大模型重塑量化研究：从BloombergGPT到金融AI Agents • halo 的技术博客

引言#

2026 年，大语言模型（LLM）已经不再是新鲜事物，但其在金融领域的渗透速度远超大多数人的预期。从 BloombergGPT 到 FinGPT，从单一的文本分析到多模态市场预测，金融机构正在以前所未有的速度将 LLM 纳入量化研究的核心工具链。本文将从技术演进、应用场景和未来趋势三个维度，梳理大模型如何重塑量化研究。

AI金融

金融大模型的技术演进#

BloombergGPT：开创先河#

2023 年，Bloomberg 发布了 BloombergGPT——一个拥有 500 亿参数的金融专用大语言模型。它的训练数据混合了 51% 的金融语料（包括新闻、财报、研报等）和 49% 的通用语料。这个训练策略非常巧妙：既保证了模型对金融术语和语境的深度理解，又保留了通用语言能力，避免了”只懂金融、不会表达”的尴尬。

BloombergGPT 在金融情感分析、命名实体识别和新闻分类等任务上全面超越同等规模的通用模型。但它的局限性也很明显：闭源、不可复现、无法微调。

FinGPT：开源民主化#

紧随其后，FinGPT 提出了开源金融大模型的路线图。它的核心创新是”数据驱动”而非”模型驱动”——通过自动化抓取和标注金融新闻、财报电话会议记录、社交媒体舆情等数据，持续更新模型的知识库。FinGPT 采用 LoRA 微调策略，让中小机构也能在消费级显卡上完成领域适配。

国内金融大模型的崛起#

度小满的轩辕（XuanYuan）系列是中文金融大模型的重要里程碑。从 XuanYuan 2.0 到 XuanYuan 3.0，模型参数从千亿级扩展到 70B 级别，在金融合规、风险管理、投研应用等细分领域上甚至超越了 GPT-4o。这标志着金融大模型从”通用模型的金融版”向”深度金融专家”的转变。

LLM Agents 在交易中的实战#

2026 年，最值得关注的不是单个模型的能力，而是 LLM Agent 架构在交易中的系统化应用。

经典架构#

根据最新的综述研究，金融交易中的 LLM Agent 通常包含三个核心模块：

感知模块：从新闻、财报、行情、社交媒体等多源数据中提取结构化信息
推理模块：基于提取的信息进行投资逻辑推演，生成交易信号
执行模块：将信号转化为具体的买卖决策，并管理风险敞口

实战案例#

哥伦比亚大学的一项研究发现，基于 LLM Agent 的交易系统在模拟回测中展现了令人瞩目的表现。这些 Agent 不仅能理解财报文本中的隐含信号，还能综合宏观经济数据和技术面指标做出决策——这在传统量化系统中需要大量人工特征工程。

但研究者也警告：LLM Agent 在极端市场条件下的表现仍不稳定。2025 年几次市场剧烈波动中，部分 AI 交易策略的回撤幅度远超预期，这说明”深度学习 + 金融”的组合还有很长的路要走。

从文本分析到多模态预测#

2026 年的大趋势是多模态。传统的量化模型主要处理数值数据（价格、成交量、财务指标）。而新一代的金融 LLM 已经能同时处理：

文本：新闻、财报、研报、社交媒体情绪
数值：价格序列、技术指标、基本面数据
视觉：K 线图、图表模式识别
音频：财报电话会议的语调和节奏

TableGPT2 等模型的出现，标志着大模型开始真正”理解”表格数据。这对于量化研究意义重大——金融数据的本质就是表格，如果能用 LLM 直接处理和分析大规模金融表格，很多传统的特征工程步骤将被重新定义。

挑战与反思#

尽管前景诱人，但金融 LLM 面临的核心挑战不容忽视：

数据时效性：金融市场的模式在持续变化，静态训练的模型很快会过时。RAG（检索增强生成）和在线学习是可能的解法。
可解释性：监管机构要求量化策略具备可解释性，但 LLM 的”黑箱”特性与之矛盾。这是工程和合规的双重挑战。
幻觉问题：在金融场景中，模型的”幻觉”可能导致灾难性的交易决策。如何约束 LLM 在事实性要求极高的场景中不出错，是当前的研发重点。
成本与延迟：LLM 推理的延迟和成本仍然偏高，对于高频交易场景完全不可接受。但对于中低频策略，这个障碍正在快速降低。

交易数据分析

对量化从业者的启示#

如果你是一名量化研究员或交易员，以下变化值得你关注：

学会”提示工程”：未来量化研究的工作流程中，“编写 prompt”可能和”编写 Python”一样重要
拥抱多模态数据：不要只盯着价格数据，文本、图像、音频中的 Alpha 正在被大模型解锁
重视系统架构：LLM Agent 的本质是系统集成，需要将模型能力嵌入到完整的交易决策链路中
保持批判思维：大模型是工具，不是圣杯。它在金融中的应用需要严格的回测验证和风险控制

结语#

2023 年我们讨论”LLM 能不能写研报”，2024 年讨论”LLM 能不能选股”，到了 2026 年，真正的问题变成了”LLM 能不能独立管理一个投资组合”。技术的进步速度远超想象，但金融的本质从未改变：理解风险、管理风险、在不确定性中寻找确定性。大模型正在改变我们实现这一切的方式，而非改变这一切本身。