量化投资的本质是在海量数据中寻找统计规律。过去二十年，量化研究员主要依赖结构化数据——K线、财报数值、宏观经济指标。这些数据的维度有限，能挖的 alpha 信号早已被各路玩家反复咀嚼。真正的金矿藏在非结构化数据里：财报电话会的语调、SEC 文件的措辞变化、社交媒体的情绪扩散——但这些数据的处理难度让传统 NLP 方法捉襟见肘。
大语言模型的出现，正在改变这个局面。
非结构化数据：量化圈的”暗物质”#
每天产生的金融文本数据量是结构数据的数十倍。一条美联储会议纪要可能改变整个利率曲线定价；一份财报电话会的语调变化能在几分钟内引发股价波动。传统量化策略只能通过人工标注或简单词袋模型来处理这些信息，效率极低。
LLM 的核心突破在于语义理解。不是简单地数”增长”出现了几次，而是理解”虽然营收不及预期，但毛利率改善显示出成本控制取得实质进展”这句话背后的复杂信号——在特定语境下，这可能是一个正向信号。
从 2023 年开始，头部量化基金已经在以下几个方向落地 LLM：
文本情感分析：从词袋到语境感知#
传统的金融情感分析依赖 FinBERT 或专门的词法词典（如 Loughran-McDonald 金融情感词典）。这些方法的问题是：它们无法处理复杂语句中的否定、程度修饰和特定领域的隐喻。
举个例子，财报电话会上 CEO 说”I think the worst is behind us”（我认为最坏的已经过去）。传统词袋模型可能因为 “worst” 这个词给出负向情感分，但这句话实际表达的是乐观预期。
GPT-4 级别的大模型能够准确捕捉这类语境信号。最近的研究表明，将 LLM 判断的情感得分作为量化因子，在控制了市值、动量、波动率等常见因子后，仍能贡献可观的超额收益。更重要的是，LLM 生成的情感因子与传统的价量因子相关性极低——这是真正增量 alpha 的特征。
事件驱动因子的自动化提取#
量化研究员日常工作中最耗时的一个环节是事件标注——比如”这家公司宣布了回购计划""那家公司遭遇了做空报告”。过去需要人工阅读、分类、标注，一个研究员一周能覆盖几十家公司就不错了。
借助 LLM 的 zero-shot 分类能力，现在可以自动处理数千份公告，按事件类型、影响程度、时间维度进行分类和打分。更进一步，LLM 还能生成结构化的因果链——例如，从供应链公告中提取出”芯片短缺→交付延迟→营收下修”这样的事件逻辑链，然后量化这些链条对股价的传导速度和幅度。
因子生成：让 LLM 做特征工程#
量化因子挖掘本质上是一个特征工程问题。传统的做法是研究员基于金融直觉或学术文献设计公式，然后回测验证。这个过程高度依赖个人经验，且容易过拟合。
一个新兴方向是让 LLM 辅助因子生成。具体做法：将大量金融数据和领域知识输入模型，让模型提出候选因子的数学表达式，然后用回测框架自动评估。LLM 可以生成人类研究员可能没想到的非线性组合，比如”过去 20 日波动率的增速与成交量集中度的交互项”。
多模态：打通文本、数字和图表的壁垒#
财报 PDF 中的图表、券商研报中的技术图形、甚至投资者会议的视频——这些多模态信息传统上完全不进入量化策略。具备视觉能力的多模态大模型可以同时处理文字、数字和图像，将图表中的趋势线、支撑位等视觉信号转化为结构化因子。
2025 年已经有团队尝试用多模态模型分析财报中的管理层讨论（MD&A）部分，结合文字内容与附带的图表，提取更完整的公司基本面画像。这类因子的回撤表现明显优于纯文本分析。
挑战与现实#
当然，LLM 在量化投研中的应用远非一帆风顺：
幻觉风险是最核心的问题。量化策略依赖精确数据，而 LLM 的幻觉输出可能直接导致错误的交易信号。当前的解决方案包括：使用 RAG 增强检索来锚定信息来源、对模型输出进行多层校验、以及只将 LLM 用于信号挖掘而非最终决策。
成本与延迟也是瓶颈。实时交易场景对延迟敏感，大模型的推理时间可能不够快。不过，在日频或周频的中低频策略中，这个限制并不致命。
回测陷阱同样值得警惕。用 LLM 生成因子时，如果不注意信息的时间戳对齐（避免用到未来信息），回测结果会极其好看——但那完全是假的。
总的来说，大模型不会取代量化研究员，但会用大模型的量化研究员将取代不会用的。这已经不是一个选择题了。
LLM 在量化中的最佳角色不是决策者，而是一个不知疲倦的”信号勘探器”——在海量非结构化数据中帮人类研究员发现他们可能忽略的规律。这个定位，恰恰回到了量化投资最本质的命题：用系统化的方法在噪音中找到信号。