进入交易这个领域的第一天几乎所有过来人都会给你同一个建议先用模拟盘练手。但很少有人告诉你模拟盘练了一段时间后最大的问题不是赚不到钱而是“练了也不知道自己练得对不对”。传统模拟盘只能告诉你结果这单赚了那单亏了。它不会告诉你这笔亏损是因为你违反了仓位纪律还是因为市场本身在波动它不会告诉你你的交易频率是否高到已经抵消了手续费它也不会在你连续回撤后提醒你停下来重新审视策略。而标题里提到的这个平台选择把模拟交易和 AI 教练组合在一起要补上的恰恰是这个缺失的反馈环节。这个项目以 Show HN 的形式发布在 Hacker News 上定位是“免费的全球市场模拟交易平台 AI 教练”。表面看它像是把两个已经非常成熟的概念——Paper Trading 和 LLM 聊天——拼在一起但真正值得关注的是它背后的产品逻辑把低成本试错和结构化反馈做成一个闭环。这篇博客会从产品理解、技术架构和工程实现三个层面展开先拆解模拟交易和 AI 教练这两个核心概念再分析这一类平台应有的技术分层最后提供一个不依赖特定平台的最小代码实现让你能自己搭一个 Paper Trading AI Coach 的演示系统并验证 AI 输出是否真的“有效”而不是单纯的套话。1. 这篇文章真正要解决的问题先回答一个最实际的问题为什么我们需要关心一个“免费的模拟交易 AI 教练”平台第一交易能力的提升瓶颈不在信息而在反馈质量。实盘交易给反馈最快但代价高模拟交易给反馈安全但太慢、太抽象。很多人在模拟盘里连续盈利一到实盘就亏常见原因并不是策略变了而是心态、仓位和纪律完全不一样。AI 教练的价值是让模拟盘的反馈不再只是“盈亏数字”而是把交易行为、当时的市场状态和账户变化放在一起做结构化复盘。第二量化策略的验证需要大量低成本试错。如果你在写一个简单的均线策略、动量策略或者网格策略你不可能每次都用真钱去测试参数。模拟交易的意义是让你用接近真实市场的价格和撮合逻辑去验证策略在不同市场状态下的表现。免费的定位进一步降低了入门门槛尤其适合刚接触量化交易的开发者。第三AI Agent 在金融垂直场景落地的路径值得关注。AI 教练本质上是一个限制条件下的 Agent它能拿到账户数据、行情数据和用户行为数据但它的输出必须克制、安全、不构成投资建议。把这个场景研究清楚比单纯做一个“什么都能聊”的通用助手更能体现工程能力。这篇文章更适合三类读者想开始做交易策略验证、但不想一上来就投入真金白银的开发者正在研究如何把大模型接入垂直业务场景尤其是行情、金融、投资教育方向的 AI 工程师单纯想理解“模拟撮合 行为反馈 大模型生成”这套技术栈怎么组合的人。2. 核心概念Paper Trading、AI Coach、Global Markets2.1 Paper Trading 到底是什么Paper Trading中文常翻译为“纸面交易”或“模拟交易”。它使用真实的市场行情数据在一个不会导致真实资金变动的虚拟账户里执行买卖操作账户的资金、持仓、盈亏都会随着行情变化实时更新。和“回测Backtesting”对比更容易理解区别维度Paper Trading 模拟交易Backtesting 历史回测数据来源实时或准实时行情历史行情运行方式面向未来随时间推移产生结果在历史时间轴上快速跑完用途验证策略在“当下市场”的表现训练交易纪律验证策略在“历史样本”上的统计表现常见误区模拟盘容易成交不代表实盘能成交过拟合历史数据不代表未来有效模拟交易解决的是“策略能不能在当前市场状态下活下来”的问题。它比回测更接近真实但仍然不是真实。模拟撮合通常假设你能以当前报价成交而实盘中会有滑点、流动性不足、盘口深度不够等问题。2.2 AI Coach 不是聊天机器人AI Coach 这个词听起来很通用但在交易场景里它的职责边界需要划清楚。一个合格的交易 AI 教练至少要做三类事情行为复盘结合账户快照和交易记录指出你在仓位、频率、止损纪律上是否出现了系统性问题策略解释用通俗语言解释某一个指标、某一种盘面现象降低用户理解门槛风险提醒当账户出现集中度过高、回撤扩大、频繁交易等信号时给出提醒和建议。它不应该做的事情同样重要不承诺收益、不替用户做决策、不经审核就直接给出具体的买卖建议。从技术本质上看AI Coach 是一个带上下文的 LLM 应用。它的输入包括用户当前的持仓、现金余额、最近若干笔交易记录、当前行情快照有时还有用户的策略描述。输出则是一段结构化复盘建议。这里的工程难点是上下文怎么构建和输出怎么约束。2.3 Global Markets 带来的技术复杂度“全球市场”意味着不是只做单一股票或单一交易所而是涉及多个市场、多个时区、多种交易品种。