7月4日，  123X “ AI与多资产交易的未来 ”20城巡回来到长沙。围绕 AI Agent、RWA、对冲套利、Perp DEX、预测市场与链上信用，来自交易、研究、技术与基础设施一线的分享者给出了各自的答案。原定圆桌因时间原因取消，但连续展开的主题分享，反而把一条更清晰的主线推到了台前： AI 对交易的改造，首先不是替人预测涨跌，而是重做信息、决策、执行、风控与信用的整套工作流。

从一场活动的开场，看见交易的新坐标

活动由 123X 主办，HyperTrend 与 KCSC.io 支持。签到与开场之后，主题分享按 123X、HyperTrend、Uweb、KCSC、Variety Labs、OneRouter、HyperTrend Roadshow 的顺序展开，期间穿插抽奖与产品演示。123X 联合创始人 Punk 从平台的连接逻辑切入，将当天的议题概括为 AI、Multi-Asset、Trading 与 Community 四个关键词。

这四个词并不是简单并列。AI 正从生成内容走向执行任务；股票、加密资产、外汇、黄金、债券、稳定币与 RWA 正在围绕流动性和结算网络彼此连接；交易则把信息转化为判断、决策、执行与反馈。123X 希望承担的，是项目、平台、策略与流动性一侧，同用户、交易者、投资者和城市社区一侧之间的连接层。

这也为后续分享定下了基调： 讨论重点不在某一个“神奇模型”，而在技术、资产与人的协作方式如何被重新组织。

Finn：Agent 不是神谕，先把交易变成可审计的流程

HyperTrend CEO Finn 的分享从交易员的真实问题出发：交易员并不缺概念，也不缺信号，缺的是能进入交易台、帮助自己少犯错的 AI。随着 BTC、纳指、美元指数、利率、链上资金与全球风险偏好之间的联动增强，过去按单一市场划分的观察框架已经不够用了。

Finn 将 AI 的第一层价值定义为“扫描战场”：汇总宏观事件、价格、资金费率、持仓量、清算区、链上异动与情绪信息，判断当前更接近趋势、震荡、Risk-on 还是 Risk-off。第二层是信号质检，追问成交量、持仓量、资金费率、主动买盘、止损位置与盈亏比是否彼此支持。第三层才是仓位与执行，持续监控总风险敞口、同向集中、杠杆、连续亏损后的行为变化，以及交易是否偏离原计划。

由此，Agent 的正确形态不是一句“现在买不买”，而是 Observe、Analyze、Plan、Execute、Review 的闭环。市场状态 Agent、信号质检 Agent、仓位 Agent、执行 Agent 与复盘 Agent 可以各司其职，但人的判断、风格和最终责任并不会消失。

分享进一步指出，Agent 的瓶颈往往不是模型，而是数据质量。短期暴富可能只是运气，高杠杆扛单回本也不能被误学成风险控制。HyperTrend 因此尝试用交易行为分析、HTU 能力验证和链上信用，把“谁赚得多”拆解为收益质量、回撤来源、杠杆纪律、市场适应性和长期可信度。对交易 AI 来说，数据越多未必越好；可解释、可追溯、能区分能力与偶然性的样本才更重要。

于佳宁：AI 与数字资产，正在汇成同一套金融基础设施

香港 Uweb 商学院校长于佳宁把视角拉到产业层面。他将本轮 AI 扩张描述为一个由 Agent 驱动的商业循环：算力与基础设施升级推动模型能力提升，Agent 应用普及带来更多推理调用与 Token 消耗，收入增长再回流到基础设施建设。AI 的价值不只体现在模型本身，也会沿着芯片、云、数据中心、应用和支付网络传导。

另一条线来自 RWA 与资产代币化。分享以代币化美股、Pre-IPO 资产和链上衍生品为例，说明传统资产正获得全天候交易、份额化表达与更连续的价格发现。一级与二级市场之间可能出现新的“1.5 级市场”，银行、券商、交易所和支付机构的业务边界也会变得模糊。

