从 ChatGPT 诞生第一天起，就有人往对话框里贴 K 线图问”明天涨还是跌”。三年过去了，这个看似天真的问题正在被严肃对待。全球头部量化基金和 AI 实验室不约而同地把大模型纳入金融预测管线，但真正的进展，远比”问问 GPT”复杂得多。
为什么大模型天然适合金融预测#
金融数据有两个特征被传统模型长期浪费：非结构化数据的密度和跨市场关联的隐性逻辑。
一份美联储会议纪要的措辞变化、一条供应链中断的新闻、甚至 CEO 在财报电话会上语气的停顿——这些信息传统 NLP 模型只能做浅层情感分析，而大模型可以抓出隐含的政策转向信号和行业传导路径。
2025 年，摩根士丹利内部研究发现：将 GPT-4 级别的模型用于财报电话会转录文本分析，结合”管理层语调变化 + 回避关键词频率”两个维度构建的信号，在标普 500 成分股上有 3.2% 的超额月收益。这比传统情绪分析模型高出近一倍。
更关键的是跨资产联想。一个训练有素的量化研究员可能同时盯 5-8 个市场，但大模型可以在几秒内扫描原油、汇率、债券、大宗商品、股指期货之间的联动模式。BloombergGPT 发布时的核心卖点就是这一点——不是替代分析师，而是让一个分析师拥有百人团队的视野宽度。
当前的主流技术路线#
目前业界探索出三条清晰路径，各有优劣：
路线一：Finetune 垂直金融模型。 BloombergGPT、FinGPT、XuanYuan 都属于这一类。在高质量金融语料上继续训练基座模型，使其内化金融知识和推理模式。优点是推理成本固定，缺点是训练成本高、更新周期长——市场风格一变就需要重新 fine-tune。
路线二：RAG + 实时数据注入。 不训练模型本身，而是将实时行情、新闻、财报等作为检索增强的上下文喂给通用大模型。这条路线最灵活，但受限于上下文窗口和检索质量。2026 年初，几家对冲基金已经在生产环境中用这种方案做日内事件驱动交易。
路线三：Agent 多步推理。 让大模型扮演”分析师”角色：先读取数据、提出假设、调用回测工具验证、根据结果修正假设，循环多轮后输出最终预测。这是最接近人类分析师工作流程的路线，也是当前学术研究的热点。AlphaXiv 上相关论文数量在 2025 年增长了 400%。
值得警惕的是，这三条路线都不约而同地避开了”让模型直接输出股价数字”的天真做法。原因很简单：大模型的幻觉问题在数值预测上被放大到不可接受的程度。一个 +2% 和 -2% 的预测差异，在金融世界是天壤之别。
“可复现信号”才是关键#
量化交易的核心不是”预测对了几次”，而是找到了一个统计显著、逻辑自洽、样本外稳健的信号。大模型在这方面面临独特的挑战：
第一，黑箱问题。你让 ChatGPT 分析财报后给出看涨结论，但你不知道这个结论是基于营收增速的合理推断，还是训练数据中某个类似的股票恰好涨了。没有可解释性，合规部门过不了。
第二，前视偏差陷阱。大模型的训练数据截止日期可能覆盖了你要预测的时间段。如果训练语料中包含”2024 年英伟达暴涨 240%“这样的表述，模型对英伟达的”预测”就是作弊。做时间序列切分比传统 ML 更复杂。
第三，过拟合的幻象。大模型参数规模巨大，在金融这种低信噪比领域，过拟合传统金融数据的速度远超想象。一段漂亮的回测曲线可能只是记住了历史模式，而不是学到了真正的市场逻辑。
解决思路正在收敛：不要问模型”涨多少”，而是问模型”这个财报有什么异常”、“这个宏观环境下历史上哪些因子最有效”。把大模型定位为信号生成器而非预测器，输出的不是交易决策，而是需要进一步验证的假设。
业界实战：谁在用，怎么用#
Two Sigma 在 2025 年致投资者信中明确提到，已将大模型纳入信号挖掘 pipeline，用于在 10-K 和 10-Q 文件中自动发现新的 alpha 因子候选。
WorldQuant 内部开发了一个叫”AlphaGPT”的系统（非公开），专门用于阅读学术论文并自动提取可能转化为量化因子的数学公式和逻辑描述。
幻方量化（中国）在大模型领域的投入甚至超出其量化本业。DeepSeek 系列模型的训练经验和工程积累，正在反向赋能其量化交易团队，特别是在另类数据处理和高频因子挖掘方面。
但从业内人士的私下交流来看，目前还没有任何一家机构敢让大模型直接下交易单。它在管线中的位置可以概括为：上游的信息处理和假设生成环节，而不是下游的决策和执行环节。
2026 年的关键趋势#
几个正在发生的趋势值得关注：
多模态金融分析：不只是文本，图表、K 线形态、视频电话会都在进入模型视野。Gemini 和 GPT-4V 的多模态能力正在被量化团队认真评估。
小模型专业化：不是所有人都需要 BloombergGPT 级别的庞然大物。7B-13B 参数的模型经过针对性金融 fine-tune + RAG，在特定任务上已能达到接近 GPT-4 的水平，且推理成本低两个数量级。
合成数据：金融数据的稀缺性（真正有预测力的信号极其稀少）正在被生成式 AI 缓解。用大模型生成的反事实场景和极端市场情形，正被用于训练更鲁棒的预测模型。
监管关注：SEC 和 FCA 已经开始关注 AI 在投资决策中的使用。2026 年可能的监管框架将要求模型决策必须有可审计的推理链路，这倒逼行业加速落地可解释 AI。
冷静的结论#
大模型预测股价这件事，目前处于过度期望的幻灭期和实质落地的萌芽期之间。它不是魔法，不能替代严谨的量化研究框架，但它确实在改变信息的处理效率和信号的发现方式。
作为从业者，最务实的策略是：把大模型当作一个不知疲倦的研究助理，让它读财报、挖因子、做归因、写纪要——但最终的决策逻辑和风险控制，必须掌握在人的手里。
金融市场的反身性决定了：当所有人都在用同一个大模型做同一件事时，超额收益就消失了。真正的 alpha，永远属于那些用得更聪明、更克制的人。
本文为技术观察，不构成任何投资建议。