AI赋能资产配置（二十一）从Transformer到Agent，量化投资实战有何变化？

从Transformer到Agent，量化投资实战有何变化？ 核心观点 策略研究·策略专题 核心结论：①Transformer通过时空融合、多关系建模突破传统模型局限，其代表模型GrifFinNet显著提升股票收益预测准确性。②Agent是量化投资的全流程决策载体，分层多智能体框架模拟“宏观-行业-企业-组合-风控”专业投资流程，通过角色模块化与流程自动化，实现从数据采集到实盘对接的闭环，解决纯模型“信号落地难”问题。③Transformer与Agent深度耦合形成“建模精准化+决策自动化”的一体化体系，打通从特征建模到实盘交易链路，实现全流程赋效。④未来AI赋能量化投资将向精准化、自动化、稳健化进阶，Transformer与Agent的协同优化将构建更适配复杂市场的智能量化生态。 证券分析师：王开证券分析师：陈凯畅021-60933132021-60375429wangkai8@guosen.com.cnchenkaichang@guosen.com.cnS0980521030001S0980523090002 基础数据 中小板/月涨跌幅(%)8227.81/-1.82创业板/月涨跌幅(%)3196.87/-1.28AH股价差指数119.64A股总/流通市值(万亿元)97.04/89.15 Transformer是量化投资的高效建模架构，能突破传统模型技术瓶颈。传统量化模型（如CAPM、GARCH、LSTM等）在处理非线性关系、时序动态及多源数据融合上存在局限，而Transformer架构凭借自注意力机制与长序列建模能力，实现了结构依赖与时序动态的深度融合；其代表性模型GrifFinNet通过构建行业归属与机构共持多关系图、设计自适应门控融合模块、采用紧密时空集成架构，在股票收益预测实证中，准确性显著优于LSTM、XGBoost等传统工具，为量化投资提供精准信号输入。 Agent是量化投资的全流程智能决策体，可解决传统量化投资的多方面问题。针对传统量化投资中单一技术孤立应用、数据融合难、决策层级模糊等问题，Agent系统构建“宏观筛选—企业分析—组合优化—风险控制”的分层架构：顶层宏观智能体筛选高潜力行业，分析层四大智能体（基本面、技术面、新闻、研报）协同处理多源数据（结构化财务指标、非结构化文本情绪），配置层组合智能体通过强化学习动态分配权重，防护层风控智能体实时调整风险敞口；该架构模拟专业投资机构决策流程，提升策略的可解释性、抗波动能力与合规适配性。 资料来源：Wind、国信证券经济研究所整理 相关研究报告 《估值周观察(11月第1期)-盈利修复，估值下挫》——2025-11-02《AI赋能资产配置（十八）-LLM助力资产配置与投资融合》——2025-10-29《AI赋能资产配置（十九）-机构AI+投资的实战创新之路》——2025-10-29《估值周观察(10月第3期)-全球普涨，A股成长反弹》——2025-10-26《策略观点-积跬步，行稳致远》——2025-10-21 Transformer与Agent深度耦合可形成一体化量化体系，推动AI对量化投资全流程提效。二者并非简单叠加，而是通过“功能封装+流程补全”实现协同：将Transformer嵌入Agent分析层以强化特征提取（如新闻智能体用LLM提取情绪、技术面智能体捕捉价格时序规律），借助Agent流程自动化解决Transformer信号落地难题（组合优化、仓位控制），以Agent自主交互能力弥补Transformer静态建模缺陷（动态适配市场变化），该耦合体系实现从数据预处理到实盘交易的无缝衔接，推动AI从“单一环节赋能”升级为“全流程提效”。 AI赋能量化投资未来将向精准化、自动化、稳健化进阶，Transformer与Agent协同是核心方向。未来Transformer将进一步优化多关系建模与长序列处理精度，Agent系统将强化人机协作与动态适配能力，二者的深度耦合将持续完善智能量化体系；整体行业将朝着“精准化、自动化、稳健化”进阶，以适配更复杂的金融市场环境。 风险提示：结论受模型存在不确定性、数据质量、市场环境影响，本文不构成任何投资建议。 内容目录 一、Transformer：量化投资的高效建模工具.......................................4二、Agent：量化投资的全流程智能决策体.........................................4三、案例分析：从Transformer到Agent...........................................5四、结论与展望................................................................9风险提示.....................................................................10 图表目录 图1：分层多智能体基本面投资系统组件分工表................................................5图2：GrifFinNet架构示意图................................................................6图3：多智能体交易系统....................................................................8图4：耦合实操示例：沪深300成分股组合管理的全流程落地...................................9 一、Transformer：量化投资的高效建模工具 股票收益预测是量化金融领域的关键任务。