2026年金工深度研究：AI量化的当下与未来

AI 量价端到端策略的演进

在量价研究普遍“内卷”的背景下，AI 端到端建模并非仅是工程效率的提升手段，而是作 为一种具备长期价值的研究范式。相较于依赖人工特征拆解、分阶段拼接的传统路径，端 到端框架尝试直接面对市场原始数据，在统一的表示空间中学习价格、成交与微观结构间 的内在联系。量价研究渐渐从局部经验驱动，迈向整体结构感知。 向前看，端到端量价模型的发展或将沿着更高维度的表示能力持续展开。一方面，不同时 间尺度、不同数据形态之间的边界有望进一步被弱化，低频、高频至 level2 层面的信息或 能被纳入同一学习框架之中；另一方面，模型的角色也可能从被动拟合历史规律，演进为 主动识别市场微观结构模式与状态迁移规律的经验机器。在这一过程中，端到端并非终点， 而是入口，其真正价值，或将体现在对 Alpha 生成本身的重塑之中。

AI 端到端的过去与当下

2023 年 5 月，我们在《人工智能 68：神经网络多频率因子挖掘模型》（20230511）中利用 神经网络自动提取股票原始量价数据中的特征，实现端到端的因子挖掘和因子合成，成为 AI 量价端到端模型的开篇之作。其后，我们进一步基于多任务学习的低频量价模型，使得 模型同时接收日频、周频和月频三种不同颗粒度的 K 线数据，采用同一个 GRU 模块提取时 序信息、实现知识共享，从而提升合成信号的效果。

在此基础上，AI 量价端到端模型的研究进一步沿着更高频、更精细的数据维度持续演进。 我们逐步将建模对象由低频量价序列拓展至日内高频、逐笔成交乃至 level2 数据层面，围 绕长序列建模、微观结构表达与信息重构等问题，引入分块（Patch）建模、注意力机制、 ViT 等更具表达力的深度学习范式。 在《人工智能 75：如何捕捉长时间序列量价数据的规律》（20240314）中，我们借鉴分块 思想对 GRU 模型加以改造。按照交易日将股票的长时间序列量价数据划分为多个 patch， 使模型可以有效缓解信息遗忘的问题，并引入以日为周期的先验知识，差异化地分析日内 和日间信息传递。PatchModel1 使用 GRU 处理日内的时序数据，再通过注意力机制构建日 间的联系；PatchModel2 将日内时点信息拆解为不同的特征，再使用 GRU 来挖掘日间的时 序规律。

在《人工智能 93：基于逐笔成交的深度学习选股模型》（20250714）中，我们构建基于逐 笔成交的深度学习选股模型。我们从资金流和事件驱动两个角度开展特征工程，并利用 Transformer 模型学习多维度的注意力规律，最后形成有效的选股因子。以资金流模型为例， 首先分别根据等时间、等成交笔数、等成交量、等价格波动，对逐笔成交数据进行采样， 提取价格、成交量、大小单和主动买卖信息，形成 4 种结构化的 K 线；接着构建双层 Transformer 模型，第一层学习时序注意力，第二层学习跨 K 线注意力，最终输出个股未来 10 日超额收益的预测。

近期，我们致力于探索如何从海量 level2 数据中提取增量 Alpha。在《人工智能 99：基于 level2 数据图像的选股模型》（20251224）中，受微软亚研院相关研究的启发，我们提出一 种基于图像识别的全新解决方案。该方法将高频逐笔成交与逐笔委托数据，转换为标准化 的三维图像格式。其中，图像的通道数、宽度和高度分别对应订单类型、价格区间以及成 交量/委托量区间，每个像素点的值则代表具备相同属性的订单笔数，像素值越高，表明该 类订单出现的频率越高。随后，应用强大的视觉模型 Vision Transformer（ViT）及视频模 型 Video Vision Transformer（ViViT）对生成的图像（及图像序列）进行模式识别，从中提 取人工难以捕捉的微观结构信息，并最终形成个股收益预测信号。相较于前期的时序神经 网络模型，本方法能够提供差异化且有效的 Alpha 信号。

