2023年ChatGPT横空出世之后，一个被反复讨论的问题是：大语言模型（LLM）能不能帮我们赚钱？两年多过去了，这个问题的答案已经从”也许能”变成了”已经在做”。本文梳理LLM在量化投资领域的实际落地场景，帮助从业者和研究者看清技术和业务的结合点。
文本数据的结构化提取#
量化投资最大的数据瓶颈，不是行情数据，而是非结构化文本。
每个交易日，全球金融市场产出的文本量远超任何单一机构能消化的规模——财报电话会议的逐字记录、SEC/CSRC的监管文件、券商研究报告、新闻通讯社快讯、社交媒体讨论。这些文本中蕴含的信息，传统的NLP工具（如词典法、简单规则）只能抓取表面情绪，而LLM可以实现深层次的信息提取。
以财报电话会议为例。以前的量化研究员面对这些数据时，能做的事情非常有限：数一数CEO说了几次”挑战”这个词，或者用Loughran-McDonald金融词典给每句话打个正负分。这些方法有价值，但过于粗糙。
LLM改变了这个局面。一个经典的量化应用流水线是这样的：
- 将电话会议逐字稿分段输入LLM
- 提取结构化字段：管理层对营收增长的表述（“强劲”还是”符合预期”）、对竞争格局的描述、是否主动提及新产品线
- 对比历史季度的表述变化——不是简单的词语对比，而是语义层面的变化
- 将提取结果转化为量化因子
这就是信息挖掘从”信号层”到”语义层”的跃迁。
另类数据的因子化#
如果说财报文本还算”传统”金融数据，那么另类数据（Alternative Data）则是LLM大显身手的领域。
卫星图像：对冲基金早已使用卫星图像计算沃尔玛停车场的车辆数量，或者监测港口集装箱吞吐量。LLM可以与视觉模型配合，实现端到端的”图像→经营预测”流水线。
供应链信号：从海关数据、招聘网站职位变动、LinkedIn员工流动等信号中，LLM可以拼凑出公司扩张或收缩的画像。某量化团队的一项研究显示，一家科技公司突然大量招聘特定技能（如GPU优化）的工程师，比公司正式对外宣布进入AI业务提前了6-9个月。
信用卡交易数据：匿名化的信用卡交易数据包含商户名称、交易金额、时间等字段。LLM可以将”商户名称→行业分类”的映射做到极高的准确率，从而构建更细粒度的消费趋势因子。
这些另类数据在LLM出现之前就已经存在，但处理的成本和复杂度限制了它们的规模化应用。LLM大幅降低了从这些数据中提取信号的门槛。
LLM作为因子生成器#
这是目前前沿量化团队关注最多的方向：不再把LLM当作文本处理工具，而是当作因子生成器本身。
一个典型的实验设计如下：
- 喂给LLM过去N年的财务报表和行情数据
- 要求LLM提出能够预测未来收益的财务指标组合
- 对LLM提出的因子进行严格的样本外和行业中立性检验
这项工作的哲学意义在于：传统的因子挖掘依赖于经济学直觉和统计筛选的结合，而LLM可能发现人类直觉尚未覆盖的新因子。值得注意的是，这并不意味着LLM可以取代人类研究员——LLM提出的因子中，真正通过严格样本外检验的比例并不高，但它确实能大幅扩展因子搜索空间，让人类研究员有更多候选因子可验证。
另一个分支是让LLM参与因子合成与组合。简单的财务指标（如市盈率、市净率）在LLM的”知识空间”里，可以被重新组合成更复杂的表达式。研究员可以这样交互：“把估值质量和盈利质量结合起来，同时考虑资金流向”，然后让LLM生成多个候选的因子公式。
回测与策略代码生成#
写过回测代码的人都知道一个痛点：80%的时间花在数据处理、对齐日期、处理除权和分红、修复各种边界情况上，真正花在策略逻辑上的时间可能只有20%。
LLM在这个环节的价值是实实在在的。对于标准的回测框架（如Zipline、Backtrader、RQAlpha），LLM可以：
- 根据自然语言描述的策略逻辑，生成模板化的回测代码
- 自动处理数据清洗和异常检测逻辑
- 将数学公式翻译为向量化计算代码（这对Python量化尤其重要）
一个在量化圈流传很广的例子是：研究员在Prompt中输入”You are an expert in financial engineering. Write a vectorized Python function to calculate the Amihud illiquidity measure for a panel of daily stock data…”，LLM能在几秒内生成可直接运行的代码，而手写调试可能需要30分钟以上。
但这里必须强调一个关键原则：LLM生成的每行代码都必须经过人工审查和测试。在金融领域，一个因代码bug导致的”假信号”可能造成巨大的资金损失。
信号归因与解释#
这是LLM最被低估的应用场景。量化策略长期面临一个核心矛盾：模型越复杂（如深度学习），效果越好，但可解释性越差。
当你的GBDT+Transformer混合模型给出一堆股票信号时，你如何向投资委员会解释”为什么这个信号会赚钱”？传统的因子归因方法（Fama-French、Barra、Brinson）只能把回报分解到已知的风险因子维度，但无法解释”新信息”部分。
LLM可以充当信号解释引擎：
- 读取某只股票最近的多维数据（基本面、量价、新闻、行业动态）
- 结合模型对该股票的高/低评分
- 生成一段可读的解释文本
这本质上是”桥接黑箱与白箱”的工作。LLM本身并不理解模型内部运作，但它可以从输入输出两端反推出一个自洽的解释叙事——而这个叙事本身，对于投资决策和客户沟通都是宝贵的。
风险与局限#
幻觉问题：LLM可能生成看起来合理但实际上错误的信息。在财务领域，一个虚构的数字可能导致灾难性后果。因此，所有LLM产出的数据点都必须经过可验证的外部数据源确认。
时间一致性问题：训练数据的时间截止意味着LLM的知识可能滞后。对于金融应用来说，数据的时效性至关重要。
过拟合风险：如果LLM只是记住了训练数据中的财务模式，那么它提出的因子可能本质上是”样本内拟合”的结果。这在金融领域尤其危险，因为市场行为的非平稳性往往导致历史模式在未来失效。
监管合规：使用LLM进行投资决策可能涉及模型风险管理、公平性测试和可解释性要求。不同司法管辖区的监管框架差异很大。
总结#
LLM在量化投资中的应用正从”有趣的技术实验”走向”可量产的投研工具”。核心机会不在于让LLM直接做投资决策，而在于用它强化研究员的能力边界：更快地处理非结构化数据、更广地搜索因子空间、更好地解释复杂模型的信号。
这不是一个”AI取代量化交易员”的故事，而是一个”会用AI的量化交易员取代不会用的”故事。