与静态分析不同，股票市场本质上具有复杂性且易发生突变，因此开发动态模型以适应不断演变的市场环境至关重要。市场受到经济发展、政策变动、新闻事件等多种因素影响，其波动同时也受历史数据制约。 股票收益预测的研究可追溯至传统统计模型。资本资产定价模型（CAPM）为理解系统性风险和预期收益奠定了基础。法玛和弗伦奇的三因子模型和五因子模型进一步拓展了这一研究方向，在原有的市场、规模和价值因子基础上，新增了盈利能力和投资因子，用于解释股票收益的横截面差异。诸如广义自回归条件异方差（GARCH）等线性模型也被用于建模时变波动率，但这些模型仍基于有效市场假说保留了线性假设。尽管这些模型提供了可靠的基准，但它们在应对现代金融市场的复杂性方面逐渐显现局限性，尤其是依赖线性假设和有效市场假说的特性，限制了其捕捉金融系统中非线性关系和动态行为的能力。 随着计算技术的快速发展，机器学习技术在股票收益预测领域备受关注。支持向量机、随机森林和XGBoost等机器学习算法能够处理高维特征和非线性关系，相比传统统计模型具有更高的预测精度。然而，这些方法存在显著缺陷，特别是在建模时序依赖性和充分利用金融数据的时序特征方面表现不足。 递归神经网络RNN、LSTM等深度学习模型的出现，推动了时序依赖性建模和股票价格长期趋势捕捉的发展。与此同时，图神经网络GNN在多个领域受到关注，在金融应用中展现出独特潜力。图卷积网络GCN和图注意力网络GAT为处理图结构数据奠定了基础。但这些模型普遍存在“时空分离建模”的问题，未能实现结构依赖与时序动态的深度融合。 Transformer架构凭借自注意力机制与长序列建模能力，为突破上述瓶颈提供了可能，将异构图神经网络与注意力机制相结合的方法在处理复杂关系数据方面表现出强大能力。在股票建模中，这些方法为捕捉股票间关系提供了有效途径，有助于建模金融市场中复杂的结构依赖性。通过利用基于图的结构，这些模型能够动态捕捉股票间的相互联系，提升股票收益预测效果，增强对市场内部复杂依赖性的建模能力。 近年来，基于Transformer的股票收益预测研究持续涌现，其中GrifFinNet（图关 系 集 成Transformer） 作 为 代 表 性 成 果 ， 创 新 性 地 将 多 关 系 图 建 模与Transformer时序编码相结合，将多关系空间建模与时序编码相统一，用于股票收益预测，在A股市场实证中展现出优异性能。GrifFinNet的核心特性包括：（1）构建两种明确的股票间关系图（行业归属关系图和机构共持关系图），以编码具有经济意义的依赖性；（2）引入自适应门控融合模块，根据市场状态动态调整不同关系类型的权重；（3）在融合表征之上应用Transformer编码器，以捕捉长期时序结构。 二、Agent：量化投资的全流程智能决策体 尽管新技术在金融投资领域的应用不断推进（最显著的是智能投顾和机器学习的广泛部署），但现有研究大多孤立评估单一技术。机器学习和深度学习和AlphaGPT常被用于因子挖掘或收益预测；强化学习被定位为直接的投资组合策略优化工具；自然语言处理（包括大型语言模型LLMs）则用于从新闻、公司备案文件或收益电话会议中提取情绪。这种单一技术聚焦的研究虽能带来有价值的见解，但留下了 一个关键问题：如何有原则地整合宏观情境、结构化信号、市场微观结构认知和非结构化文本，使每种技术在其最具价值的环节发挥作用，同时协调冲突、保持问责性？ 在实践中，以结构化基本面或技术指标为核心的单一模型流程，往往未充分利用非结构化文本和宏观情境，对新闻和政策冲击的响应能力有限；相反，端到端摄入所有数据的整体式深度学习系统，难以诊断、审计，在受监管环境中难以合规，且常面临过拟合问题。尽管近年来基于LLM的智能体展现了文本信息的价值，但它们往往聚焦于单只股票交易，或缺乏全面的投资组合构建分层框架。传统集成方法通常在特征或模型层面组合信号，缺乏明确的角色分工和跨层级协调，在市场状态变化时重新加权的速度较慢。 在投研工作中，通过构建一种分层、角色差异化的多智能体系统，模拟自上而下的投资流程。可填补这一空白。从整体来看，该系统由五个分层组件构成：顶层是宏观智能体，扮演首席经济学家的角色，分析宏观经济和行业层面信号，识别具有有利条件的行业，从而聚焦后续分析重点；在这些行业内，四个专业化股票评分智能体在分析层运作：基本面智能体、技术面智能体、新闻智能体和研报智能体，其中新闻和研报智能体利用LLM从非结构化文本中提取信号，另外两个智能体依赖传统数值分析，这种设计解决了不同频率数据的多模态融合问题；接下来的配置层是组合智能体，基于近期表现等状态变量，学习专业化智能体的动态权重，聚合这些异质观点，生成综合评分并构建投资组合；最后是防护层风险控制智能体，根据市场波动率调整整体投资组合风险敞口。每个专业化智能体可通过投资其排名前10%的股票形成独立投资组合，而分层集成则将它们的优势结合为统一、自适应的配置方案。原则上，该设计支持人机协作，例如，用经验丰富的宏观经济学家（人类智能体）替代基于LLM的人工智能宏观智能体，或让两者以协同驾驶形式协作，系统其他组件也可采用类似模式。 三、案例分析：从Transformer到Agent 本节通过三个具有代表性的场景，展示从Transformer到Agent，AI如何赋能量化投资。前两个案例分别侧重于单一场景的应用，聚焦GrifFinNet（图关系集成Transformer）架构在股票收益预测中的核心作用，及分层AI多智能体框架如何实现全流程决策体，完成从投资目标输入到实盘交易对接的闭环。而第三个案例 则 超 越 单 点， 聚 焦Transformer与Agent的 深 度 耦 合 逻 辑 ， 解 析 如 何以Transformer为核心推理引擎、Agent为流程载体，基于“技术工具→功能封装→场景落地”脉络，构建“建模精准化+决策自动化”的一体化量化体系，让AI从“单一环节赋能”升级为“全流程赋效”。 （一）Transformer在股票收益预测中的应用——基于GrifFinNet