从深度学习到大语言模型：量化投资中的人工智能技术综述_37页_12mb

量化投资中的深度学习与大语言模型

本文提出了一种综合性的量化投资框架，重点关注深度学习（DL）和大型语言模型（LLMs）的发展及其在α策略（alpha strategy）中的应用。量化投资作为资产管理系统中的关键方法，越来越多地依赖人工智能技术，尤其是深度学习和大语言模型的突破，推动了从规则驱动到AI自动化范式的转变。

1. α策略投资演化

α策略通过识别市场失效率来获取超额收益，其核心是“α侧”（预测单个资产表现）和“对冲侧”（管理市场风险）。论文分为三阶段：

• 传统统计模型：依赖人工特征工程。
• 深度学习阶段：实现了全量化流程的端到端处理（数据预处理、预测、组合优化、订单执行），能够捕捉复杂的时空依赖关系。
• 大语言模型阶段：扩展了AI能力，不仅是预测分析，还能通过多模态数据（文本、图像、代码）生成因子及实现自主决策。

2. 关键应用与技术

数据预处理

整合多源金融数据：数值数据（价格、订单簿）、关系数据（公司间关联）、替代数据（社交媒体、新闻）、仿真数据（GANS、时序数据生成）。大语言模型（如GPT、BERT）支持情感分析、因果关系提取。

模型预测

• Temporal Models：处理时间序列依赖（如LSTMs、Transformer）。
• Spatial Models：捕捉跨资产关系（如图神经网络GNNs）。
• Spatiotemporal Models：结合时序与空间的混合架构（如graph-CNN+LSTM）。
• LLMs作为预测器：识别金融市场中的深层模式，尤其在文本数据分析中表现突出，例如：
  • 文本情感分析（Arthuranet、VADER改进版）
  • 因果驱动预测（如CMIN）

组合优化

传统方法使用期望效用函数或信息系数，深度学习与强化学习融合的新方法（如策略网络、Gaussian Policy）可以考虑更多复杂约束。

订单执行

强化学习模型如Deep Q-Network (DQN) 和Proximal Policy Optimization (PPO) 优化滑点成本和市场影响。

3. 大语言模型的崛起

LLMs已被用于构建“代理系统”，独立执行量化投资任务：

• 预测角色：融入DL模型生成多维时间序列因子（Alpha-GPT等）。
• 代理决策：Agent架构（FinMem、FinAgent）整合记忆系统、决策引擎与工具调用能力，提高自适应性。
• 风险控制与透明化：结合因果知识，设计可解释框架（如InvestorBench）。

当前局限

• 情感预测：语言与市场表现的语义与节奏不一致。
• 数值表示：LLMs不原生处理信号，需结构化表达。
• 实时性与精确计算：高频市场中响应延迟可能导致成本上升。
• 关系建模：跨资产依赖描述不足，需引入图结构融合。

4. 演进趋势

• AutoML：降低模型设置与自动调优复杂度。
• 可解释投资：开发专用可解释模型，提高金融风险管理能力。
• 知识驱动AI：适用于数据稀疏场景（如长期价值投资）。
• 端到端架构：结合DL与LLM生成直接交易信号。
• 跨模态融合：整合文本、图像、统计时间序列，完善决策链条。

论文通过涵盖当前研究缺口与真实市场约束，为建立更鲁棒的AI驱动金融决策框架提供了重要思路。结论强调从规则依赖向多任务集成演进，推动行业进入“智能交易”时代。