频年来人妖 中国，跟着东谈主工智能（AI）本事的赶快发展，量化投资范畴正迎来新一轮深入变革。

以生成式AI为代表的新一代模子兴起，颠覆了传统数据处理神气，促使基金公司加快探索AI的深度应用。面对海量且复杂的金融阛阓数据，算力资源分拨与浮现性也渐渐成为AI量化模子的制胜要道。

不外，尽管AI本事在量化投资范畴展现出苍劲后劲，模子的“黑盒”特征以及相应的可解释性不足依然困扰着业界。多家机构指出，AI模子要信得过表现作用，还需要擢升模子的透明度与可解释性。

量化投资迈入AI时间

色吧电影

频年来，AI本事的快速发展已激勉量化投资范畴的新一轮变革，尤其是生成式AI模子的出现，使得数据应用场景发生深入变化，传统的因子花式也靠近弘远的冲击，中大型基金公司运行纷繁探索AI的深度应用。

在秉承券商中国记者采访时，路博迈基金副总司理、CIO兼基金司理魏晓雪详备陈说了东谈主工智能本事在量化投资中的要道作用。在梳理量化计策模子的发展史时，魏晓雪先容称，量化1.0是浅易选股计策阶段，以基本统计步伐为主，使用浅易数学模子进行投资分析，主要依赖于东谈主工挖掘因子，波动戒指具有一定的局限性。量化2.0是多因子模子阶段，使用多因子模子捕捉线性信息，通过更各类的数据集提高准确性与浮现性，纰谬是东谈主工依赖度高。量化3.0则是AI加高频往复，使用AI机器学习算法识别和捕捉非线性的股票高频特征，展望短期股票价钱波动。不外，这一模子也有纰谬，即因子衰减快，展望周期较短。

跟着DeepSeek认真落地，路博迈的量化3.5模子也在此基础上应时而生。其选股频率为周度调解，这一高频更新特征亦然AI量化着力的蹙迫体现。路博迈基金以为，相较于传统模子普通接收的月度调解机制，量化3.5通过更高频次的动态调解，好像更有用地捕捉短期阛阓契机，展现出更强的生动性和允洽性。

浙商基金也示意，LLM模子被束缚优化，极地面裁汰了文本数据的应用难度，量化不错利用的文本数据呈指数级增多，量变激勉质变。日常实施中，多模态、生成式大模子关于日常职责的援手，关于默契的重构仍是终点权臣。未来，AI量化投资步伐会不会有天翻地覆的变化，也值得期待。

浙商基金多年来也在AI赋能量化投资上深耕。通过里面智能投研系统Lucy，投研团队不错追踪比物丑类的数据，同期基于AI模子学习的驱散以及主不雅商榷的劝诫人妖 中国，给出对应的投资提议。这使得AI模子的援手险些渗入到通盘公司在管居品中，而投资司理和商榷员在主动商榷时也会向AI模子寻求提议和匡助。

算力是AI量化投资的基石

AI本事在量化投资中的足下，与金融阛阓数据的爆炸式增长息息关连。在魏晓雪看来，在传统的数据处理中，投资者主要依赖价钱、成交量等结构化数据，而跟着信息本事的赶快发展，新闻、应对媒体、财报文本等非结构化数据的涌现，给投资分析带来了弘远挑战。AI本事，终点是当然讲话处理和图像识别等本事，好像高效地处理和分析这些海量的多维度数据，挖掘出传统步伐难以捕捉的信息。

现在，路博迈集团量化计策的措置范畴已接近百亿好意思元，消失发达阛阓和新兴阛阓的股票与债券。因此，算力成为复古计策运行的要道。魏晓雪浮现，路博迈总部每天处理的数据量已达太字节（1024GB）级别，关连的数据处理劝诫好像复古模子高效处理海量数据，并进行捏续优化。

星河基金对DeepSeek-R1的不雅察一样讲授了算力的蹙迫性。1月20日，DeepSeek-R1认真发布并同步开源模子权重。可是，由于短期内用户需求的多数爆发，形成了自有算力垂危，2月6日，该模子暂停了API做事充值。这也从侧面阐述，面对大范畴用户需求时，算力资源的分拨与系统浮现性成为制约AI模子发展的要道身分。

针对国产大模子现在靠近的算力浮现性问题，星河基金的基金司理郑巍山指出，国产算力的发展需要深入到基础要领层面进行分析。具体而言，算力层看成AI大模子迭代的载体，主要分为AI算力芯片、AI做事器和AI组网三个方面。

其中，AI算力芯片是AI算力的中枢，需求有望率先推广。刻下阛阓以GPU和ASIC芯片为主导，尽管公共阛阓永恒被外洋厂商占据，但国产厂商正在加快追逐并渐渐削弱差距。

AI做事器则是算力的蹙迫载体，有望在AI算力芯片的发展下进一步推广。阛阓需求将奉陪芯片发展而进一步推广，尤其是触及GPU、印制电路板（PCB）、存储等要道电子元器件范畴的发展值得捏续包涵。

临了，AI做事器通过通讯一语气罢了大范畴AI组网集群，用来复古超大参数的大模子锤真金不怕火，也便是AI组网。组网范畴的捏续扩大将径直鼓舞光模块、铜缆一语气、交换机等建筑需求的增长。

AI量化需结巴“黑盒”窘境

诚然刻下AI本事为量化投资带来了诸多结巴，但在多家机构看来，现阶段模子仍是偏“黑盒”的特征，可解释性较弱，制约了其在金融范畴的进一步深入应用。

浙商基金指出，当下端到端赋能投资的AI模子、机器学习模子如故仍是通过堆砌多数数据和构造比拟复杂的模子去输出驱散。这么，一方面可解释性不高，可能不允洽金融场景，另一方面可能存在模子过拟合的问题。

尤其在生成式模子爆发后，模子在研报阅读、财报梳理、浅易的代码生成等方面具有苍劲上风，但生成式模子的发散想考才智又与传统量化的偏笃定性投资提议存在冲突。这意味着，诚然生成式模子的应用权臣提高了可解释性，但也带来了可挂念性裁汰的问题。

对此，浙商基金以为，未来AI量化投资的发展认识应当还所以多模态的生成式模子为主，为了追求可考据的投资才智，需要部分拘谨生成式模子的发散才智，擢升更为准确的历史先验常识的占比，加强与东谈主类灵敏的调解，让AI模子信得过读懂东谈主类的需求，终点是投资范畴的需求。

沪上一位公募商榷东谈主士向券商中国记者示意，尽管AI本事在量化投资中的应用为阛阓展望、风险戒指和计策优化提供了很多篡改蹊径，但也存在不少局限性。当先，金融阛阓数据普通存在噪声较多、非镇静性强的问题。AI模子容易过度拟合历史数据中的颠倒情况，裁汰了展望的可靠性。此外，历史数据中的当场身分和特定时辰的极点事件也可能被模子误读，导致执行阛阓发扬不足预期。

与此同期，模子所假定的想象阛阓条款与现实往复环境存在较大差距，普通的往复可能带来权臣的往复本钱、滑点及流动性风险，进一步影响计策的执行成果。此外，由于金融阛阓易受政事、经济以及激情身分的多重侵犯，突发的“黑天鹅”事件普通超出模子的展望才智，这也意味着存一火之交依靠历史数据锤真金不怕火的模子在面对极点阛阓情景时可能发扬欠佳。

排版：王璐璐

校对：苏焕文‍‍人妖 中国