AI 端到端的未来

展望未来，我们认为全频段融合仍是未来量化研究的重要趋势，对丰富 alpha 来源、提升 策略表现具有关键意义，可探索的方向包括但不限于：

提升对单频段数据源的表征能力

当前主要有两种思路：一是尽可能保持原始数据样貌，通过预处理使其呈现平稳分布，进 而构建参数量较大的深度学习模型进行端到端学习；二是借助人工逻辑、遗传规划、大语 言模型、强化学习等方法开展特征工程或因子挖掘，再采用轻量级模型进行因子合成。 对于第一种思路，数据预处理和网络架构设计较为关键。以订单簿数据（LOB）为例，传 统预处理通常采用前一日量价数据的均值和标准差对当日数据进行 z-score 标准化，Tran 等 （2020）提出双线性标准化（Biliner Normalization）方式，使模型能够自适应地学习标准化 参数，从而缓解数据非平稳分布问题。在模型设计方面，Zhang等（2020）提出的经典DeepLOB 模型，利用 CNN 捕捉价量、买卖方及档位间交互信息，并借助 LSTM 建模时序依赖关系； 而 Berti 等（2025）设计的 TLOB 模型，通过双层 Transformer 同时学习时序和特征间的注 意力机制，显著提升对价格趋势的预测能力。 对于第二种思路，因子挖掘将在后续章节单独讨论，对于因子挖掘而言，既需要精细化的 底层字段、算子、以及挖掘流程设计，也离不开系统化的因子评价体系。例如，Ding 等（2025） 提出的 AlphaEval 值得借鉴，该框架从五个互补的维度（预测能力、时间稳定性、对市场扰 动的鲁棒性、金融逻辑性和多样性）来全面评估 Alpha 因子的质量。

实现多频段量价信息的有效融合

目前，针对不同频段的量价数据，我们通常采取分别训练深度学习模型，而后在最终预测 信号或组合层面进行融合的方式。该方法调参简单、算力需求较低，但存在各模型可能学 到重复信息的不足。采用多频段量价数据联合训练，或是一条新的探索路径。 Hou 等（2021）指出，直接融合不同粒度数据面临两大挑战：一是目标趋势与细粒度数据 之间的粒度不一致性导致优化困难；二是金融市场状态持续变化，需要动态调整不同粒度 信息的融合方式。为此，该研究提出多粒度对比学习框架（CMLF），在预训练阶段设计了 跨粒度对比和跨时间对比两种机制，以学习更有效的股票表征；在特征融合阶段则引入自 适应门控机制，动态调节不同粒度特征的融合权重。

Zhang 等（2025）设计的多周期学习框架（MLF）包含三个核心模块：周期间冗余过滤（IRF）， 用于消除不同周期间的冗余信息；可学习加权集成（LWI），用于融合各周期的预测结果； 多周期自适应分块（MAP），确保各周期的数据块数量一致，以降低模型偏差。

在 AI 量价模型中融入文本等多模态信息

当前深度学习模型在挖掘跨模态交互信息方面仍存在局限。Gohari 等（2024）提出的模态 感知 Transformer（MAT）模型，通过引入特征级注意力层来识别各模态中最相关的特征， 并设计三种多头注意力机制：模态内注意力用于捕捉单个模态内部的时间依赖关系，模态 间注意力用于探索不同模态之间的关联，目标模态注意力则在解码阶段用于捕捉目标序列 与各输入模态间的交互作用。

AI 模型的山外山

身处人工智能时代，AI 模型正加速重塑量化交易的底层逻辑。随着市场 AI 含量的提升，传 统策略生存空间或被压缩，AI 间的竞争也将愈演愈烈。因此，主动拥抱 AI 或逐渐成为当前 时代下的必然选择。本节中尝试借助团队过往研究和前沿学术文献，回顾并展望 AI 量化模 型的过去、当下和未来，一览 AI 模型的演进与变迁。

AI 模型的过去与当下

AI 模型在量化全流程中始终占据关键地位，华泰金工在 AI 模型研究方面也在持续积累。回 顾过往研究，从人工智能系列的开篇起，早期研究为 AI 模型的研究框架打下了坚实基础： 除了探索 XGBoost、RNN、CNN 等主流 AI 模型结构外，还从标签、损失函数、交叉验证、 模型集成等角度对 AI 模型在训练和应用中的细节进行全面实证测试；其后一系列研究则围 绕 GAN 生成金融时序数据、图神经网络选股以及文本模型与另类数据的结合等核心话题展 开；近期的研究则持续拥抱 AI 领域的新模型、新技术，探索其与量化的交界点，本节选取 团队过往研究中的关键议题作简要回顾：

