AI如何影響量化投資？公募發(fā)聲！

　　近年來，隨著人工智能（AI）技術(shù)的飛速發(fā)展，量化投資領(lǐng)域正迎來新一輪深刻變革。

　　以生成式AI為代表的新一代模型興起，顛覆了傳統(tǒng)數(shù)據(jù)處理方式，促使基金公司加速探索AI的深度應用。面對海量且復雜的金融市場數(shù)據(jù)，算力資源分配與穩(wěn)定性也逐漸成為AI量化模型的制勝關(guān)鍵。

　　不過，盡管AI技術(shù)在量化投資領(lǐng)域展現(xiàn)出強大潛力，模型的“黑盒”特征以及相應的可解釋性不足依然困擾著業(yè)界。多家機構(gòu)指出，AI模型要真正發(fā)揮作用，還需要提升模型的透明度與可解釋性。

　　量化投資邁入AI時代

　　近年來，AI技術(shù)的快速發(fā)展已引發(fā)量化投資領(lǐng)域的新一輪變革，尤其是生成式AI模型的出現(xiàn)，使得數(shù)據(jù)應用場景發(fā)生深刻變化，傳統(tǒng)的因子模式也面臨巨大的沖擊，中大型基金公司開始紛紛探索AI的深度應用。

　　在接受券商中國記者采訪時，路博邁基金副總經(jīng)理、CIO兼基金經(jīng)理魏曉雪詳細闡述了人工智能技術(shù)在量化投資中的關(guān)鍵作用。在梳理量化策略模型的發(fā)展史時，魏曉雪介紹稱，量化1.0是簡單選股策略階段，以基本統(tǒng)計方法為主，使用簡單數(shù)學模型進行投資分析，主要依賴于人工挖掘因子，波動控制具有一定的局限性。量化2.0是多因子模型階段，使用多因子模型捕捉線性信息，通過更多樣的數(shù)據(jù)集提高準確性與穩(wěn)定性，缺點是人工依賴度高。量化3.0則是AI加高頻交易，使用AI機器學習算法識別和捕捉非線性的股票高頻特征，預測短期股票價格波動。不過，這一模型也有缺點，即因子衰減快，預測周期較短。

　　隨著DeepSeek正式落地，路博邁的量化3.5模型也在此基礎(chǔ)上應運而生。其選股頻率為周度調(diào)整，這一高頻更新特征也是AI量化效率的重要體現(xiàn)。路博邁基金認為，相較于傳統(tǒng)模型通常采用的月度調(diào)整機制，量化3.5通過更高頻次的動態(tài)調(diào)整，能夠更有效地捕捉短期市場機會，展現(xiàn)出更強的靈活性和適應性。

　　浙商基金也表示，LLM模型被不斷優(yōu)化，極大地降低了文本數(shù)據(jù)的應用難度，量化可以利用的文本數(shù)據(jù)呈指數(shù)級增加，量變引發(fā)質(zhì)變。日常實踐中，多模態(tài)、生成式大模型對于日常工作的輔助，對于認知的重構(gòu)已經(jīng)非常顯著。未來，AI量化投資方法會不會有天翻地覆的變化，也值得期待。

　　浙商基金多年來也在AI賦能量化投資上深耕。通過內(nèi)部智能投研系統(tǒng)Lucy，投研團隊可以跟蹤分門別類的數(shù)據(jù)，同時基于AI模型學習的結(jié)果以及主觀研究的經(jīng)驗，給出對應的投資建議。這使得AI模型的輔助幾乎滲透到所有公司在管產(chǎn)品中，而投資經(jīng)理和研究員在主動研究時也會向AI模型尋求建議和幫助。

　　算力是AI量化投資的基石

　　AI技術(shù)在量化投資中的運用，與金融市場數(shù)據(jù)的爆炸式增長息息相關(guān)。在魏曉雪看來，在傳統(tǒng)的數(shù)據(jù)處理中，投資者主要依賴價格、成交量等結(jié)構(gòu)化數(shù)據(jù)，而隨著信息技術(shù)的飛速發(fā)展，新聞、社交媒體、財報文本等非結(jié)構(gòu)化數(shù)據(jù)的涌現(xiàn)，給投資分析帶來了巨大挑戰(zhàn)。AI技術(shù)，特別是自然語言處理和圖像識別等技術(shù)，能夠高效地處理和分析這些海量的多維度數(shù)據(jù)，挖掘出傳統(tǒng)方法難以捕捉的信息。

　　目前，路博邁集團量化策略的管理規(guī)模已接近百億美元，覆蓋發(fā)達市場和新興市場的股票與債券。因此，算力成為支持策略運行的關(guān)鍵。魏曉雪透露，路博邁總部每天處理的數(shù)據(jù)量已達太字節(jié)（1024GB）級別，相關(guān)的數(shù)據(jù)處理經(jīng)驗能夠支持模型高效處理海量數(shù)據(jù)，并進行持續(xù)優(yōu)化。

