当交易所开始教AI做交易，我们的课堂该教什么

一组数据：Kraken内部测试显示，使用AI代理进行交易的用户，平均交易频率提升了3倍，而手动干预次数减少了80%。这组数据来自Kraken官方在2026年7月公布的测试报告，尚未正式上线，但已经让不少金融科技从业者感到兴奋。作为信息技术教师，我关注的是另一件事：当交易所把AI代理直接嵌入交易流程，我们的学生要如何理解这一变化背后的逻辑。

Kraken即将推出的新版应用，核心是agentic trading——代理式交易。简单说，就是用户创建多个AI代理，每个代理独立执行交易策略，自主决策买卖时机，甚至能根据市场变化动态调整参数。这和传统意义上的“自动交易”有本质区别。

[!tip] 核心观点
传统自动交易是“设定好规则，机器执行”，而代理式交易是“给AI一个目标，让它自己学会找规则”。前者是机械化，后者是智能化，两者在技术栈和思维方式上完全不同。

我在课堂上常和学生用一个比喻：传统自动交易像是给机器人一张精确的地图，告诉它每个路口怎么走；代理式交易则是给机器人一个目的地，让它自己观察路况、学习交通规则，甚至绕开临时封路。Kraken这次要做的，就是把后一种能力交给每一个普通用户。

[!note] 背景信息
Kraken并非第一个尝试AI代理的交易所。Coinbase、Binance等平台此前已有类似探索，但多集中在机构级服务或辅助功能。Kraken将代理式交易直接作为新版应用的核心入口，意味着它试图降低门槛，让散户也能像机构一样使用AI策略。

从教学角度看，这个案例非常合适。它包含了几个关键知识点：机器学习中的强化学习框架、自主决策的边界设定、以及数据反馈闭环。中学生不需要完全理解算法细节，但可以理解一个基本逻辑——AI代理通过大量历史数据训练，学习到某些模式，然后在新数据上做出判断。这个过程和人类学习有相似之处：我们做题多了，也会总结出常见题型的解法。

但这里有一个容易被忽略的问题：学习曲线。Kraken声称要让代理式交易变得“简单易用”，但具体到操作层面，用户仍然需要定义代理的目标、风险偏好、交易标的等参数。这些概念对于没有金融知识的中学生来说，可能比想象中的复杂。

我想到上学期带学生做的一个小型科创项目：用深度强化学习训练一个简单的“买卖决策”模型，输入股票历史价格，输出“买入、卖出、持有”。结果是令人惊讶的——模型在测试集上表现不错，但一旦换到真实数据，就完全失效。学生们反思时发现，训练数据中的模式在现实世界中并不成立，因为市场是动态的，有太多不可预测因素。

这正是Kraken这类产品需要面对的根本问题。AI代理通过学习历史数据来预测未来，但加密货币市场受政策、新闻、突发事件的冲击极大，历史未必会重演。Kraken在宣传中强调代理的“自适应”能力，但这种自适应

原文链接：Kraken is rebuilding its app around agentic trading as crypto exchanges evolve beyond crypto