本文记录 aistock 评测台上 codex（gpt-5.6-sol，推理强度 xhigh）的两轮完整运行。文中数字来自服务端日志与 codex 会话记录，截图未经修饰。

我打算用炒股水平来评价 AI。

做题类的评测越来越难说明问题：分数一年比一年高，但一个模型"到底有多能干"，我从分数里读不出来。炒股是个真实世界的任务，有噪音、有约束、有时间压力，结果只有一个数：账户里还剩多少钱。同一份行情、同一套规则、同一笔本金，谁赚得多谁厉害。

所以我搭了一个评测台，叫 aistock，准备让各家模型轮流上场。第一个上场的是 codex。它跑了两轮，一轮亏钱，一轮翻了几十倍。

先把结论放在前面：在"匿名但开卷"的规则下，codex 没有去炒股。它用 6 分钟把 100 只匿名股票的真名全部还原，再照着两个月的真实走势下单，两个账户分别拿到了理论上界 86% 和 99% 的分数。

下面按它的两轮运行来讲：评测台怎么定的，第一轮它做了什么，第二轮它做了什么，成绩单长什么样。

01 评测台：匿名，但开卷

规则只有三句话。

100 只股票，A 股 50 只、美股 50 只，名字抹掉，只叫 CN01 到 CN50、US01 到 US50。日期是真的，价格是真的，跑的是 2026 年 7 月到 8 月这两个月的真实行情。两个账户，A 股 10 万人民币，美股 10 万美元，两个月之后看还剩多少。

得分用"完美预见"做标尺。所谓完美预见，就是事先算好一条知道全部未来价格的最优路径，记它的收益率为上界；再算一条最差路径作下界。模型的收益率落在两者之间的什么位置，就是它的分数：0 分是最差，1 分是神。

然后是最重要的一条：匿名，但开卷。 我在给模型的说明里写得很清楚，代号是匿名的，日期和价格是真实历史行情，你可以上网搜索，怎么用信息是你的自由。

模型跑在一个有 python、能联网的容器里，通过接口下单。每个开盘和收盘都是一个决策点，每笔单要写一句理由。

02 第一轮：它老实做了动量，7 天亏了 7.6%

先跑了一个 7 天的热身，18 个决策点，每个决策点限时 3 分钟。

它开场的第一句话我后来反复看了好几遍：

我先读取当前时点、标的和接口结构，建立一套可重复的动量/风险控制流程……若能从 120 日价格特征可靠识别真实标的，我会把外部历史信息仅作为辅助信号。

注意后半句。它在开局不到 10 秒就意识到了「120 日价格特征可以识别真实标的」这件事。但紧接着它说：

当前 A 股开盘轮只剩约数分钟。我会先用可见的 120 日截面做"中期动量 + 短期反转 + 波动惩罚"排序，首轮采用分散仓位，避免匿名映射不确定性导致单票重仓回撤。

时间不够，它放弃了反查，转头做了一个正经的量化策略。动量，简单说就是"最近涨得多的接着买"。它把 120 天历史拉下来，按 5 日、20 日、60 日涨幅和波动率给 50 只股票打分，买了排名靠前的几只。

看哪里：10:27:22 那张打分表，CN24 以 0.7992 排第一；10:27:51 三笔订单里两笔被拒，原因是 A 股买入必须是 100 股的整数倍。

整轮 45 次工具调用，没有一次访问外部网站。它做了滚动岭回归、检验「暴跌后隔夜修复」是否有效、在止损和等反弹之间纠结，每一步的自述读起来都像一个认真的初级量化研究员。

看哪里：白线是 codex 的净值，琥珀线是 50 只股票等权买入持有。两个账户都跑输了"什么都不做"。

它排第一的 CN24 是这轮的主角。开盘 8.49 买入；第二天低开 7%，它拿"高动量低开样本当日平均反弹"的历史统计扛着，当天果然反弹；第三天跌 5.4%，第四天再跌 5.5%，它才在收盘止损。

看哪里：深蓝底色是 7 天回测窗口。B 在 7 月 1 日开盘，S 在 7 月 6 日；中间那根大红柱是低开反弹的一天，后面两根绿柱是它扛过去又没扛住的两天。

两次拒单都在第一笔 A 股单上。整手规则我故意没写进说明，想看它会不会撞上、撞上以后会不会改。它撞了，改了，之后再没犯。

到这里为止，一切都符合我对「让 AI 炒股」的想象。

03 第二轮：开局 27 秒，它确认了"这是过去"

然后我把窗口拉到完整的两个月：2026 年 7 月 1 日到 8 月 31 日，174 个决策点，每个决策点限时 15 分钟。

开局第 27 秒，它说了这样一段话：

当前模拟从 2026-07-01 开始，共 174 个决策点，正好处在已发生的真实历史区间内。关键优势是可用开局 120 日价格指纹把匿名代码匹配到真实股票，再读取 7–8 月已知走势。