　　銀河基金對DeepSeek-R1的觀察同樣證明了算力的重要性。1月20日，DeepSeek-R1正式發(fā)布并同步開源模型權(quán)重。然而，由于短期內(nèi)用戶需求的大量爆發(fā)，造成了自有算力緊張，2月6日，該模型暫停了API服務(wù)充值。這也從側(cè)面說明，面對大規(guī)模用戶需求時，算力資源的分配與系統(tǒng)穩(wěn)定性成為制約AI模型發(fā)展的關(guān)鍵因素。

　　針對國產(chǎn)大模型目前面臨的算力穩(wěn)定性問題，銀河基金的基金經(jīng)理鄭巍山指出，國產(chǎn)算力的發(fā)展需要深入到基礎(chǔ)設(shè)施層面進行分析。具體而言，算力層作為AI大模型迭代的載體，主要分為AI算力芯片、AI服務(wù)器和AI組網(wǎng)三個方面。

　　其中，AI算力芯片是AI算力的核心，需求有望率先擴張。當前市場以GPU和ASIC芯片為主導，盡管全球市場長期被海外廠商占據(jù)，但國產(chǎn)廠商正在加速追趕并逐步縮小差距。

　　AI服務(wù)器則是算力的重要載體，有望在AI算力芯片的發(fā)展下進一步擴張。市場需求將伴隨芯片發(fā)展而進一步擴張，尤其是涉及GPU、印制電路板（PCB）、存儲等關(guān)鍵電子元器件領(lǐng)域的發(fā)展值得持續(xù)關(guān)注。

　　最后，AI服務(wù)器通過通信連接實現(xiàn)大規(guī)模AI組網(wǎng)集群，用來支持超大參數(shù)的大模型訓練，也就是AI組網(wǎng)。組網(wǎng)規(guī)模的持續(xù)擴大將直接推動光模塊、銅纜連接、交換機等設(shè)備需求的增長。

　　AI量化需突破“黑盒”困境

　　雖然當前AI技術(shù)為量化投資帶來了諸多突破，但在多家機構(gòu)看來，現(xiàn)階段模型仍是偏“黑盒”的特征，可解釋性較弱，制約了其在金融領(lǐng)域的進一步深入應用。

　　浙商基金指出，當下端到端賦能投資的AI模型、機器學習模型還是仍是通過堆砌大量數(shù)據(jù)和構(gòu)造比較復雜的模型去輸出結(jié)果。這樣，一方面可解釋性不高，可能不適應金融場景，另一方面可能存在模型過擬合的問題。

　　尤其在生成式模型爆發(fā)后，模型在研報閱讀、財報梳理、簡單的代碼生成等方面具有強大優(yōu)勢，但生成式模型的發(fā)散思考能力又與傳統(tǒng)量化的偏確定性投資建議存在沖突。這意味著，雖然生成式模型的應用顯著提高了可解釋性，但也帶來了可追溯性降低的問題。

　　對此，浙商基金認為，未來AI量化投資的發(fā)展方向應當還是以多模態(tài)的生成式模型為主，為了追求可驗證的投資能力，需要部分約束生成式模型的發(fā)散能力，提升更為準確的歷史先驗知識的占比，加強與人類智慧的合作，讓AI模型真正讀懂人類的需求，特別是投資領(lǐng)域的需求。

　　滬上一位公募研究人士向券商中國記者表示，盡管AI技術(shù)在量化投資中的應用為市場預測、風險控制和策略優(yōu)化提供了許多創(chuàng)新途徑，但也存在不少局限性。首先，金融市場數(shù)據(jù)通常存在噪聲較多、非平穩(wěn)性強的問題。AI模型容易過度擬合歷史數(shù)據(jù)中的異常情況，降低了預測的可靠性。此外，歷史數(shù)據(jù)中的隨機因素和特定時期的極端事件也可能被模型誤讀，導致實際市場表現(xiàn)不及預期。

　　與此同時，模型所假設(shè)的理想市場條件與現(xiàn)實交易環(huán)境存在較大差距，頻繁的交易可能帶來顯著的交易成本、滑點及流動性風險，進一步影響策略的實際效果。此外，由于金融市場易受政治、經(jīng)濟以及心理因素的多重干擾，突發(fā)的“黑天鵝”事件通常超出模型的預測能力，這也意味著純粹依靠歷史數(shù)據(jù)訓練的模型在面對極端市場狀況時可能表現(xiàn)欠佳。

（文章來源：證券時報網(wǎng)）

(原標題：AI如何影響量化投資？公募發(fā)聲！)

(責任編輯：5)