開源交易智能體：自由，以及它的帳單

如果你看得懂 Python，開源交易智能體的理由不用別人幫你講：邏輯完全掌握在自己手上、每一行都能稽核、沒有平台費、也沒有廠商替你決定能做什麼。這些都是真的。README 裡從來不寫的，是那張帳單：你的夜晚都拿去當沒薪水的系統管理員、未經包裝的交易所金鑰就擺在自己的機器上，還有半夜三點 websocket 在部位開著時斷掉、卻沒有人可以打電話求救。這篇文章認真看待自建這條路，誠實地替兩邊都算一次帳，幫你想清楚自己該站在這筆交易的哪一邊。

「開源交易智能體」到底涵蓋哪些東西

這個詞跨越了三個相當不同的家族，你指的是哪一個，合理的期待就完全不同。

規則型機器人框架。 freqtrade 這一脈：你把策略寫成一個 Python 類別，從共用函式庫拉取指標，透過社群維護的封裝取得回測、超參數最佳化與交易所連線。這類專案已經成熟。上千名使用者早已替你踩過那些原本得用真金白銀才發現的雷，而文件也反映了十年的慘痛教訓。

LLM 智能體框架。 較新的一族：一層編排把語言模型接上市場數據與交易所 API，模型讀取脈絡、自我辯論、提出行動。這裡的研究源頭可追溯到 TradingAgents（Xiao et al., arXiv:2412.20138, Dec 2024），它把一家交易公司建模成一支由專職 LLM 智能體組成的團隊（基本面、情緒與技術面分析師、一名交易員、一名風控），在行動前先彼此辯論，並在回測中回報相較基準更佳的累積報酬與 Sharpe。那篇論文催生了一波 GitHub 實作。

研究程式碼。 為了支撐一篇論文而發布、而非拿來操作你資金的儲存庫。把它們當成閱讀材料就好。一份 2024 年對 LLM 交易智能體的綜述（arXiv:2408.06361）發現，這個領域多數研究都回報優異的回測表現，卻同時點出測試視窗過短、前視偏誤、以及資產範圍狹小等問題。後續研究（arXiv:2505.07078, 2025）顯示 LLM 策略的回測會因「記憶」而灌水：訓練資料與測試視窗重疊的模型，可能只是「記得」發生過什麼，而不是真的預測。如果一個儲存庫的招牌成績來自落在模型知識視窗內的回測，就大幅打折看待。

開源真正帶給你的東西

以下沒有一項是安慰獎。這些都是託管平台無法完全比擬的實質優勢。

你可以讀到碰你錢的那段程式碼。 當一個封閉平台說訂單大小算得沒問題，你是在相信一句宣稱。當計算部位大小的邏輯是你自家儲存庫裡的一個函式，你可以驗證它、測試它、修正它。對任何曾被不透明軟體坑過的人來說，這種可稽核性很值錢。

零平台費。 你還是要付交易所手續費、價差、一台伺服器，或許還有市場數據費，但沒有訂閱費，也沒有人從中抽成。對於月費會對報酬造成明顯拖累的小額帳戶，這在算術上就有差，不只是心理上的。

沒有綁定，完全可攜。 專案若停擺，程式碼還是你的。交易所若把你的交易對下架，你把連接器指向別處就好。你的策略是一個你擁有的檔案，而不是躺在別人資料庫裡的一組設定。

你學到的會比任何課程都多。 動手做會逼你搞懂各種訂單類型、速率限制、部分成交、時鐘漂移，以及為什麼你回測時的成交價根本是幻想。跑一支小型開源機器人半年的工程師，出關時對市場微結構的理解，會達到多數散戶永遠碰不到的層次。即便這支機器人一毛錢都沒賺，這份養成仍有長久的價值。

帳單：這份自由要付多少錢

這是 GitHub 星星不會顯示的部分。以下每一項都是經常性成本，而不是一次性的架設工作。

你變成系統管理員

總得有人去開 VPS、盯著運行狀態、重啟當掉的程序、把相依套件釘死版本，並吸收上游每一次破壞相容性的變更。交易所會依自己的時程淘汰 API 端點；一旦如此，你的連接器就壞掉，直到你或某個維護者修好為止。維護者也會離開：一個你採用時還很熱鬧的儲存庫，十八個月後可能悄悄無人聞問，留下你自己去 fork、自己去維護。為這件事每個月預留幾小時，而且沒有期限，否則就接受這支機器人會逐漸退化。