在这套框架里，区块链提供统一、可编程的账本，稳定币承担跨境结算和流动性媒介，代币化把股票、黄金、大宗商品等资产纳入同一交易生态，AI Agent 则成为新的研究、决策和执行主体。于佳宁同时强调香港在持牌金融、跨境配置、代币化产品与合规人才方面的窗口；技术可以压低摩擦，但跨境、数据、资产权属和投资者保护仍然是产品能否落地的前提。

给普通投资者的启发并不是追逐所有新名词，而是高频使用 Agent，亲自感受其效率和边界；围绕长期壁垒建立核心资产组合；同时补齐合规、风险和跨市场知识。真正的 AI 投研，应把“知道”转化为可执行、可复盘的决策过程。

Kevin：套利系统真正预测的，是自己能否活下来

KCSC 分享者 Kevin 将话题从趋势判断转向对冲套利。跨交易所价差、三角套利、现货与期货基差、资金费率、闪电贷和统计套利看似各不相同，底层逻辑却相近：寻找暂时失衡的价格关系，以反向头寸降低方向暴露，等待关系回归。

但“低风险”不等于“无风险”。价格关系可能长期不回归，相关性会在危机中断裂，手续费、滑点、资金占用、成交失败和流动性枯竭都可能吞掉纸面收益。Kevin 因此更关注低频套利与动态对冲的可持续性，而不是用高杠杆、网格或马丁去放大短期收益。

KCSC 展示的系统化框架分为四层：信号层识别趋势、波动和跨市场偏离；组合层管理净敞口、风险预算、对冲比例和集中度；执行层处理路由、拆单、滑点和成交质量；风控层设置账户、策略、市场和系统级限额，并在重大偏离时保留人工确认。回测还要覆盖样本外、参数扰动、极端波动和低流动性阶段。

这一部分给出的朴素结论是：金融市场不缺短期明星，缺的是长期寿星。策略只是起点，数据、计算、执行成本、异常降级和尾部风险处理，才决定系统能否长期存在。

Ewan：从道氏理论到 Perp DEX，链上交易正在长出自己的 OS

Variety Labs 联合创始人 Ewan 从传统外汇量化团队转向链上衍生品研究的经历出发，讨论 TradFi 方法如何迁移到 Perp DEX。道氏理论、趋势跟随、支撑阻力、相关性与价格发现并没有因为市场上链而失效，改变的是市场全天候运行、流动性跨场所分散，以及执行和结算都可以被编程。

Variety Labs 将新的结构性机会概括为“市场价差与流动性错配”。从 Hyperliquid 等 Perp DEX，到代币化股票、跨资产永续合约，再到 Tread.fi 一类算法交易终端与 OEMS，交易者需要的已不再只是看盘界面，而是多场所接入、做市、套利、智能路由、执行分析和风控的一体化工作区。Hibachi 所代表的稳定币原生外汇，则进一步把即时价值转移、可编程结算与全球 FX 流动性联系起来。

当 AI Trading OS 进入这套基础设施，AI 可以成为研究员、分析师和执行助手，交易也从 Copy Trading 走向 Agent Trading。但“Agent 与 Agent 的竞争”并不只拼模型智力，还拼数据权限、交易通道、延迟、成本和风险约束。没有可靠的执行系统，再好的判断也可能在成交时被磨损。

Brian：最具体的 AI 用例，是在一个小市场里把问题做完

OneRouter 联合创始人 Brian 带来了一次更接近现场实验的分享：用 AI 辅助开发天气预测策略，参与 Polymarket 的城市最高温度盘口。在预测市场里，合约价格可以理解为市场对某一结果的隐含概率；如果自己的估计更接近真实概率，就可能发现错误定价。

之所以选择天气，而不是直接预测大盘，是因为天气数据公开、官方气象站可核验、预报体系相对成熟，多个城市持续开盘且结算周期短。与此同时，盘口流动性小而分散，专业团队未必愿意投入，这给个人留下了小容量、但可以程序化研究的空间。

更有启发的部分来自开发方法。Brian 总结了 Vibe Coding 的几个原则：先把需求、API 和边界条件说明白；优先使用能力更强的模型，节省人的时间；让不同模型分别承担编码与审查；用 GitHub 提交记录保存长期记忆；保持上下文干净；当模型陷入混乱时，及时重开任务而不是在错误轨道上继续追问。