这会带来几个技术上的麻烦交易时间不同美股、港股、A股、期货、加密货币的上市时间差异很大模拟撮合引擎需要处理不同市场的开盘收盘状态报价货币不同美元、港币、人民币、欧元账户结算与估值需要考虑汇率数据源成本高实时行情数据通常是按订阅收费的全球范围的数据源成本远高于单一市场交易规则差异T0 还是 T1有无涨跌幅限制最小交易单位是多少这些规则都需要在模拟撮合中区分。这也是为什么很多模拟交易平台一开始只支持单一市场。能覆盖全球市场说明它的数据层和撮合层必须做更多的抽象设计。3. 从项目标题拆解这个平台的重点不是“免费”“A Free Paper Trading Platform with AI Coaching for Global Markets”这个标题包含了四个关键信息免费、模拟交易、AI 教练、全球市场。但在我看来真正让它具备讨论价值的不是免费而是它把模拟交易和 AI 反馈机制结合了起来。模拟交易平台不稀缺。传统券商几乎都会提供模拟盘TradingView 也有 Paper Trading 功能。AI 聊天产品也不稀缺。稀缺的是在一个模拟交易环境里AI 不仅能回答“RSI 是什么”这类通用问题还能基于用户自己的交易记录做针对性的复盘和提醒。这对产品设计和技术栈都有影响数据闭环必须完整AI 要能给出有意义的反馈前提是系统能完整记录用户的每一笔订单、每一次持仓变化、每一段行情区间。这意味着产品从第一天起就要把“数据埋点”当作核心功能而不是事后补丁。反馈需要上下文同一个交易行为和当时的市场状态强相关。同样的“亏损 5%”在一波单边下跌行情里可能是正常的在震荡行情里可能意味着策略失效。AI Coach 必须拿到行情上下文。免费模式会放大成本压力行情数据费用和大模型 API 费用都是按用量计算的。免费产品必须有清晰的成本控制策略比如限制 AI 调用频率、使用性价比模型、对行情数据做缓存。从这些角度看这个平台更像是一个“交易训练系统”而不是一个简单的交易工具。它的价值主张是用免费的方式让人在真实市场环境中低成本训练交易能力并通过 AI 把每一次操作的反馈放大。当然由于项目处于早期阶段具体的技术栈、支持的市场范围、AI 模型选型都需要以官方文档和实际使用为准。这篇文章更多是在技术层面对这一类平台的实现思路做拆解。4. 技术架构视角这类平台通常包含哪些核心分层如果你要自己动手实现一个类似的平台或者要评估一个现成的模拟交易产品我会建议从下面几个技术分层去理解。这不是标准答案但足够支撑一个可运行的最小系统。4.1 数据接入层负责获取实时或准实时行情。常见的方案包括免费方案yfinance、Alpha Vantage 的免费额度商业方案Polygon.io、Finnhub、IEX Cloud、券商 API加密货币Binance API、Coinbase API。这一层需要考虑的问题包括数据延迟、断线重连、多市场覆盖、数据清洗停牌、拆分、分红。4.2 模拟撮合层模拟撮合引擎的核心是决定订单在什么价格、什么时间成交。最简单的做法是直接使用当前最新价成交。稍好一些的做法是区分限价单和市价单考虑滑点模型对于流动性差的品种延迟成交时间在交易所开盘时间之外拒绝成交。4.3 账户与风控层管理用户的资金、持仓、交易记录。风控层面至少需要有资金不足时拒绝买单持仓不足时拒绝卖单对单笔订单或总仓位的风险限制记录完整的交易流水供审计和复盘使用。4.4 AI Coach 服务层AI Coach 服务通常包含下面几个子模块上下文构建把账户快照和行情数据格式化为 LLM 可以理解的文本大模型调用对接 OpenAI、Claude、Gemini 等模型的 API输出校验检查 LLM 输出里是否有合规风险、是否有明显错误调用频率控制避免被用户刷爆 API 费用。4.5 前端与用户体验层这部分决定用户如何操作和查看结果。无论是 Web、桌面还是移动端核心交互是查看行情、下单、查看持仓、和 AI 教练对话。一个典型的数据流是这样的行情数据源 → 数据接入层 → 模拟撮合引擎 → 账户与风控层 → 用户前端 ↓ AI Coach 服务 → 大模型 → 复盘结果也就是说AI Coach 不是一个独立的聊天工具它依赖底层交易系统提供的结构化数据。没有完整的订单和账户数据AI 教练的输出就只能是泛泛而谈。5. 搭建一个最小可运行的 Paper Trading AI Coach 示例下面我们用 Python 实现一个最小示例。这个项目包含三个部分一个简单的模拟交易引擎一个 AI 教练复盘模块一个基于历史数据的策略效果评估脚本。这个示例不依赖前面说的那个具体平台而是用最少的依赖把核心逻辑跑通。