AI 大模型时代量化投资的机遇与迷思

今天的分享主要分为四个部分：第一，梳理传统量化交易的技术演进路径与核心逻辑；第二，探讨AI大语言模型（LLM）在量化投资中的应用价值、实践误区与本质逻辑；第三，拆解全球顶尖量化机构的运作模式，分析当前市场的新机遇；第四，总结行业现实挑战，谈谈我对量化从业者的发展建议。

K线图与技术指标是所有投资者的入门基础，很多人会依托均线、MACD、RSI 等指标判断买卖点位，这是流传数十年的技术分析方法。这类方法并非没有价值：牛市中它有望帮助投资者放大收益，熊市中也能成为及时止损的参考。但依赖人工判断始终存在效率局限，也容易受主观情绪干扰。

当交易者发现指标规律具备可复制性后，就开始尝试将策略编写为代码，实现自动化执行，这就是CTA（商品交易顾问）策略的起源——把传统主观交易规则转化为可自动运行的交易程序。

随着技术进一步迭代，量化策略的代码实现越来越轻量化。我在香港本部给暑期实习的本科生授课时，常跟他们说：不要觉得写交易代码门槛很高，一个完整的均线交叉策略，真正生效的核心代码不过十余行。现在行业里热议的“vibe coding”（自然语言编程），更是只需用日常语言描述交易逻辑，就能让AI自动生成对应代码，大幅降低了量化的技术门槛。

而量化策略的核心验证标准，永远是历史回测。不必空谈策略的优劣，用真实的历史数据跑一遍回测，收益、风险、最大回撤等结果一目了然，用数据说话是量化投资的核心准则。

传统量化模型最常用的分析工具是线性回归，我们总希望找到一个最优拟合模型，让预测值与实际值的误差尽可能小，也就是找到一个能持续捕捉超额收益（Alpha）的公式。

但现实中，资产价格涨跌的驱动因素极其复杂：宏观政策、地缘事件、资金流向、市场情绪、行业周期…… 影响维度多到无法穷尽，这就是量化领域常说的 “维度灾难”。如果只用单一维度的模型去理解市场，必然会犯下严重的错误。我们必须建立多维度的分析框架，而这正是AI技术有望实现突破的方向。

AI在金融领域的应用，经历了从机器学习到深度学习，再到如今大语言模型（LLM）的技术跃迁。

早期的机器学习就像编写超级玛丽游戏程序，规则是固定的，每增加一个维度就要重写一套逻辑；当维度多到一定程度，代码量和数据量就会超出系统的承载能力。而深度学习模拟人脑的神经元连接方式，可以自主处理多维度的复杂数据；到了大语言模型时代，更是具备了海量非结构化信息整合、逻辑推理与自主决策的潜力，让我们得以从海量数据中挖掘超额收益，解决传统量化无法处理的高维度问题。

现在大模型工具已经非常普及，哪怕是中小学生都可以用它生成定制化游戏、完成创意内容。技术的迭代是不可逆的，就像智能手机从 “可选配件” 变成了生活必需品，AI工具也会成为未来金融从业者的基础配置。

回到金融领域，当我们掌握了LLM工具，可以从多个维度优化投资决策，其中最核心的评价指标就是夏普比率（Sharpe Ratio）—— 也就是投资组合的超额收益（预期收益减去无风险收益）与收益波动率（标准差）的比值。波动率越小，夏普比率越高，策略的风险收益比就越优秀。

目前学界已经有很多相关的前沿研究，比如加州大学洛杉矶分校与麻省理工学院的联合研究，就构建了基于LLM的交易智能体：将市场行情、舆情信息、新闻报道、公司基本面等多源数据全部输入模型，让AI自主完成信息整合、观点总结、策略生成，最终输出交易指令供基金经理执行。

从论文披露的回测结果看，基于LLM的交易智能体收益率远超单一技术指标策略（如MACD、RSI、KDJ等），也跑赢了长期持有策略。以8年周期的个股回测为例，传统策略普遍录得负收益，最大回撤超过10%；而LLM交易智能体取得了26%的累计收益，最大回撤仅8%，夏普比率为正，表现十分亮眼。

但在金融行业从业久了就会明白，过于完美的回测结果，往往不符合真实市场的规律。

这份顶尖院校的论文从学术角度看逻辑严谨、数据完整，但放到实盘交易中就会出现很多问题。要知道，海外头部量化巨头的长期夏普比率平均也仅在2.5到3之间，而论文中模型的表现已经远超行业顶尖水平，这显然是不现实的。

