生产环境中 LLM 交易 Agent 究竟表现如何：来自两大集群六个月全量记录

arXiv:2609.05663v1 公告类型：新发布 摘要：我们呈现了一份连续、人口规模级别的测量记录，涵盖在生产环境中运行的自主语言模型交易 Agent，涉及两个具有同一设计谱系的系统：DX Terminal Pro（3,505 个用户出资的保险库，在 Base 链 memecoin 市场上交易真实 ETH，为期 21 天，2026 年 2 月至 3 月）以及 DXAP 实时 alpha 机群（500 至 599 个用户创建的 Agent 的全历史数据，91 至 117 个并发活跃，交易 Hyperliquid 永续合约，2026 年 6 月至 8 月）。该记录跨度约六个月，包含 750 万次单模型调用、约 30 万次链上操作，以及另外 231,638 次多工具回合（产生 14,596 笔成交）。本文提出四项核心发现。第一，运营层对行为的决定作用超过策略文本中的任何内容：风险滑块解释了杠杆水平（每级 +0.425），Agent 固定效应吸收了 60% 的方差，而排行榜渲染边界对选择产生了因果性的分流作用（在 top-3 截断处的回归不连续估计为 1.75 倍）。第二，仓位规模对波动率视而不见：每个波动率六分位数组的中位杠杆均为 5.0 倍，且一个姿态滑块单元（占账户簿的 11%）集中了 62% 的清算事件。第三，Agent 几乎无法把握其触及的上行空间：43.2% 的仓位在 24 小时内曾出现至少 +300 个基点的有利波动，然而其中 49.3% 以负的交易收益平仓；一套机械化的 brackets 规则可为每个仓位挽回 +39.0 个基点的收益。第四，两个机群均不具方向性优势。DXAP 机群未能实现盈利，且落后于匹配的 Hyperliquid 散户基准（往返胜率 41% 对 50%）。在 416 个捕获的生产场景上对前沿模型进行的配对回放联赛中，发现决策质量在该时间尺度上统计上不可区分，而选择稳定性在不同模型家族间差异显著。所有核心结论均通过了按日聚类的推断、置换零检验以及统一费用口径的重述；本文最后提出了一套 17 条规则的方法论规范，这是我们以自己的撤稿为代价换来的。