《从深度学习到大语言模型：量化投资中人工智能的演进》学术报告

本文是由Bokai Cao（香港科技大学（广州）及IDEA研究院）、Saizhuo Wang（香港科技大学及IDEA研究院）、Xinyi Lin、Xiaojun Wu、Haohan Zhang（均来自香港科技大学（广州）及IDEA研究院）、Lionel M. Ni（香港科技大学（广州））和Jian Guo（IDEA研究院）共同撰写的综述论文，发表于2018年8月的《ACM/IMS Journal of Data Science》。该论文系统回顾了人工智能（特别是深度学习与大语言模型）在量化投资（Quantitative Investment）领域的发展历程与应用现状，聚焦以Alpha策略为代表的投资方法论。

学术背景与目标
量化投资作为资产管理领域的技术驱动型方法，其核心是通过统计分析与算法识别市场无效性。随着深度学习（Deep Learning, DL）和大语言模型（Large Language Models, LLMs）的突破，量化投资正经历从”人工特征工程”到”AI自动化”的范式转变。本文旨在：
1. 梳理Alpha策略研究从传统统计模型、DL到LLMs的三阶段演进；
2. 构建覆盖数据处理、模型预测、组合优化、订单执行的全流程AI技术框架；
3. 探讨LLMs如何超越预测功能，实现自主化投资决策。

核心内容与论证
1. 深度学习在Alpha流程中的系统性应用
- *数据处理*：金融数据分为数值型（如限价订单簿）、关系型（如知识图谱）、替代型（如新闻文本）和仿真数据。DL通过特征构造（符号因子与机器学习因子）、特征提取（编码器-解码器架构）和特征选择（过滤法）提升信息密度。
- *模型预测*：时空建模是关键挑战。时序模型（CNN-LSTM混合架构）捕捉资产价格动态，空间模型（图神经网络GNNs）解析实体关联，时空耦合模型（如Hypergraph-GTCN）则整合两者。预测目标设计分为中间目标（收益率分类/排序）和端到端优化（直接输出组合权重）。
- *组合优化*：传统方法（Markowitz均值-方差框架）通过DL增强风险估计（协方差矩阵学习）和动态控制（随机最优控制）。新兴端到端方法（如强化学习）以夏普比率（Sharpe Ratio）为奖励函数，实现风险调整后的收益最大化。
- *订单执行*：从Almgren-Chriss离散模型到基于深度强化学习（如PPO算法）的智能体，通过模拟市场微观结构（订单流动态）降低交易冲击成本。

1. LLMs带来的范式革新

   • *预测器角色*：
     
     • 情感分析：从早期词典法（VADER）到FinBERT等领域适配模型，再到GPT-4的零样本推理，LLMs可提取新闻情感信号（如Alpha-GPT生成的因子）。实验显示，ChatGPT情感分类与分析师共识的相关系数达0.82（[99]）。
       
     • 时序预测：Time-LLM通过”重编程”技术将数值序列对齐文本语义，在NASDAQ-100预测中超越ARMA-GARCH模型（MSE降低19%）。
       
   • *智能体架构*：
     
     • 单体智能体（如FinMem）包含画像模块（风险偏好）、记忆系统（分层存储）和决策引擎。在A股测试中，其夏普比率达2.15，超越基准策略47%。
       
     • 多智能体系统（如FinCon）模拟投研团队分工，通过经理-分析师层级控制风险，组合管理年化收益达113.8%。
       

2. 当前局限与未来方向

   • *预测领域*：LLMs的数值推理缺陷（如处理订单簿的tokenization噪声）需通过混合架构（如Kalman滤波+LLM）弥补。
     
   • *智能体领域*：现有系统在组合优化（多资产约束）和执行延迟（毫秒级响应）上未达工业级要求。FinRobot开源平台尝试通过LLMOps层调度专用模型解决该问题。

学术价值与创新
1. 首篇系统性综述：首次完整覆盖DL与LLMs在量化投资全流程的应用，建立”数据-预测-决策-执行”的技术映射框架。
2. 跨学科视角：从金融实践反推研究问题，如指出情感信号与市场反应的非对称性（[175]），推动可解释AI（XAI）在量化领域的适配。
3. 方法论创新：提出时空超图建模（[127]）、金融知识图谱自动构建（FinDKG [86]）等新范式，其中Alpha-GPT的人机协作因子挖掘方法已被彭博终端集成。

实践意义
本文揭示AI量化投资的三大趋势：
1. 从单模态（价格序列）到多模态（文本-图像-关系数据）的融合分析；
2. 从静态策略回测到基于LLMs的动态工作流迭代（如FinAgent的反思机制）；
3. 从独立模型开发到开源生态（FinRobot）支持的协作研究。这些进展为对冲基金与资管机构提供了从”AI辅助”转向”AI主导”的技术路线图。