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

核心观点

• 量化投资 (Quant) 是一种利用统计分析和优化技术，以及人工智能算法来识别和利用市场无效性的新兴资产管理方法。
• Alpha 策略 是量化投资的一种方法，旨在预测单个资产相对于市场整体表现的超额收益，是投资组合管理者的核心关注点。
• 深度学习 (DL) 技术在 Alpha 策略中的应用显示出良好的效果，能够识别传统量化方法难以检测的复杂模式和关系。
• 大型语言模型 (LLMs) 在金融领域，尤其是量化投资中，展现出巨大的潜力，可以理解上下文数据，生成准确的解释，并进行类似人类分析师的推理。

研究方法

• Alpha 策略流程 包括数据处理、模型预测、投资组合优化和订单执行四个步骤。
• 深度学习方法 在 Alpha 策略流程的每个步骤中都有应用，包括数据预处理、特征提取、模型预测、投资组合优化和订单执行。
• 大型语言模型 在 Alpha 策略中主要扮演两个角色：预测器和代理。

研究结论

• 深度学习 在量化投资中已经取得了显著的成果，但仍面临着过拟合、可解释性不足等挑战。
• 大型语言模型 有望将 AI 驱动的深度学习投资方法带入 AI 自动化阶段，但仍处于早期阶段，存在局限性。
• 未来研究方向 包括自动化机器学习、可解释性、知识驱动 AI 和端到端建模等。

关键数据

• 研报中列举了大量的相关文献和研究成果，并提供了相关的代码和数据集链接。

研究意义

• 本研究为量化投资领域提供了全面且相互关联的视角，有助于推动未来研究的发展。