金鑰安全的擔子只有你一個人扛

你的交易所 API 金鑰就住在你的機器上、在你的環境變數裡，靠著你帶來的紀律看守。把金鑰範圍限縮成只能交易、停用提領、設定 IP 白名單、輪換密鑰、別讓它進到 git 歷史紀錄裡：全都是標準做法，也全都完全落在你身上，而且沒有盡頭。在你部署任何東西之前，威脅模型與對應的防護措施都值得深入研究一遍；我們的交易 API 金鑰安全指南就談到那套讓金鑰即使被偷也還能存活的權限模型。

風控層是一張空白檔案

多數框架會替你計算訂單大小。但真正會在執行的那一刻做一次獨立檢查、確認這筆訂單有遵守你的最大部位、單日虧損上限、槓桿上限，並確認一段迴圈的錯誤不會把它連發五十次的，就少得多了。在具備執行時風控的託管平台上，無論你的策略程式碼對不對，那一層都在。而在你自己的技術棧裡，只有當你把它建好、測好、並持續讓它運作，它才存在。策略錯誤只讓你多做一筆爛交易；缺了風控層，同一個錯誤就會變成一個被掏空的帳戶。

隨時待命的只有你

會找上門的故障，不會挑上班時間出現。websocket 在凌晨 3:12 斷線，重連邏輯只成功了一半，機器人現在瞎著眼、還開著一個帶槓桿的部位。沒有客服台、沒有可以往上通報的狀態頁、沒有任何人以你的運行時間為職責。有些人是真心享受當自己的待命工程師。誠實面對你是不是這種人，因為當你在 Google 搜尋那串錯誤堆疊時，市場不會暫停。

如果你走 LLM 智能體這條路，還要再加上模型相關的項目：每個決策週期的 token 成本、供應商更新模型時的提示詞漂移，以及照別人時程逼你遷移的淘汰通知。

一套尊重你時間的決策框架

把身分認同的問題（「我是不是個打造者？」）擱一邊，問問你到底在為什麼做最佳化。

你的處境	較合適的選擇	為什麼
工程師、有閒暇、想深入了解市場	自建開源	學到的東西就是報酬；規模跑小一點
有策略、又有正職的投資人	託管平台	你稀缺的資源是注意力，不是那筆訂閱費
驗證研究構想的量化玩家	混合	在開源中做原型與研究，在有風控層的地方執行
任何獨自部署可觀資金的人	兩邊都先暫停	真正會傷到你的落差在流程，不在工具

總成本這道算術，正是自建對多數非工程師悄悄敗下陣的地方。你省下的訂閱費看得見；每個月二十小時的維護、那份你始終沒真正做完的安全審查、以及那一次收尾很難看的事故，卻看不見——直到它發生。我們在AI 交易的真實成本一文替這些隱藏項目算了帳，而時間始終是其中最大的一筆。

完全揭露我們在這筆權衡裡的立場：Obside 就站在託管那一邊。你放棄了自己跑一整套技術棧的掌控權。換來的是，你用白話描述你的策略——比如「當 4 小時線上的 RSI(14) 跌破 30 就買進 $300 的 ETH，8% 移動停損，ETH 部位永遠不超過投組的 15%」——AI 副駕把它重述成受監控的條件與計好大小的訂單，先回測、再紙上交易，之後才把實單送出去，並在執行的那一刻套用部位上限與回撤上限，跑在一套運行時間與金鑰安全都是某個人本職工作的基礎設施上。自由是比自己的儲存庫少一些。半夜三點的呼叫則少得多。哪一筆交易對你才對，取決於你落在上表的哪一列；而如果你走託管，就用嚴格的標準去挑平台，別靠行銷話術。

接下來該往哪走

如果你是有時間又有好奇心的工程師，這個週末就複製一個成熟的框架，用一筆賠掉也不會皺眉的金額去餵它，並把頭六個月當成學費。批判地讀那條研究脈絡——即便其中的超額報酬宣稱很虛，多智能體架構本身仍相當有意思。如果你是優勢在於策略而非維運習慣的投資人，就誠實承認：這份自由的帳單，是用你的時數與睡眠來計價的。無論走哪一邊，紀律都一樣：先回測、再紙上交易、再小額上線。若託管這筆權衡剛好合你那一列，Obside 會在護欄之內跑你的邏輯，而論點依然屬於你。

僅供教育參考，不構成投資建議。交易存在風險，可能導致本金損失。