大模型 + 股市预测，是科学还是玄学？#
如果有人告诉你，一个 AI 模型能准确预测明天的股价，你大概率会觉得他在忽悠。但如果说，AI 能帮你分析海量非结构化数据、提炼市场情绪、甚至自动生成交易因子——这就开始靠谱了。
2024 年以来，越来越多的量化基金开始将大语言模型（LLM）纳入研究管线。这不是为了”预测涨跌”，而是为了做那些传统量化模型做不好的事情：理解新闻、拆解财报电话会议的语气、从社交媒体中提取市场信号。
LLM 在量化中的三个实际应用场景#
1. 金融文本的情绪量化#
传统的情绪分析依赖词典匹配——给正面词打 1 分，负面词打 -1 分。问题是，“这家公司’不’存在财务造假风险”——词典法会把”造假”标记为负面，完全忽略否定词。
GPT-4 级别的模型可以准确捕捉这类语义。一篇 2025 年的研究显示，用 LLM 对美联储 FOMC 会议纪要做情绪评分，相比传统 BERT 模型，对次日标普 500 波动的解释力提升了 18%。
量化团队现在做的是：将新闻、研报、财报电话会文字记录喂给 LLM，输出结构化的情绪分数，再作为特征输入因子模型。
2. 另类数据的结构化提取#
卫星图像、供应链数据、招聘信息——这些”另类数据”的共同点是：非结构化，量大，人工处理成本极高。
LLM 可以批量处理这些数据。比如从招聘网站上提取某公司”取消了所有 AI 相关岗位”的信号，或从供应链新闻中推断库存积压。这些信息过去需要分析师手动标注，现在可以自动化。
一个典型应用是：用多模态模型分析零售店停车场的卫星图像，估算客流量变化，再关联到季度营收预测。这不是科幻，对冲基金已经在做了。
3. 因子挖掘的加速器#
传统因子挖掘的思路是：研究员提出假设 → 写代码验证 → 看回测结果。一个研究员一周可能产出 5-10 个因子。
而 LLM 可以在几分钟内生成几十个因子假设。虽然大部分是垃圾，但其中 5%-10% 的高质量假设，已经足以改变研究效率。
更重要的是，LLM 可以做”因子解释”——当回测出现异常收益时，让模型分析可能的数据泄露或过拟合风险，这比人工 review 快得多。
真正的瓶颈不在模型#
老实说，目前 LLM 在股票预测上最大的价值不是预测精度，而是效率提升。把研究员从大量重复的文本处理中解放出来，让他们专注于策略设计。
真正的瓶颈有三个：
数据版权：金融数据的合规成本远高于模型成本。很多高质量数据根本不能公开使用。
过拟合陷阱：LLM 生成的因子更容易过拟合，因为它们能从海量组合中找到”看起来有效”的模式，但这不等于真实规律。
时效性：模型推理需要几秒到几十秒，对高频交易毫无意义。但对日频策略，这个速度足够了。
未来方向：从辅助到决策#
目前的状态是”AI 辅助人类研究员”。但趋势明确指向”AI 驱动决策”——前提是解决可解释性问题。
一个有意思的方向是让多个 LLM 扮演不同角色：一个负责宏观经济判断，一个做技术面分析，一个做基本面估值，最后由另一个模型做综合判断。这种”多智能体”架构在模拟交易中已经展现出超越单一模型的稳定性。
当然，如果有人告诉你他有一个百发百中的 AI 预测模型——快跑。
股市没有圣杯，但 AI 可以帮你把铲子磨得更锋利。