金工深度研究：AI量化的當下與未來.pdf

金工深度研究：AI量化的當下與未來。

人工智能 100：AI 量化的過去、現在與未來

本文是華泰人工智能系列的第 100 篇研究報告。過往的八年半里，我們親 歷了量化投資行業的這場深刻變革：技術路徑上，從早期的機器學習，演進 到深度學習，再到如今以大語言模型為代表的新范式。應用場景上，從早期 的因子合成，拓展至因子挖掘與端到端建模，進而滲透到組合優化、行業輪 動、資產配置、流程管理等投資的各個環節。行業認知上，從最初的質疑與 觀望，逐漸轉向接納與嘗試，直至今日的全面擁抱。第 100 篇研究，既是 對過往足跡的回顧，也是對未來征途的眺望。

AI 量價端到端策略的演進

在量價研究普遍內卷的當下，端到端建模不僅是效率的提升，亦是一種回歸 原始數據的研究范式。我們已實現從日頻、周頻等低頻數據到逐筆成交、 level2 高頻數據的全面覆蓋，通過引入 GRU 及 Transformer 等架構，模型 得以直接在原始數據空間中學習量價數據間的內在聯系。展望未來，全頻段 融合或是關鍵，未來的端到端模型或將致力于打破時間尺度與數據形態的邊 界，一方面通過對比學習等技術實現多頻段信息的有效融合，另一方面引入 文本等多模態信息，使模型從多維信息中主動識別市場狀態遷移。

AI 模型的山外山與因子挖掘的分岔路口

對于 AI 模型而言，從廣義線性模型到 Transformer，我們已在傳統架構中探 索良久。面對模型同質化與環境漂移的挑戰，未來的破局點或將在于引入先 驗知識與上下文感知能力，以及探索時序大模型與金融領域原生大模型的可 能性。我們不僅追求預測精度，更追求模型在非平穩市場中的泛化與生存能 力。對于因子挖掘，傳統的遺傳規劃往往陷入盲目搜索的困境，而 LLM 的 引入讓因子挖掘具備了語義理解能力。未來的挖掘可能是認知型的，即利用 大模型等工具在稀疏 Alpha 叢林中高效導航，從單一因子的發現轉向因子協 同與動態生命周期管理，并不執著于追求復雜公式，而是邏輯的穩健與可控。

AI 量化的新世界：AI+組合優化與 AI+宏觀量化

與此同時，AI 的應用疆域正在向策略后端與宏觀頂層不斷延展，開辟出全 新的增量世 界。 AI+組合優化致力于 填平預測與交易之間的 鴻溝 ， PortfolioNet 系列研究已初步實現了從收益預測到組合決策的端到端打通。 未來，隨著 GPU 并行加速技術與強化學習的結合，組合優化或將進化為能 夠實時響應市場變化、動態調整風險約束的智能決策系統。AI 宏觀量化正 在經歷從“解讀數據”到“理解敘事”的范式轉移。借助大語言模型，我們 得以從海量新聞輿情中提煉宏觀敘事與情緒因子，捕捉傳統數據滯后的市場 規律。未來，基于多智能體框架的復雜系統建模，或能讓我們能夠跳出線性 外推的局限，在微觀個體的交互涌現中預演宏觀市場的起伏變化。