支持结果的可复现性，以及不含泄漏的处理流程中不存在已知泄漏。它不能证明结果会在其他时期、其他资产、其他交易场所或实盘中成立，也不能消除研究选择偏差。

这些局限依然重要：2 种资产、1 个交易场所、一个时期，以及简单模型。标签存在重叠；除已报告的处理外，没有订单簿滑点建模，也没有多重检验校正。网格模拟器采用 4 点式 K 线内部价格路径，绝对收益取决于这一路径。我没有测试任何供应商的实际系统，没有运行 FreqAI，也没有进行实盘交易。

另请参阅

• 什么是滚动前推验证？
• CFO Anny Line 如何识别市场状态？
• 如何将我的 AI 连接到实时加密货币市场数据？
• Freqtrade 的 lookahead-analysis 文档

本文所有结果均来自历史数据上的模拟和回测，而非真实交易。假设和模拟结果存在固有局限：它们基于事后已知的信息构建，不反映真实执行，也不能预测未来表现。

本文仅供学习参考，不构成财务建议。过往表现不代表未来结果。加密资产价格波动剧烈，你可能损失全部投资。Anny Trade 是分析平台，并非注册投资顾问。