金工深度研究：AI量化的当下与未来.pdf

金工深度研究：AI量化的当下与未来。

人工智能 100：AI 量化的过去、现在与未来

本文是华泰人工智能系列的第 100 篇研究报告。过往的八年半里，我们亲 历了量化投资行业的这场深刻变革：技术路径上，从早期的机器学习，演进 到深度学习，再到如今以大语言模型为代表的新范式。应用场景上，从早期 的因子合成，拓展至因子挖掘与端到端建模，进而渗透到组合优化、行业轮 动、资产配置、流程管理等投资的各个环节。行业认知上，从最初的质疑与 观望，逐渐转向接纳与尝试，直至今日的全面拥抱。第 100 篇研究，既是 对过往足迹的回顾，也是对未来征途的眺望。

AI 量价端到端策略的演进

在量价研究普遍内卷的当下，端到端建模不仅是效率的提升，亦是一种回归 原始数据的研究范式。我们已实现从日频、周频等低频数据到逐笔成交、 level2 高频数据的全面覆盖，通过引入 GRU 及 Transformer 等架构，模型 得以直接在原始数据空间中学习量价数据间的内在联系。展望未来，全频段 融合或是关键，未来的端到端模型或将致力于打破时间尺度与数据形态的边 界，一方面通过对比学习等技术实现多频段信息的有效融合，另一方面引入 文本等多模态信息，使模型从多维信息中主动识别市场状态迁移。

AI 模型的山外山与因子挖掘的分岔路口

对于 AI 模型而言，从广义线性模型到 Transformer，我们已在传统架构中探 索良久。面对模型同质化与环境漂移的挑战，未来的破局点或将在于引入先 验知识与上下文感知能力，以及探索时序大模型与金融领域原生大模型的可 能性。我们不仅追求预测精度，更追求模型在非平稳市场中的泛化与生存能 力。对于因子挖掘，传统的遗传规划往往陷入盲目搜索的困境，而 LLM 的 引入让因子挖掘具备了语义理解能力。未来的挖掘可能是认知型的，即利用 大模型等工具在稀疏 Alpha 丛林中高效导航，从单一因子的发现转向因子协 同与动态生命周期管理，并不执着于追求复杂公式，而是逻辑的稳健与可控。

AI 量化的新世界：AI+组合优化与 AI+宏观量化

与此同时，AI 的应用疆域正在向策略后端与宏观顶层不断延展，开辟出全 新的增量世 界。 AI+组合优化致力于 填平预测与交易之间的 鸿沟 ， PortfolioNet 系列研究已初步实现了从收益预测到组合决策的端到端打通。 未来，随着 GPU 并行加速技术与强化学习的结合，组合优化或将进化为能 够实时响应市场变化、动态调整风险约束的智能决策系统。AI 宏观量化正 在经历从“解读数据”到“理解叙事”的范式转移。借助大语言模型，我们 得以从海量新闻舆情中提炼宏观叙事与情绪因子，捕捉传统数据滞后的市场 规律。未来，基于多智能体框架的复杂系统建模，或能让我们能够跳出线性 外推的局限，在微观个体的交互涌现中预演宏观市场的起伏变化。