核心问题出在回测的“未来函数”陷阱：当你把完整的历史数据输入模型，让AI倒推最优策略，自然能得到近乎完美的结果。但投资的本质是预测未来，而不是解释历史。就像世界杯结束后，人人都能说出冠军是谁，但开赛之前没人能百分百确定结果。

市面上很多AI交易平台也是同理：包装成 “人工智能选股”“自动交易神器”，付费订阅就能获取买卖信号。我从不评价这类产品的盈亏能力，但核心问题是，使用者不知道它背后的交易逻辑是什么，本质是一个“黑箱”。在学校学习的本质，是掌握策略背后的原理，而不是付费买一个现成的工具。如果只会用工具、不懂底层逻辑，永远无法真正建立自己的投资能力。

传统量化的数据来源已经高度同质化，想要获取持续的超额收益，就要挖掘别人没有的另类数据，这也是AI大模型的核心价值之一 —— 处理海量、非结构化的另类数据。

目前香港量化基金最常用的另类数据包括几类：

社交媒体数据：比如特朗普的社交媒体账号，是全球量化机构接入最多的数据源之一。市场已经内卷到他刚打出几个字，算法就开始预判对市场的影响，甚至通过双向押注获取波动收益。

卫星影像数据：通过卫星监控港口船只、油田、工厂的实时状态，可以验证商品供需的真实性，避免被虚假新闻干扰。我认识很多做商品期货的从业者，甚至会派人在码头实地清点货量，本质都是获取第一手的非公开数据。

互联网流量与搜索数据：比如搜索引擎的关键词热度，能反映散户的关注焦点与情绪变化，从中可以捕捉短期行情的机会。

消费与交易高频数据：比如信用卡交易记录、线下消费数据等，可以提前预判消费类公司的业绩表现。

另类数据的核心价值，就是解决信息不对称。我很认同一位资深交易员说过的话：判断新闻真假，不用看媒体报道，看市场反应就够了——如果市场没有出现预期的波动，那新闻大概率是假的。AI的价值，就是比人更快、更全面地捕捉这些市场漏洞，找到别人没有的Alpha。

如今AI已经成为金融机构的标配，不管是投行还是对冲基金，都在大规模布局AI技术。对银行等金融机构而言，AI可以大幅降低日常工作的错误率，比如审核法律文件、处理合规材料、润色专业文稿，AI的运算过程本身不会出错，出错只可能因为指令不对或输入数据有误。

在资管领域，摩根大通、Two Sigma、贝莱德等头部机构，都已经将LLM深度应用到投研、交易、风控全流程。

很多人会问坚持价值投资的巴菲特，和AI有什么关系？其实价值投资的本质，是基于信息差的深度基本面研究。巴菲特买股票前，能拿到的信息远多于普通散户，上市公司会主动把月报、经营细节都提供给他，只为吸引他投资。比如前几年巴菲特大举加仓西方石油，当时股价从六十多美元跌到四十多美元，市场都在嘲笑他，但随后地缘冲突爆发，油价大涨，印证了他的判断。到了他这个层级，信息获取的渠道和深度本身就是一种不对称优势，而AI就是处理这些海量信息、提升决策效率的核心工具。

另一位传奇人物是詹姆斯・哈里斯・西蒙斯（James Harris Simons），文艺复兴科技的创始人，旗下大奖章基金年化收益率高达66%，业绩表现远超巴菲特。他本身是数学家，早年在国家安全部门从事密码破解工作，擅长处理复杂数据。他的核心理念就是：想要找到有效的策略，必须用别人没有的数据，做别人不做的事。这也是量化投资获取Alpha的核心真谛。

再给大家讲一个高频交易的典型案例——Virtu Financial，全球顶尖的做市商。它曾公开披露，在过去1238个交易日里，仅有1天出现亏损。

很多人会觉得不可思议，其实高频交易的核心不是高胜率，而是盈亏比。Virtu Financial每天完成530万笔交易，胜率只有49%，但赚钱的时候多赚一点，亏钱的时候少亏一点，长期积累下来就能实现稳定的绝对收益。