这次案例没有证明 AI 可以消灭不确定性，恰恰说明 AI 降低的是实现门槛。真正决定结果的仍然是问题定义、数据源、概率校准、成交价格、仓位限制和复盘。普通人参与 AI 变革最务实的方式，不是假装看清终局，而是在自己理解的领域做出一个可验证的小闭环。

Coco：当 Agent 开始交易，市场需要一层新的信用

HyperTrend 联合创始人 Coco 在最后一场分享中回到信用问题。DeFi 依赖过度抵押，一个重要原因是市场难以区分谁更值得信任；在跟单和交易者筛选中，用户又常常依赖截图、短期收益和主观叙事，真实的风控能力很难被观察。

随着 DEX 与链上永续交易数据逐渐完整，交易行为、杠杆纪律、回撤、仓位管理和链上足迹可以被持续追踪。HyperTrend 希望把这些行为转化为信用评分、风险标签、等级体系和交易画像，再用于交易者识别、跟单筛选、权限分层、风险定价和未来的信用金融。根据项目现场材料，其已覆盖 60 万以上地址评分，并有 400 余名内测用户参与验证。

Coco 强调，这不应只是一个收益排行榜。真正可用的信用系统必须能解释分数由何构成、风险来自哪里，并持续更新。HTU 的 benchmark、榜单与认证承担能力验证入口，链上真实行为则校验长期一致性。对于未来的 AI 交易主体，这同样重要：Agent 不仅需要会交易，还需要证明自己的数据来源、能力边界和历史表现值得信任。

六场分享之后，三条行业主线浮出水面

第一，AI 最先重构的是流程，而不是预测。扫描信息、识别市场状态、质检信号、分配风险、监控执行、复盘偏差，这些结构化任务比“猜明天涨跌”更适合率先交给 Agent。自动化程度越高，人工确认、权限隔离和熔断机制越重要。

第二，多资产融合首先发生在基础设施层。稳定币、代币化、统一账户、跨场所路由与全天候市场，让股票、外汇、商品和数字资产共享更多流动性与结算网络。但资产被放到同一界面，并不代表监管、交易制度和尾部风险也被统一。

第三，长期壁垒从模型转向数据、执行与信用。基础模型会快速普及，真正难复制的是高质量样本、可解释的风险标签、低摩擦执行、成本控制、合规入口和可验证的长期记录。未来的竞争不是谁最会调用模型，而是谁能把模型嵌入一套可靠的交易系统。

给交易者与产品团队的五条行动建议

先把 AI 放在研究和复盘环节。让 Agent 汇总信息、提出反证、检查计划与实际行为的偏差，再逐步扩大到条件监控和半自动执行。

把风险预算写在策略之前。明确单笔损失、总敞口、相关性集中、最大回撤、异常暂停和人工接管条件，不用收益目标倒推杠杆。

回测必须计入现实摩擦。手续费、滑点、资金费率、借贷成本、延迟、成交失败和流动性容量，决定“理论套利”能否成为“可交易套利”。

保留数据血缘和决策记录。任何交给 Agent 学习的样本，都要能追溯来源、时间、市场环境与幸存者偏差；任何自动执行，都要留下可审计日志。

用小闭环参与，而不是用宏大叙事下注。选择自己真正理解的市场，完成数据、模型、执行、风控和复盘的最小闭环，再讨论规模化。

结语：交易的未来，不只是更聪明，而是更可验证

由于时间调整，原定的“标的、策略、执行与 AI 驱动下的新交易范式”圆桌未能举行。活动最终以主题分享和交流收束，但当天的内容已经给出了一组相互呼应的答案。

AI 会让研究更快、执行更自动；

资产代币化会让市场更连续、边界更模糊；

链上数据会让行为更透明。

与此同时，错误也可能被更快放大，流动性风险不会因为界面更智能而消失，信用与合规的重要性只会继续上升。

因此，下一代交易系统真正值得追求的，不是一个永远正确的预测器，而是一套能识别不确定性、限制损失、解释决策并持续学习的机制。人负责目标、边界与责任，AI 负责规模化分析和执行，信用负责记录与定价。长沙站所呈现的，正是这幅未来交易图景的一个切面。