过去三年，大语言模型（LLM）的爆发对整个科技行业产生了深远影响，金融行业也不例外。从最初的新闻情感分析，到如今在智能投顾、风险预警、研报摘要等领域的全面渗透，大模型正在重新定义金融从业人员的工作方式。这篇文章我想聊聊大模型在金融和股市中的真实应用场景，以及它到底能做到什么、做不到什么。
大模型能做的最成熟的事：情感分析#
在金融领域，大模型最成熟的应用当属新闻与社媒情感分析。传统情感分析依赖词典法或简单的机器学习分类器，准确率有限，且无法理解上下文中的讽刺、否定、双关等复杂语义。大模型的出现改变了这一局面。
举个例子，“公司上调全年指引但低于分析师预期”这句话，传统模型可能只捕捉到”上调”这一正面词就判定为利好。但大模型能理解这里的真实含义是不及预期，从而给出中性偏空的判断。这种细粒度的语义理解能力，让情感分析在实盘中的参考价值大幅提升。
我自己在做量化策略时，会用大模型对每日的财经新闻、上市公司公告、社交媒体讨论进行批量情感打分，生成一个舆情情绪指数，作为策略的辅助因子。实践表明，在A股这种散户占比高、情绪波动大的市场，舆情因子对短期价格走势有显著的指示作用。
研报摘要与信息提取：研究员的生产力倍增器#
金融行业信息密度极高，研究员每天面对的是成百上千份研报、公告和新闻。大模型在信息提取与摘要方面的能力，正在成为研究员不可或缺的助手。
具体场景包括：
- 自动研报摘要：将一份50页的深度研报压缩为500字的要点提炼，保留核心逻辑、目标价、风险提示
- 结构化信息抽取：从年报中自动提取营收、净利润、毛利率等关键指标，生成可比较的数据表格
- 跨文档对比：同时分析多家券商对同一只股票的评级差异，找出预期分歧
- 会议纪要生成：将电话会议录音转写为文字并提炼关键问答
这些应用并不取代研究员，而是将他们从重复的信息处理中解放出来，把精力集中在更高价值的判断与决策上。一个优秀的研究员加一个大模型助手，产出能力可能相当于过去三到五个研究员的组合。
智能投顾与问答系统：从规则到语义理解#
传统智能投顾大多基于规则的资产配置模型——你输入风险偏好，系统按预设公式推荐组合。这种方案的问题在于僵化，无法理解用户的真实意图。
大模型引入后，智能投顾开始具备自然语言交互能力。用户可以用口语化的方式提问：“我手里有50万，三年后想给孩子留学用，现在该怎么配置？“大模型可以理解这背后的隐含约束（期限三年、教育目标、风险厌恶），再调用底层的资产配置模型生成建议。
更进一步，一些机构开始尝试用大模型构建24小时在线的投研问答系统，回答员工或客户的各类金融问题，并自动引用来源材料以保证可追溯性。这背后涉及RAG（检索增强生成）技术——大模型先检索知识库中的权威文档，再基于检索结果生成回答，从而大幅降低幻觉风险。
大模型在金融中的局限：不能做的是什么#
讲完能做的，必须清醒地谈大模型做不到什么。这一点对投资者尤其重要。
第一，大模型不擅长精确的数值推理和实时计算。让它算一个复杂的期权定价、做回测统计，它很容易出错。金融中的精确计算仍要依赖传统的数值库和统计工具，大模型更适合做”理解”和”生成”层面的工作。
第二，幻觉问题在金融场景后果严重。一个错误的财务数字或误引的法律条款，可能导致实际的投资损失。因此金融级应用必须配合严格的检索和校验机制，不能让模型”自由发挥”。
第三，预测能力被过度神化。大模型本质上是基于历史数据的模式补全，它无法真正”预见”未来。把它当作选股神器是危险的。真正有效的做法是将大模型作为信息处理的增强层，而非决策的替代品。
第四，数据滞后与实时性不足。通用大模型的知识有截止日期，对最新市场动态的响应依赖外接的实时数据管道。在高频交易等对延迟极度敏感的场景，大模型目前还无法成为核心引擎。
大模型与量化交易的结合：我的实践观点#
我个人的判断是，大模型在量化交易中最大的价值在于因子生成的辅助，而非直接下单。比如用大模型从非结构化文本中挖掘新的alpha信号、用自然语言描述策略逻辑再自动转化为代码框架、在回测异常时辅助诊断原因。
真正前沿的团队已经在探索多智能体协作——让多个大模型分别扮演研究员、风控官、交易员的角色进行辩论和交叉验证，从而提升决策质量。这种”AI投委会”的模式虽然还在早期，但方向值得关注。
总之，大模型不会取代金融从业者，但会用大模型的人会取代不用大模型的人。对于量化研究者、金融工程师、甚至普通投资者来说，尽早掌握如何高效调用大模型处理信息，已经是这个时代的基本功。工具的本质是杠杆，而杠杆会放大使用者的能力差距。