这给我们的启发是：不要幻想80%、90%的胜率，真实的市场里不存在这样的策略。你的对手都是顶尖机构，人家赚一毛钱的机会都会全力争抢，普通投资者想要以小博大，几乎不可能。我看过国内某头部券商的散户数据，10万资金以下的商品期货散户，盈利人数为0，全部以爆仓亏损收场。

高频交易的盈利来源，本质是捕捉市场的价格错配。比如指数、ETF、期权三者的价格不可能完全同步，一旦出现短暂的价差，就能通过套利获利。这种机会往往只存在千分之一秒，对交易速度、代码能力、机房位置都有极高的要求。2015 年A股股灾期间，就有境外机构依靠高频交易，用700万本金赚了20亿，本质就是捕捉到了市场的定价漏洞。

最近行业里有两个标志性事件：一是2026年8月上海开始规范机房管理，对不公平的高频交易进行监管约束；二是2026年9月，美国头部量化机构入驻香港长江中心二期，Jane Street也承租了香港维多利亚港的核心写字楼。

Jane Street 2025年上半年利润创下173亿美元的新高，他们愿意付出每月6000多万港币的租金落地香港，背后一定是看到了明确的市场机会。我们常说“follow the money”，资本不会无缘无故流动。

选择香港的核心原因，是香港的资金自由流动优势。比如Jane Street之前在印度被监管重罚16亿美元，但它早已把利润转回香港，规避了监管风险。未来除了A股市场，东南亚的泰国、越南等新兴市场，也会是量化机构寻找Alpha的新方向。

对国内市场而言，随着监管逐步规范，期货市场的量化交易还有很大的发展空间。对于从业者来说，不用过度担心“码农会取代金融人”，技术永远是工具，理解市场逻辑、懂得策略本质的人，才是市场的核心。

很多人做回测时数据很漂亮，但实盘跑起来就大幅亏损，核心是忽略了几个关键的实盘参数：第一是成交率（hit rate）。回测会默认你能在目标价位精准成交，但实盘中限价单不一定能成交，等你调整价格时，机会已经消失了。尤其是波动大的品种，能不能成交、滑点多少，比策略本身的理论收益率更重要。第二是回测区间与样本分离。很多人用全量历史数据回测，自然能得到完美的买卖点，但这是典型的 “事后诸葛亮”。专业的做法是把数据分为样本内和样本外：用样本内数据训练模型，用样本外数据验证效果，这样才能检验策略的泛化能力。第三是盈亏比（profit factor）。很多人总想把止盈设高、止损设宽，但实际中往往止盈太早、止损太慢。找到市场均衡的盈亏比，是策略优化的核心功课。

除此之外，策略同质化带来的共振风险也值得警惕。比如国内头部量化机构幻方，曾在短时间内把全年收益全部亏光，很大程度就是因为量化策略高度同质化，大家的买卖点趋同，形成了连锁踩踏。

更有意思的是，为了避免止损被对手盘精准打掉，很多量化从业者会把止损位设成随机数——因为你设固定点位，总会被精准扫损。这也是真实交易和理论模型的核心区别。

另外，AI生成假新闻的风险也在上升。巴菲特在退休前买入大量纽约时报的股票，底层逻辑就是：未来假新闻会越来越多，权威媒体的价值会持续提升。这也是我们在AI时代必须关注的宏观变化。

随着量化交易和AI技术的发展，全球监管都在逐步收紧。国内上海的机房规范，就是对不公平交易的约束；美国、欧洲、日本也都出台了针对算法交易的监管规则。

这也催生了新的就业方向：量化监管与合规。香港证监会现在就在大量招聘AI人才，负责监测异常交易、算法操纵等行为，薪资待遇非常可观。不只是做投研、做交易，懂AI、懂量化的监管人才，同样是市场稀缺资源。

AI已经渗透到生活的方方面面，现在很多人获取信息都不再用搜索引擎，而是直接问AI。对量化投资而言，AI是必须掌握的工具，抗拒是没有意义的。

很多人觉得量化很难、必须会写复杂代码，其实入门的门槛没那么高：简单的策略用Excel就能实现，进阶一点可以用AI工具辅助生成代码。核心不是会不会写代码，而是懂不懂市场逻辑、有没有独立思考的能力。

我给大家的建议就是：大胆去尝试。在课堂上，你未必能做出完美的盈利模型，但你至少能学会分辨什么是合理的、什么是不现实的，这本身就是非常重要的收获。