大模型与另类数据

另类数据中埋藏了大量尚未定价的信号，对另类数据的建模是 AI 量化模型的重任。华泰金 工的前期研究中针对分析师研报、业绩公告、新闻等文本数据开展系列研究，利用词袋法、 BERT、HAN 等文本模型有效捕捉了文本数据字里行间潜藏的 Alpha。 大模型的发展极大提升了另类数据的处理能力，团队近期围绕大模型与另类数据展开诸多 探索。其中《人工智能 92：LLM-FADT：大模型增强文本选股》（20250610）、《人工智能 94：LLMRouter-GRU：“舆情分诊台”赋能 AI 量价因子》（20250717）借助大模型深入挖掘 上市公司相关研报、新闻文本，通过数据增强、分域建模的思想将另类数据中的情绪因子 与 AI 模型相结合。

除了与传统量化模型相结合外，《人工智能 91：GPT-KLine：MCoT 与技术分析》（20250530） 中借助多模态推理大模型探索处理金融图像信息的能力边界，《人工智能 96：LLM 赋能资 产配置：基于新闻数据的 AI 宏观因子构建与应用》（20250924）中则借助大模型处理宏观 新闻事件并构建经济增长、地缘风险等宏观因子。

多变量协同建模

预测股市是一个复杂的多变量建模问题，其体现在两个方面：1、股价预测不是单变量预测 问题，影响股票未来收益的特征涵盖从宏观到微观，从低频到高频的众多维度；2、市场中 的每一只股票都不是独立存在的，股票与股票间通过行业、产业链、概念、风格等互相联 系。因此 AI 模型的多变量多维度协同建模能力至关重要。 图神经网络（GNN）是多变量相关性建模的利器，华泰金工早期研究中对各类 GNN 模型 在量化中的应用曾进行一定的探索。以 HIST 模型为例，在注意力机制的加持下，其通过多 层残差图结构充分捕获单截面股票间显式的行业板块间关联收益、隐式的风格概念间关联 收益以及剩余的股票特征性收益。 而随着 Transformer 的发展，注意力机制强大的关联信息提取能力使得基于 Transformer 架构的时序模型成为了多变量协同建模的新宠。《人工智能 69：Attention is indeed all you need》（20230822）、《人工智能 86：与时偕行：AI 模型如何应对数据漂移》（20250221）、 《人工智能 89：多角度改进高频量价选股模型》（20250321）中均对基于 Transformer 的 多变量协同建模进行探索，其底层模型结构 iTransformer、Crossformer、Master 等在时序 注意力层的基础上通过不同方式新增了变量间注意力层，实现对股票特征在时序上、股票 间、特征间的关联变化进行协同建模。

长时间序列建模

传统的深度时序神经网络在面对长时间序列时存在效率较低、信息遗忘的现象，而金融市 场中的时序数据涵盖高中低频，且日内、日间不同颗粒度信息分布不均匀，对长时间序列 的合理建模的重要性更加凸显。团队近期研究中针对该问题亦尝试多种方案应对： 其中，《人工智能 75：如何捕捉长时间序列量价数据的规律》（20240314）中借鉴 PatchTST 时间序列分块建模的思想，对股票量价数据按照交易日进行分块，并在时序、特征两个维 度利用 GRU 进行建模，有效缓解 GRU 模型信息遗忘的问题，同时还可引入以日为周期的 先验知识，差异化地分析日内和日间信息传递。 当数据频率从分钟频进一步提升至逐笔订单级别，此前介绍的《人工智能 99：基于 level2 数据图像的选股模型》（20251224）则尝试将长时间序列的 level2 数据图像化，并利用同 为分块建模思想的 ViT（Vision Transformer）等模型进行建模，保留长时间尺度下 level2 数据的局部特征和不同时点、不同日期下市场微观结构变化的整体特征。

增强模型泛化性

股票收益预测问题面临的核心挑战之一为股票市场的非平稳性，因此提升 AI 量化模型的泛 化性能也是重要研究方向。华泰金工以往研究中针对该问题做过多角度尝试： 《人工智能 67：AI 模型如何一箭多雕：多任务学习》（20230506）和《人工智能 78：多任 务学习选股模型的改进》（20240506）的解决方案为多任务学习。通过在模型训练时引入 多项预测目标，使得模型从“专才”转变为“通才”，不再局限于单目标的极致优化而落入 过拟合的陷阱。 《人工智能 84：SAM：提升 AI 量化模型的泛化性能》（20241010）和《人工智能 86：与 时偕行：AI 模型如何应对数据漂移》（20250221）则分别从神经网络的鲁棒优化器和为模 型引入先验知识的角度，提升模型在样本内外表现的稳定性，或让模型能根据市场特征变 化进行动态自适应调整。

编辑：火腿肠