AI技术驱动量化投资变革：生成式AI模型重塑数据处理与因子模式

近年来，随着人工智能（AI）技术的迅速发展，定量投资领域正在迎来新的深刻变化。

由生成AI代表的新一代模型的兴起颠覆了传统的数据处理方法，并促使基金公司加速了对AI的深入应用程序的探索。面对大规模且复杂的金融市场数据，计算电源资源的分配和稳定性已逐渐成为赢得AI定量模型的关键。

但是，尽管AI技术在定量投资领域具有强大的潜力，但该模型的“黑匣子”特征和相应的缺乏可解释性仍然困扰着该行业。许多机构指出，为了使AI模型真正发挥作用，他们还需要提高模型的透明度和解释性。

定量投资进入AI时代

近年来，AI技术的快速发展引发了定量投资领域的新一轮变化，尤其是生成AI模型的出现，这导致了数据应用程序方案的深刻变化，并且传统因素模型也面临着巨大的影响。中大型基金公司已开始探索AI的深入应用。

在接受中国证券记者的一名记者的采访中，Wei Xiaoxue，Lubomai Fund的CIO兼基金经理副总经理，详细介绍了人工智能技术在定量投资中的关键作用。在整理定量策略模型的发展历史时，WEI Xiaoxue介绍了量化1.0是简单的股票选择策略的阶段，主要基于基本的统计方法，并将简单的数学模型用于投资分析，主要依靠手动挖掘因素，并且波动控制具有一定的限制。量化2.0是多因素模型阶段。它使用多因素模型来捕获线性信息并通过更多样化的数据集提高准确性和稳定性。缺点是它具有很高的人为依赖性。量化3.0是AI和高频交易，使用AI机器学习算法来识别和捕获股票的非线性高频特性，并预测短期股票价格波动。但是，该模型还具有其缺点，即，因素很快衰减，预测期很短。

随着DeepSeek的官方实施，Lubomai的定量3.5模型也出现在此基础上。库存选择频率是每周调整，并且这种高频更新功能也是AI定量效率的重要反映。 Lubomai Fund认为，与传统模型常用的每月调整机制相比，量化3.5可以通过更高的频率动态调整更有效地捕获短期市场机会，并显示出更强的灵活性和适应性。

Zhejiang商人基金还指出，LLM模型已不断优化，这大大降低了应用文本数据的困难。可以在量化中使用的文本数据呈指数增加，定量变化导致了定性变化。在日常实践中，多模式和生成的大型模型已经协助了日常工作，并且在认知上重建非常重要。将来，还值得期待AI定量投资方法是否会经历震惊的变化。

多年来，千江商人基金也深深地参与了AI-增强投资。通过内部智能投资和研究系统露西，投资和研究团队可以根据AI模型学习和主观研究经验的结果来跟踪分类数据，并提供相应的投资建议。这使AI模型的协助能够渗透几乎所有公司的托管产品，投资经理和研究人员还将在积极研究时寻求AI模型的建议和帮助。

计算能力是AI定量投资的基石

在定量投资中使用AI技术与金融市场数据的爆炸性增长密切相关。在WEI Xiaoxue的观点中，在传统数据处理中，投资者主要依靠结构化数据，例如价格和交易量。随着信息技术的快速发展，新闻，社交媒体和财务报告等非结构化数据的出现为投资分析带来了巨大的挑战。人工智能技术，尤其是自然语言处理和图像识别技术，可以有效地处理和分析这些庞大的多维数据以及很难通过传统方法捕获的矿山信息。

目前，Lubomai Group的定量战略的管理量表已达到近100亿美元，涵盖了发达和新兴市场中的股票和债券。因此，计算能力已成为支持策略运作的关键。 WEI Xiaoxue透露，Lubomai总部每天处理的数据量已达到Terabyte（1024GB），相关的数据处理经验可以支持该模型有效地处理大量数据并执行持续优化。

Galaxy Fund对DeepSeek-R1的观察也证明了计算能力的重要性。 1月20日，DeepSeek-R1正式释放并同步开源模型权重。但是，由于用户需求在短期内发生巨大爆炸，因此自我计算的功率很紧。 2月6日，该模型暂停了API服务充值。这也间接地表明，当面对大型用户的需求时，计算资源和系统稳定性的分配已成为限制AI模型开发的关键因素。

关于国内大型模型所面临的当前计算能力稳定性问题，Galaxy Fund的基金经理Zheng Weishan指出，基础设施级别需要深入分析国内计算能力的发展。具体而言，作为AI大规模迭代的载体，计算功率层主要分为三个方面：AI计算功率芯片，AI服务器和AI网络。

其中，AI计算功率芯片是AI计算能力的核心，预计需求将首先扩展。当前的市场由GPU和ASIC芯片主导。尽管长期以来，全球市场一直被海外制造商占领，但国内制造商正在加速他们的追赶并逐渐缩小差距。

AI服务器是计算能力的重要载体，有望随着AI计算功率芯片的开发而进一步扩展。随着芯片的发展，市场需求将进一步扩大，尤其是关键电子组件的发展，例如GPU，印刷电路板（PCB），并且存储值得不断关注。

最后，AI服务器通过通信连接实现了一个大规模的AI网络群集，该连接用于支持具有超大参数的大规模模型培训，即AI网络。网络量表的持续扩展将直接促进对设备需求的增长，例如光学模块，铜线连接和开关。

AI量化需要突破“黑匣子”困境

尽管当前的AI技术为定量投资带来了许多突破，但在许多机构的眼中，该模型在此阶段仍然更加“黑匣子”，并且在解释性方面却很弱，这限制了其在金融领域的进一步深入应用。

Zhejiang Merchants Fund指出，端到端授权投资的AI模型和机器学习模型仍在通过堆叠大量数据并构建相对复杂的模型来输出结果。这样，一方面，解释不高，可能不适合财务方案。另一方面，可能存在过度拟合的模型问题。

尤其是在生成模型爆炸后，该模型在研究报告阅读，财务报告排序，简单的代码生成等方面具有强大的优势，但是生成模型的不同思维能力与传统的定量偏见确定性投资建议冲突。这意味着，尽管生成模型的应用显着提高了可解释性，但它也带来了可追溯性降低的问题。

在这方面，千江商人基金认为，AI定量投资的未来开发方向仍应基于多模式生成模型。为了追求可验证的投资能力，有必要部分限制生成模型的差异能力，提高更准确的历史先验知识的比例，增强与人类智慧的合作，并允许AI模型真正了解人类的需求，尤其是在投资领域。

上海的一名公开发行研究人员告诉中国证券的记者，尽管AI技术在定量投资中的应用为市场预测，风险控制和战略优化提供了许多创新的方式，但仍有许多限制。首先，金融市场数据通常存在高噪声和强大的非平稳性等问题。 AI模型容易在历史数据中过度拟合异常，从而降低了预测的可靠性。此外，模型也可能会误读特定时期的历史数据和极端事件的随机因素，从而导致实际市场绩效低于预期。

同时，模型假设的理想市场条件与实际交易环境之间存在很大的差距。频繁的交易可能会带来巨大的交易成本，滑倒和流动性风险，从而进一步影响策略的实际影响。此外，由于金融市场容易受到政治，经济和心理因素的多种干扰，因此突然的“黑天鹅”事件通常超过了模型的预测能力，这也意味着，纯粹对历史数据训练的模型在面对极端市场的情况下可能会表现不佳。