大模型预测股市：从幻觉到可解释的量化信号 • halo 的技术博客

引言#

2026 年，大模型的能力边界在不断被重新定义。从写诗作画到代码生成，从数学推理到科学研究，每一条赛道都跑得火热。但有一个问题始终悬在 AI 从业者和投资者头顶：大模型能不能预测股市？

这个问题在过去两年经历了三波认知迭代——从狂热到失望，再到冷静重构。今天写这篇文章，就是想梳理一下这个认知进化路径，以及当前最务实的落地方案。

配图描述

2023 年到 2024 年初，大量尝试集中在”把历史行情塞进 prompt，让 GPT 预测明天的涨跌”。

结果非常惨烈。原始 LLM 在股价预测上的准确率基本在 48%-52% 之间，和抛硬币没有统计差异。这背后有几个致命问题：

时序理解缺陷。 Transformer 架构虽然有关键的自注意力机制，但 LLM 训练数据中时间序列的呈现方式极其碎片化。GPT 处理数值序列的方式和人类看 K 线图完全不同——它看到的是一串”token 化”的数字流，而不是连续的价量关系。

幻觉不可控。 你可以让 GPT”编”一个看起来很专业的分析，它会给出均线、MACD、布林带的技术解读，但这些分析可能完全基于错误的数据理解。在投资决策这个容错率极低的场景，一次幻觉就可能造成真金白银的损失。

分布外泛化差。 金融市场是一个典型的”非平稳时间序列”——今天的规律可能明天就不成立了。训练数据覆盖的市场环境下，模型学到的是”后验规律”，而不是”先验洞察”。

但这一阶段的失败恰恰提供了最宝贵的教训：想让大模型参与投资决策，必须承认它不能替代量化模型，而是应该作为信息处理层。

2024 年中到 2025 年，方向发生了重要转折。研究者和机构开始放弃”让 LLM 直接做预测”这个不切实际的目标，转而把 LLM 定位为非结构化数据的解析器。

这是一个价值巨大的聚焦。传统量化投资 80% 的工作量都在”把乱七八糟的信息变成干净的数据”。大模型在这里天然合适：

财报电话会议纪要的情感分析。 传统的 NLP 模型能识别简单的正负面词汇，但 LLM 可以捕捉管理层语调的微妙变化、回避问题的模式、CEO 和 CFO 之间的措辞差异。2025 年有几篇顶会论文证明，LLM 提取的电话会情感因子在 A 股市场的多空收益显著优于传统字典法。
研报关键信息抽取。 一份 50 页的券商深度研报，LLM 可以在 30 秒内提取核心假设、盈利预测修正、估值方法变更等结构化信息。
新闻事件的因果链推理。 “某公司被纳入某指数”这件事对股价的影响，不是一个简单的关键词匹配能搞定的。LLM 能够理解事件的二阶、三阶效应。

在这个框架下，LLM 和量化之间不再是竞争关系，而是信号工程流水线上的一环。LLM 输出的是结构化因子，而非最终交易决策。这极大降低了幻觉带来的风险。

配图描述

2025 年下半年至今，方向再次深化。不再用通用大模型套金融场景，而是从头构建金融专精模型。

这条路有三个关键动作：

在开源基座模型（如 Qwen、DeepSeek 系列）的基础上，用高质量的金融语料做继续预训练。关键不在语料量大，而在质量高——监管文件、年报、招股说明书、交易所规则、学术论文，这些都是”高信息密度”文本，远比财经新闻有效。

构建数千条金融领域的指令数据：财报分析、估值建模、风险归因、因子解释。让模型学会的不是”预测涨跌”，而是”给出有逻辑支撑的分析”。同时通过 RLHF 强化模型在不确定性表达上的诚实性——这是金融场景最需要的品质。

这是目前最前沿的方向。让模型能调用 Python 解释器执行量化回测代码、调用数据 API 获取实时行情、甚至直接产生可交易的信号。模型不再”猜测”数值，而是”计算”数值。这从根本上解决了幻觉问题。

综合上述演化路径，2026 年的最佳实践是一个三层混合架构：

这个架构的核心逻辑是：让 LLM 做它擅长的事（理解和归纳），让量化模型做它擅长的事（统计和优化），让规则引擎守住底线（风控和合规）。

在这个领域实践了一年多，总结了几个最常见的认知陷阱：

误区一：模型越大越好。 实际上在金融场景中，7B-13B 参数的模型微调后往往优于更大的通用模型。原因是大模型”知识面太广”反而更难聚焦。

误区二：预测越精确越好。 追求精确到小数点后两位的股价预测是误入歧途。有价值的预测应该是概率分布而非点估计：“未来一周上涨概率 65%，预期收益 1.2%±3%“比”目标价 45.37 元”有用得多。

误区三：有了 LLM 就可以扔掉传统量化。 恰恰相反，LLM 的力量体现在与传统量化的互补上。没有回测框架验证的 LLM 输出就是空中楼阁。

大模型在金融领域最可能的终局不是”AI 交易员”，而是**“AI 辅助的量化研究平台”**。研究员和基金经理通过自然语言与多模态模型交互，模型承担数据清洗、因子探索、报告生成等脏活累活，人类负责策略判断和风险管理。

这条路需要跨学科的人才：懂 NLP、懂量化、懂金融业务。三者的交集目前非常稀缺，但恰恰是最有价值的交叉地带。

2026 年，AI 取代不了基金经理，但会用 AI 的基金经理正在取代不会用 AI 的基金经理。这一点，我毫不怀疑。