代码用到的依赖是yfinance和openai此外还需要一个可用的 OpenAI API Key。版本请以实际安装为准。5.1 环境准备建议使用 Python 3.10 或更高版本并创建独立的虚拟环境mkdir paper-trading-coach cd paper-trading-coach python -m venv venv source venv/bin/activate # Windows 下使用 venv\Scripts\activate pip install yfinance pandas openai如果你还没有 API Key可以先去模型服务商的控制台申请然后把 Key 写入环境变量export OPENAI_API_KEYsk-xxxxxxxx注意不要在代码里硬编码 API Key也不要提交到 Git 仓库。5.2 模拟交易引擎核心逻辑先写一个最简版的账户和下单逻辑。# 文件路径paper_trading/engine.py from dataclasses import dataclass, field dataclass class Position: symbol: str quantity: int avg_price: float property def cost(self) - float: 当前持仓的总成本 return self.quantity * self.avg_price dataclass class PaperAccount: initial_cash: float 100_000.0 cash: float 100_000.0 positions: dict field(default_factorydict) trades: list field(default_factorylist) def buy(self, symbol: str, quantity: int, price: float) - None: total_cost quantity * price if total_cost self.cash: raise ValueError( f资金不足需要 {total_cost:.2f}当前可用 {self.cash:.2f} ) self.cash - total_cost position self.positions.get(symbol) if position: new_quantity position.quantity quantity new_avg_price (position.cost total_cost) / new_quantity self.positions[symbol] Position(symbol, new_quantity, new_avg_price) else: self.positions[symbol] Position(symbol, quantity, price) self.trades.append( {symbol: symbol, side: BUY, quantity: quantity, price: price} ) def sell(self, symbol: str, quantity: int, price: float) - None: position self.positions.get(symbol) if not position or position.quantity quantity: raise ValueError(f持仓不足{symbol} 当前持仓 f{position.quantity if position else 0}) self.cash quantity * price position.quantity - quantity if position.quantity 0: del self.positions[symbol] self.trades.append( {symbol: symbol, side: SELL, quantity: quantity, price: price} ) def total_value(self, prices: dict) - float: 按传入价格计算账户总资产 positions_value 0.0 for symbol, position in self.positions.items(): price prices.get(symbol, position.avg_price) positions_value