X 平台一则教人用 GPT-6 Astra 搭建「个人对冲基金」的帖子，在 9 月 8 日累计获得 21.16 万次浏览、846 个赞和 2,100 次书签。发帖者 Roan（@RohOnChain）自称是后端工程师，专长是系统设计与高频交易风格的执行系统。他的核心说法是，过去一年，机构级量化策略工厂的价格在 200 万到 5,000 万美元之间，现在每月花 300 美元就能自己搭出一套。
BlockTempo 对这篇长帖引用的学术来源与定价进行了核对，发现其中有几处对不上。文中最受质疑的部分，集中在内部人交易信号的收益数字，以及整套系统所采用的统计检验门槛。
Roan将机构优势拆成四类「市场错价」
Roan 在帖文中重新定义了华尔街的优势。他认为，文艺复兴科技（Renaissance Technologies）的护城河并不是某一个完美策略，而是同时运行数千个小策略，并在旧策略失效前补上新的。他写道，相关数学本身是公开的，真正昂贵的是基础设施。
他把机构寻找的错价分成四类。第一类是统计套利，即观察两只历史联动股票何时出现背离，数学基础是 Ornstein-Uhlenbeck 均值回归，并引用 Robert Engle 与 Clive Granger 于 1987 年发表在《Econometrica》的协整论文。第二类是波动率曲面错价，即比较期权隐含波动率与实际波动率之间的差距，引用 Steven Heston 于 1993 年发表在《Review of Financial Studies》的随机波动率模型。第三类是 Fama-French 五因子拆解后剩余的残差收益。第四类则是内部人交易信号。
BlockTempo 表示，前三类所对应的出处都可以查到，期刊与年份也能对应上。
两层 AI 架构与每月 300 到 500 美元成本
在技术架构上，这套系统被分成两层。监控层使用的是 Moonshot AI 在 7 月推出的 Kimi K3 Swarm Max。根据帖文描述，这一模型有 2.8 兆参数，采用 PARL（Parallel-Agent Reinforcement Learning）架构，最多可以派出 300 个子代理，分别监控美股订单簿、Hyperliquid 永续合约、Polymarket 预测市场、期权异常流量以及 SEC 内部人申报。
推理层则交给 GPT-6 Astra，负责生成策略假设、编写回测代码并进行统计验证。两者 API 的输入定价，帖文写的是每百万 token 分别为 3 美元与 10 美元。
在更上层，系统还套了 8 个具名机器人，通过 Grok Bot 用自然语言调度，验证通过的策略会被推送到 Telegram。帖文写死的验证门槛包括：夏普值大于 1.5、最大回撤小于 15%、胜率高于 55%、t 值大于 2.0。
Roan 计算，这套系统总成本约为每月 300 到 500 美元。作为对比，他引用彭博终端机（Bloomberg Terminal）2026 年单人使用报价为每年 31,980 美元，折算后约每月 2,665 美元。按这个口径计算，两者之间确实有超过 8 倍的差距。
不过，帖文自称成本下降达到 1 万倍。BlockTempo 指出，按文中给出的价格区间计算，降幅只能推得出约 417 倍到 2,083 倍。
内部人交易 5.3% 年化 alpha 在原论文中找不到
第四类错价，也是整篇内容里唯一给出可执行公式的部分，恰好就是最对不上的一项。
帖文称，若 Nvidia 三名高管在财报前同一周买入自家股票，这类形态在历史上会在后续 12 个月产生 5.3% 的年化 alpha。Roan 将这一数字归因于 Lauren Cohen、Christopher Malloy 与 Lukasz Pomorski 于 2012 年发表在《Journal of Finance》的论文《Decoding Inside Information》。
他还附上了一条筛选公式：将 5 日内买入的内部人人数乘以总金额，再除以平均每日内部人成交量，若分数超过 3.0 就触发信号。
BlockTempo 称，这篇论文全文可以在哈佛大学公开档案中查阅。论文中的核心数字是每月 82 个基点，年化 9.8%，t 值为 2.15，对应的是价值加权的多空组合；等权重版本则是每月 180 个基点，年化 21.6%。论文中没有 5.3% 这个数字，也没有帖文写出的那条评分公式。
Astra 定价分档与超长输入成本问题
帖文还强调，Astra 可以一次处理 105 万 token 的完整交易日数据，「不是摘要，不是抽样」。但 BlockTempo 指出，按照 OpenAI 的计价方式，输入超过 272,000 个 token 之后会进入更高一档计费，输入价格会从每百万 10 美元升至 20 美元，输出价格则会从 50 美元升至 75 美元。
这意味着，若按帖文描述去处理超长上下文，实际成本并不一定与文中展示的低成本测算一致。
争议集中在 t 值门槛与多重比较问题
帖文结尾附有一段少见的免责声明。Roan 明确写道，这套系统不能替代若干关键能力，包括依赖交易端主机共置的高频套利、美国国债一级交易商关系、机构费率的交易所直连数据、董事会层级的合法内幕信息，以及基金行政与主经纪商关系。他写道：「这不是文艺复兴科技杀手。」
评论区中，获得最多回应的并不是称赞。X 账号 @DepasMarki92257 评价称，这套内容更像是一个把所有 t 值大于 2 的结果都保留下来的发现工厂，找到的不是 alpha，而是被制造出来的伪阳性；测试的策略越多，问题就越严重。
这指向统计学中的多重比较问题。t 值大于 2 大致对应约 5% 的伪阳性率，也就是说，每测试 100 个实际上无效的策略，平均会有 5 个仅凭随机性通过门槛。帖文设定的系统是持续生成假设、持续回测、持续部署，测试数量越大，通过门槛的策略中混入噪声的比例就越高。而帖文描述的验证层，没有提到任何针对多重检验的校正方法。
按照 BlockTempo 的总结，这套流程确实让个人用户能以较低成本体验对冲基金式的策略开发流程，但真正决定能否盈利的策略本身，并不能因为引入 AI 就自动解决。
帖文中的常见问题与已知限制
对于「GPT-6 Astra 是否真的能自己找出交易策略」这个问题，文中给出的回答是：OpenAI 于 9 月 3 日推出 Astra，支持 105 万 token 上下文，输入价格为每百万 10 美元，并可直接操作浏览器与 API。但在这套演示流程里，仍然需要由人预先写好验证门槛与风控规则，模型主要负责产出代码与回测结果。
至于最大风险，文中指出的就是多重比较。由于验证门槛被设在 t 值大于 2.0，对应约 5% 的伪阳性率，意味着每测试 100 个无效策略，就可能有 5 个随机过关。系统测试越多，回测表现被高估的程度也会越大。