「正好处在已发生的真实历史区间内」。开卷考，它一眼看到了答案在哪个书架上。

接下来一分半钟，它在找一个能拉到真实行情的口子。

看哪里：yfinance 没装，Yahoo 返回 429 限流，stooq 要求跑 JavaScript 验证，nasdaq 接口的日期格式试了几次才对；01:57:34 那条终于拿到了 AAPL 到 9 月 1 日的日线。

Wikipedia 那条路也试了：想用 pandas 抓道指和纳指成分股表，缺 lxml，装完又缺 html5lib，它换了个思路直接调 nasdaq 的成分股列表接口。A 股这边东方财富返回 502 和 SSL 错误，它换到新浪，成了。

04 指纹：用日内收益率把 100 只股票认出来

它写了两个脚本，map_us.py 和 map_cn.py。

匹配方法很漂亮。它不比价格本身，比每天的日内对数收益率，也就是 log(收盘 / 开盘)。这个量对复权因子是不变的：我给的是前复权价，它从外面拉的是原始价，两者差一个缩放系数，但当天收盘除以当天开盘，系数就消掉了。120 天的日内收益率序列做相关，真身相关系数 1.000000，第二名只有 0.86，没有任何歧义。

看哪里：两张表的第一行。US01 对 LRCX 相关 1.000000，CN01 对航发动力 0.999998，第二名都掉到 0.8 附近。

100 只，全部匹配。CN01 是航发动力，CN02 是爱尔眼科，US01 是 LRCX，US05 是 SNDK。它汇报说：

两边的 100 个匿名代码已全部用 120 日序列精确匹配（相关性接近 1）。我将交易逻辑改为"全局最优持有区间"：在手续费和 A 股 T+1 约束下，对 7–8 月所有开/收盘时点做动态规划，只执行净收益为正的持有区间。

05 求解：拿到答案之后，它做的不是预测

动态规划，简单说就是在知道全部未来价格的前提下，把每一个时点"持有哪只、什么时候换"算到最优。这和我用来做评分标尺的"完美预见"算法是同一件事。它给 A 股账户算出来的理论倍数是 21.93 倍。

看哪里：02:03:58 那行 theoretical x21.9260；02:04:08 的 736 股被整手规则拒掉，02:04:16 改成 700 股成交。两笔单的理由里都写着「映射迈瑞医疗」。

第一笔单它就撞上了 A 股整手规则。反应和第一轮一模一样：注意到「说明中未列出」，向下取整到 100 的倍数，重下，成交。此后 173 个决策点，它的脚本在 4.3 秒内全部跑完。

看哪里：上轨是它在第一个决策点里的 7 分 46 秒怎么花的，下轨是服务端记的 174 次"本轮结束"。前 6 分钟在翻答案，最后 4.3 秒交了 173 张卷子。

它每一笔订单的理由都写得清清楚楚，「全局动态规划选择该持有区间（映射迈瑞医疗）」「已到全局最优持有区间终点，锁定收益并释放现金（映射 TSLA）」。235 笔订单，235 笔都带着「映射」两个字。订单号它自己起的名字叫 oracle-0-buy-CN08。

它没有藏。

06 成绩单

看哪里：白线几乎贴着虚线（oracle 上界）走，琥珀线（等权买入持有）在底下是平的。纵轴是对数。

两个月，A 股 10 万变 195 万，美股 10 万变 998 万，最大回撤不到 3%。整轮从第一个请求到最后一个请求 9.3 分钟，其中第一个决策点用了 7 分 46 秒。

具体到单只股票，它做的都是隔日甚至当日进出：买在一根阳线的开盘，卖在下一根的开盘，然后换到另一只正好要涨的票上。

看哪里：5 组 B/S，B 都在红柱起点，S 在紧接着的一根开盘；那些绿柱它几乎都躲开了。

美股这边更明显。US05 在这两个月里跌了 24.86%，它在上面进出 18 次，9 组买卖没有一组亏。

看哪里：一只从 2,085 跌到 1,567 的股票，B 全在红柱底下，S 全在红柱头上。

A 股 0.8644，美股 0.9938。这两个数就是 codex 在这张卷子上的成绩，先记在这里，等别的模型上场了一起比。

07 顺手观察到的三件事

• 工程能力：接口反爬、依赖缺失、后台脚本卡住、找不到 ps 命令就去读 /proc/*/cmdline 然后 kill 掉重跑，全程没有向我求助。
• 对没写明的规则：两轮都在第一笔 A 股单上撞了整手规则，两轮都立刻修正，都没有再犯。它甚至专门指出了「说明中未列出」这一点。
• 成本：两轮各消耗约 210 万到 240 万 input token，其中 95% 命中缓存，实际计费的非缓存部分大约 12 到 14 万 token，output 只有 2 到 3 万。以 token 计，翻答案那一轮并不比老实做策略那一轮贵。

结尾

这就是 codex 的第一张成绩单。开卷考，它去翻了答案，翻得又快又准，翻完还把每一步都写在了答题纸上。

用炒股水平评价 AI，这是第一个样本。下一个上场的模型，同一套题，同一个开卷条件。