position.quantity * price return self.cash positions_value def snapshot(self) - dict: return { cash: round(self.cash, 2), positions: { symbol: { quantity: pos.quantity, avg_price: pos.avg_price, } for symbol, pos in self.positions.items() }, trades: self.trades[-20:], }这段代码做了三件事记录用户下单、更新账户持仓、生成账户快照。注意total_value里的prices参数必须由外部传入因为模拟引擎本身不持有行情数据这是一个解耦设计。真实项目中撮合引擎和账户引擎也建议拆开避免行情模块的故障影响账户模块。5.3 AI Coach 复盘模块接下来实现 AI 教练模块。它的任务是接收账户快照调用大模型生成复盘建议。# 文件路径ai_coach/coach.py from openai import OpenAI client OpenAI() SYSTEM_PROMPT 你是一名交易教练专注于帮助用户复盘模拟交易记录。 请遵守以下规则 1. 语气克制、专业不使用夸张或诱导性表达。 2. 只基于用户提供的账户快照和交易记录进行分析。 3. 从仓位管理、交易纪律、风险控制三个角度给出反馈。 4. 如果记录中没有明显问题应直接说明当前没有发现明显错误 不要为了显得专业而强行挑刺。 5. 不承诺收益不给出具体的买卖点位建议。 6. 每次回复控制在 200 字以内先给结论再给理由。 def build_user_message(snapshot: dict) - str: return ( 以下是模拟交易账户的最新快照\n f现金余额{snapshot[cash]}\n f持仓{snapshot[positions]}\n f最近交易记录{snapshot[trades]}\n 请基于这些信息给出复盘建议。 ) def get_coach_advice(snapshot: dict, model: str gpt-4o-mini) - str: response client.chat.completions.create( modelmodel, messages[ {role: system, content: SYSTEM_PROMPT}, {role: user, content: build_user_message(snapshot)}, ], temperature0.3, max_tokens300, ) return response.choices[0].message.content这里的关键细节是SYSTEM_PROMPT。它决定了 AI 输出的边界。如果不加约束LLM 很容易输出“这是一笔很好的交易”这种没有信息量的话或者反过来给出过于具体的投资建议带来合规风险。实际项目中建议在系统提示词之外再加一层输出校验比如关键词过滤、格式解析、必要时的拒答逻辑。temperature0.3是为了让输出更稳定。做金融场景的 AI 应用稳定性通常比创造性更重要。5.4 策略评估脚本最后写一个用历史数据评估收益、最大回撤和夏普比率的脚本。这个脚本可以让你在接入真实模拟盘之前先用历史数据检验策略是否值得跑。# 文件路径backtest/evaluate.py import yfinance as yf import pandas as pd def fetch_prices(symbol: str, period: str 1y) - pd.Series: 下载日线收盘价 df yf.download(symbol, periodperiod, interval1d, auto_adjustTrue) if df.empty: raise RuntimeError(f未获取到 {symbol} 的行情数据) return df[Close] def evaluate_returns(closes: pd.Series) - dict: returns closes.pct_change().dropna() if returns.empty: raise ValueError(收益率序列为空无法评估) total_return closes.iloc[-1] / closes.iloc[0] - 1 max_drawdown (closes / closes.cummax() - 1).min() std returns.std() if pd.isna(std) or std 0: sharpe 0.0 else: sharpe returns.mean() / std * (252 ** 0.5) return { total_return: round(float(total_return), 4), max_drawdown: round(float(max_drawdown), 4), sharpe: round(float(sharpe), 2), sample_days: int(len(returns)), } if __name__ __main__: closes fetch_prices(AAPL, period1y) result evaluate_returns(closes) print(result)这里需要注意yfinance的数据源并非官方实时行情源延迟和准确性有限仅适合做技术演示和离线分析。如果你的策略完全依赖实时行情不能用它作为生产数据源。6. 运行结果与效果验证先把策略评估脚本跑通。在项目根目录下执行python backtest/evaluate.py正常情况下你会看到类似下面的输出实际数值会随市场变化{ total_return: 0.1856, max_drawdown: -0.0821, sharpe: 0.91, sample_days: 251 }这几个指标的意义total_return区间总收益率max_drawdown区间内从高点回落到低点的最大幅度反映策略的风险承受能力sharpe夏普比率衡量每承受一单位波动能换来多少超额收益通常大于 1 被认为还可以sample_days样本数量用来判断统计是否可靠。然后你可以手动构造一次模拟交易并调用 AI 教练看输出。下面的脚本演示了完整流程# 文件路径demo.py from paper_trading.engine import PaperAccount from ai_coach.coach import get_coach_advice def main(): account PaperAccount(initial_cash100_000) # 模拟两笔交易一次买入一次部分卖出 account.buy(AAPL, 100, 175.50) account.buy(TSLA, 50, 241.30) account.sell(AAPL, 40, 182.10) snapshot account.snapshot() print(模拟账户快照) print(snapshot) advice get_coach_advice(snapshot) print(\nAI 教练建议) print(advice) if __name__ __main__: main()运行python demo.py如果一切正常AI 教练会返回一段不超过 200 字的复盘建议内容会涉及仓位结构、回撤风险或交易频率。如果返回结果看起来很空泛比如“你做得很好继续保持”说明系统提示词里的约束还不够需要进一步收紧。如果运行失败第一步先检查三处API Key 是否正确写入环境变量、网络是否能访问模型服务、yfinance是否成功下载了行情数据。这三个问题占了此类项目运行失败的大多数原因。7. 真实落地中常见的坑与排查方法下面这个表格总结了从零搭建模拟交易和 AI 教练系统时最容易遇到的问题以及对应的排查思路。问题现象可能原因排查方式解决方案行情数据拉取失败网络不稳定、数据源限流检查网络连通性打印返回状态码使用备用数据源增加重试和缓存机制模拟盘成交价格和真实价格差异大撮合逻辑过于简化未处理滑点和盘口深度对比模拟价格与真实委托簿价格引入滑点模型对低流动性品种限制成交数量AI 教练输出空泛没有实际反馈价值系统提示词约束不足上下文没有提供足够细节打印发给模型的完整消息检查快照是否包含关键信息增加固定的分析维度要求 AI 引用具体交易记录AI 输出偶尔出现合规风险表述只依赖 LLM 自身的安全对齐对输出做关键词和规则过滤增加输出校验层必要时接入内容审核服务API 调用费用增长过快没有限制调用频率提示词过长导致 token 消耗高查看 API 使用日志定位高消耗用户和时段增加限流策略设置单用户单日调用上限不同市场交易规则不统一导致计算错误把不同市场的规则写死在业务代码里梳理各市场规则补充单元测试把交易规则抽象为配置按市场维度加载多次交易后持仓均价计算错误旧持仓成本和新买入成本相加时未分别统计数量针对持仓和均价写边界测试例如先买后卖再买将成本计算独立为一个纯函数保证可测试性有几个值得重点说的问题。