AStockArena：超越收益，我们能将真实资金托付给金融智能体的决策吗？

大语言模型（LLMs）正日益广泛地应用于动态金融交易，但实时交易基准主要依据累计收益和风险调整后绩效来评估智能体。这类结果指标无法揭示交易是否得到如实报告、是否有可用证据支持，以及是否与账户状态一致。我们提出 AStockArena，这是一个面向中国 A 股市场连续交易的实时决策审计基准。在相同的市场条件和执行约束下，我们通过 3,198 次序贯决策评估了 13 个开源和闭源模型。AStockArena 通过对齐报告、交易请求、执行响应和账户状态，重建实际记入账户的操作，并结合记录核验与专家共识标注，采用八项检查进行审计，涵盖执行可追溯性（O）、证据充分性（RK）和金融元认知（B）三个维度。在 1,070 个交易时点中，72.99% 存在至少一项审计缺口；各模型的缺口发生率介于 52.2% 至 91.2% 之间，其中证据缺口最为普遍。历史交易过滤回放进一步表明，投资组合表现对这些被标记的交易较为敏感。因此，决策过程审计为基于收益的金融智能体评估提供了可验证的补充。