证券时报记者 王小芊

近年来，随着人工智能（AI）技术的飞速发展，量化投资领域正迎来新一轮深刻变革。

以生成式AI为代表的新一代模型兴起，颠覆了传统数据处理方式，促使基金公司加速探索AI的深度应用。面对海量且复杂的金融市场数据，算力资源分配与稳定性也逐渐成为AI量化模型的制胜关键。

不过，尽管AI技术在量化投资领域展现出强大潜力，模型的“黑盒”特征（指的是那些内部工作原理对用户不可见的系统或模型特征）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模型要真正发挥作用，还需要提升模型的透明度与可解释性。

公募量化投资不断优化

近年来，AI技术的快速发展使得数据应用场景发生深刻变化，传统的因子模式也面临巨大的冲击，中大型基金公司开始纷纷探索AI的深度应用。

在接受证券时报记者采访时，路博迈基金副总经理、CIO兼基金经理魏晓雪详细阐述了人工智能技术在量化投资中的关键作用。在梳理量化策略模型的发展史时，魏晓雪介绍，量化1.0是简单选股策略阶段，以基本统计方法为主，使用简单数学模型进行投资分析，主要依赖于人工挖掘因子，波动控制具有一定的局限性。量化2.0是多因子模型阶段，使用多因子模型捕捉线性信息，通过更多样的数据集提高准确性与稳定性，缺点是人工依赖度高。量化3.0则是AI加高频交易，使用AI机器学习算法识别和捕捉非线性的股票高频特征，预测短期股票价格波动。不过，这一模型也有缺点，即因子衰减快，预测周期较短。

随着DeepSeek正式落地，路博迈的量化3.5模型也在此基础上应运而生。其选股频率为周度调整，这一高频更新特征也是AI量化效率的重要体现。

路博迈基金认为，相较于传统模型通常采用的月度调整机制，量化3.5通过更高频次的动态调整，能够更有效地捕捉短期市场机会，展现出更强的灵活性和适应性。

浙商基金也表示，LLM模型（大语言模型）被不断优化，极大地降低了文本数据的应用难度，量化可以利用的文本数据呈指数级增加，量变引发质变。日常实践中，多模态、生成式大模型对于日常工作的辅助，对于认知的重构已经非常显著。未来，AI量化投资方法会不会有天翻地覆的变化，也值得期待。

算力仍是基石

AI技术在量化投资中的运用，与金融市场数据的爆炸式增长息息相关。在魏晓雪看来，在传统的数据处理中，投资者主要依赖价格、成交量等结构化数据，而随着信息技术的飞速发展，新闻、社交媒体、财报文本等非结构化数据的涌现，给投资分析带来了巨大挑战。AI技术，特别是自然语言处理和图像识别等技术，能够高效地处理和分析这些海量的多维度数据，挖掘出传统方法难以捕捉的信息。

目前，路博迈集团量化策略的管理规模已接近百亿美元，覆盖发达市场和新兴市场的股票与债券。因此，算力成为了支持策略运行的关键。魏晓雪透露，路博迈总部每天处理的数据量已达太字节（1024GB）级别，相关的数据处理经验能够支持模型高效处理海量数据，并进行持续优化。

银河基金对DeepSeek-R1的观察同样证明了算力的重要性。1月20日，DeepSeek-R1正式发布并同步开源模型权重。然而，由于短期内用户需求的大量爆发，造成了自有算力紧张，2月6日，该模型暂停了API服务充值。这也从侧面说明，面对大规模用户需求时，算力资源的分配与系统稳定性成为制约AI模型发展的关键因素。

模型“黑盒”难题尚待解决

虽然当前AI技术为量化投资带来了诸多突破，但在多家机构看来，现阶段模型仍是偏“黑盒”的特征，可解释性较弱，制约了其在金融领域的进一步深入应用。

浙商基金指出，当下端到端赋能投资的AI模型、机器学习模型仍是通过堆砌大量数据和构造比较复杂的模型去输出结果。这样，一方面可解释性不高，可能不适应金融场景，另一方面可能存在模型过拟合的问题。

尤其在生成式模型爆发后，模型在研报阅读、财报梳理、简单的代码生成等方面具有强大优势，但生成式模型的发散思考能力又与传统量化的偏确定性投资建议存在冲突。这意味着，虽然生成式模型的应用显著提高了可解释性，但也带来了可追溯性降低的问题。

对此，浙商基金认为，未来AI量化投资的发展方向应当还是以多模态的生成式模型为主，为了追求可验证的投资能力，需要部分约束生成式模型的发散能力，提升更为准确的历史先验知识的占比，加强与人类智慧的合作，让AI模型真正读懂人类的需求，特别是投资领域的需求。

沪上一位公募研究人士向证券时报记者表示，尽管AI技术在量化投资中的应用为市场预测、风险控制和策略优化提供了许多创新途径，但也存在不少局限性。首先，金融市场数据通常存在噪音较多、非平稳性强的问题。AI模型容易过度拟合历史数据中的异常情况，降低了预测的可靠性。此外，历史数据中的随机因素和特定时期的极端事件也可能被模型误读，导致实际市场表现不及预期。

与此同时，模型所假设的理想市场条件与现实交易环境存在较大差距，频繁的交易可能带来显著的交易成本、滑点及流动性风险，进一步影响策略的实际效果。此外，由于金融市场易受政治、经济以及心理因素的多重干扰，突发的“黑天鹅”事件通常超出模型的预测能力，这也意味着纯粹依靠历史数据训练的模型在面对极端市场状况时可能表现欠佳。