首先是撮合引擎的简化带来的误差。模拟盘最常见的隐性 bug是默认所有订单都能在最新价成交。真实市场中大额买单会推动价格上行小额买单可能要等盘口变化才能成交。如果你的策略包含高频交易或大仓位模拟盘结果会比实盘乐观很多。对于这种情况加一个简单的滑点模型是最经济的改进# 在引擎中增加滑点比例 SLIPPAGE_RATE 0.0005 def buy_with_slippage(self, symbol: str, quantity: int, price: float): executed_price price * (1 SLIPPAGE_RATE) self.buy(symbol, quantity, executed_price)其次AI 输出质量控制要比想象中难。即使你有很好的系统提示词LLM 依然可能给出前后矛盾的建议。一个务实的做法是给 AI Coach 的输出加一个结构化的 JSON 格式方便程序做校验response_format { type: json_schema, json_schema: { name: coach_feedback, schema: { type: object, properties: { risk_level: {type: string}, advice: {type: string}, reason: {type: string} }, required: [risk_level, advice, reason] } } }这样做的目的是让反馈结果不再是“一段文字”而是“一组结构化字段”后续可以进一步做规则校验、存储和展示。8. 安全边界与合规提醒这个类型的项目有一个容易被忽略但非常重要的部分边界。8.1 模拟交易不等于实盘交易这是整个产品定位里最重要的一句话。模拟盘练出来的策略投入实盘时结果一定会有偏差。原因包括滑点、流动性、成交延迟、心理压力甚至你的券商执行算法。任何模拟交易平台都必须在显著位置提醒用户这一点。8.2 AI 教练的输出不是投资建议在金融场景里AI 的建议很容易被理解为“叫我买这个”或“叫我卖那个”。项目在设计 AI 教练的系统提示词时必须明确要求不承诺收益、不给出具体的买卖点位建议、只做复盘和行为分析。同时平台侧应该加入免责声明和人工审核机制尤其是当产品面向不成熟用户时。8.3 免费平台的数据隐私风险免费产品通常意味着数据有商业价值。用户在模拟平台上产生的交易记录、策略行为、风险偏好都是高度敏感的数据。无论你是使用方还是开发者都需要关注数据是否加密传输、是否被匿名化、是否被用于模型训练、是否被销售给第三方。作为用户建议不要在模拟平台中填写不必要的真实信息。作为开发者建议遵循最小权限原则只在业务必要时才采集和存储用户数据。8.4 大模型 API 密钥管理在我们的示例代码里API Key 通过环境变量注入。在实际项目中还应该做到不把密钥提交到版本库使用服务端的密钥管理系统或环境变量服务对 AI 调用接口做用户鉴权和限流对审计日志做脱敏处理。9. 总结与后续学习方向这篇文章的核心思路可以浓缩成三句话第一模拟交易平台真正稀缺的不是“模拟下单”这个功能而是完整的数据闭环和反馈机制。AI 教练之所以有价值是因为它背后有账户、订单、行情和用户行为数据支撑没有这些数据它只是一个普通的聊天机器人。第二从技术实现角度看一个可用的 Paper Trading AI Coach 系统至少需要数据接入、模拟撮合、账户风控、AI 服务四个分层。每个分层都可以从最小实现开始逐步增加复杂度。第三这个场景的最大风险不在技术而在边界管理。模拟和实盘之间要划清边界AI 输出和建议之间要划清边界免费产品和数据隐私之间也要划清边界。如果你打算继续深入建议按这个顺序实践先用 yfinance 和回测脚本选择一个你熟悉的市场和品种把收益、最大回撤、夏普比率这些指标跑熟自己写一个简单的模拟交易引擎支持市价单和限价单手动模拟一段行情做验证再接入大模型构建你自己的 AI Coach 提示词重点测试它在不同持仓结构下的输出质量最后再看官方平台的文档理解它在产品层面解决了哪些工程上比较复杂的问题比如全球市场的撮合规则、多币种结算、免费额度控制等。这个方向并不容易但它是 AI Agent 在垂直场景落地的一个很好的样本有明确的数据边界、有用户痛点、有可量化的反馈效果。建议先收藏这篇文章实践过程中遇到问题时再回来看第 7 节的排查表。如果后续你实现了自己的版本也可以一起在评论区交流技术细节。