思考的价签：80 万次预测，买不到四分之一个基点

给模型多买一点推理算力，它会写出更长更完整的分析。这在数学题和代码题上成立，因为答案对错当场可判。放到交易上，这个问题要换一种问法：多花的推理 token，扣掉交易成本之后，还能不能变成组合的钱？

新泽西理工学院的 Jiayi Chen 与 Guiling Wang 把这个问法做成了控制实验，论文《The Price of Thought: Does Test-Time Reasoning Pay in LLM Trading?》于 2026 年 9 月 25 日上传 arXiv（2609.30705）。结论写在摘要第一句之后的那一句：三个模型家族里，增加推理都没有带来可靠的净收益提升。【直引】

🧪 实验怎么锁的变量

常见的 LLM 交易研究会把模型、提示词、工具、记忆、决策流程一起换，测出来的是一整套系统的差别。这篇只动一个旋钮：推理力度。

【直引：论文 §3 与附录】

基线推理档：DeepSeek 与 GPT 是 none（完全不开推理），Gemini 是 minimal，因为它的接口没法保证把内部思考彻底关掉。

判定规则预先写死：双侧 95% 置信区间下界大于 0.25 才算实质收益，上界小于 0 才算有害，上界小于 0.25 算无实质收益，其余一律 inconclusive。注意 inconclusive 不等于零效应，多数区间仍然同时包含正负两侧有经济意义的数值。【直引】

📊 九个年度对比，一个都没过线

九个年度 low vs baseline 对比（3 个模型家族 × 3 种输入条件），估计值单位是基点/天：

【直引：论文主结果表】

九个估计里六个正三个负，九个区间全部跨过 0，也全部跨过 0.25 的门槛线。Holm 校正之后判定不变。

绝对收益那一栏更冷。18 个组合（9 个基线加 9 个低推理）里 13 个净收益为负。正收益只出现在 Gemini 的可识别新闻（+1.417% / +1.275%）和 Gemini 掩码新闻的 minimal 基线（+2.122%）。Sharpe 比例大多在负区间，最大回撤普遍在 −20% 到 −34%。【直引：论文附录 Table 7】

📉 非单调，而不是边际递减

DeepSeek 是唯一测了完整曲线的家族：none、low、high、maximum。在 48 个冻结建仓日、68 个收益日、每个 backbone 重复生成三次的审计样本上：

【直引：论文 Table 5】

掩码新闻下 low 对 none 的 −9.016 是全文唯一被判为 harm 的结果，区间上界 −1.784 全在零以下。三次独立生成分别是 −7.490、−9.327、−10.231，方向一致。移动块 bootstrap（5 个 session 一块）给出 −17.929 到 −3.477，cohort bootstrap 给出 −15.482 到 −2.281，都还活着。

唯一一段决定性为正的相邻对比，是可识别新闻的 Maximum − high：+4.639，区间 0.376 到 8.903。但 maximum 整体仍然没赢过 none。某一步有利和"越多越好"是两回事，这句话值得抄下来。【推论】

🎲 同样的问题问三遍，答案不一样

重复生成的结果更能说明问题。在冻结的市场日期上，同一个任务问三次：

• GPT 的净收益在正负之间翻符号。
• Gemini 在正收益和亏损之间摆。
• 被审计的 GPT 或 Gemini 建仓日里，没有任何一对生成选出完全相同的多空两端（identical tails 为 0.000）。GPT 数值低推理的 Spearman ρ 是 0.946，尾端 Jaccard 只有 0.657；Gemini 掩码新闻低推理的 ρ 是 0.669，Jaccard 0.355。

【直引：论文附录 H】

分数看着差不多，选出来的股票不一样。在十只做多十只做空的边界上，一点点排序抖动就会换掉一只持仓，换掉持仓就产生换手。【推论】

换手率数据支持这个链条。九种条件下换手率在 24.5% 到 31.2% 之间。DeepSeek 加推理反而降换手（数值条件从 30.83% 降到 24.48%），Gemini 加推理略微升换手（掩码新闻从 28.38% 升到 29.51%）。成本敏感性分析里，5、20、50 基点下 GPT 与 Gemini 的全部对比仍为 inconclusive，DeepSeek 掩码新闻的 harm 依然成立。【直引：论文附录 E】

🧾 格式变好了，收益没变

推理对输出结构合规的影响因模型而异，方向还不一致。

无效任务率的基线：GPT 保留 57 个无效任务占 0.99%，Gemini 136 个占 2.35%，DeepSeek 为 0。

论文原句是：推理改变了输出结构可靠性，且方向因模型而异，可靠性改善本身并不意味收益改善。【直引：论文 §6.1】

这句话值得单独框起来。一个智能体输出的 JSON 完全合规、字段全对、类型无误，它选出来的股票篮子照样可以稳定亏钱。把语法合规当成判断力，是目前企业智能体落地里最贵的一类错误。【判断】

🧭 为什么值得盯

第一，它测的是经济量而不是代理量。多数 test-time scaling 研究落在数学和代码上，那里有可验证的真值。这篇把终点设成扣完成本之后的净收益，转换链条上每一环都可能把收益吃掉。【推论】

第二，结论对做量化的人是直接可用的。在 241 个交易日、100 只股票、10 多 10 空、单边 10 基点的设定下，三个家族九个对比没有一个能证明"多想一会儿值这个钱"。这不能外推成"推理没用"，只能外推成"在你自己的流程里，推理的收益要单独验证"。【判断】

第三，它顺手拆了"分数稳定等于决策稳定"的假设。ρ 0.946 配 Jaccard 0.657，说明聚合指标会掩盖尾部选择的不稳定，而尾部才是决定持仓的地方。【推论】

⚠️ 边界

论文是预印本。样本只有 2024 一年、100 只美股、单一组合构建规则。基线是零推理档，不是"当前最佳实践"。交易成本用固定基点，没有滑点和市场冲击模型。inconclusive 的判定不等于等价，多数区间仍包含有意义的正负值。DeepSeek 的 −9.016 出自 48 个冻结日的审计样本，不是 241 天主样本。另外，模型选型（Flash 档、Luna、Flash-Lite）不是各家的最强推理模型，这一点限制了结论的外推范围。【判断】

参考

• Jiayi Chen, Guiling Wang（New Jersey Institute of Technology），《The Price of Thought: Does Test-Time Reasoning Pay in LLM Trading?》，arXiv:2609.30705，2026-09-25
• 论文引用的 test-time compute 背景：Wei et al. 2022；Wang et al. 2023；Snell et al. 2025；Muennighoff et al. 2025