量化交易的范式迁移#
过去十年，量化交易经历了几次重大的范式迁移。2010年代，多因子模型是绝对主流，量化研究员的工作本质上是一道数学题——从历史数据中提取线性信号，用IC/IR衡量因子质量，再通过线性回归或简单的决策树做组合优化。2020年前后，深度学习开始进入这个领域，LSTM、CNN、Transformer逐步替代了传统的统计方法。
而现在，我们正站在第三次范式迁移的门口：大语言模型正在从边缘场景渗透到量化交易的核心链路。
这不是危言耸听。幻方量化早年就提出过”做量化的人天然具备做预训练大模型的基础”这一观点。这两件事的相似之处比大多数人想象的多得多——都需要处理海量数据、都依赖复杂的数学建模、都在和概率分布打交道。
LLM在量化中的四个核心场景#
一、非结构化数据的结构化#
这是LLM最直接的应用。传统的量化策略几乎完全基于OHLCV行情数据和财报数据，这些是天然的结构化数据。但市场中存在大量非结构化信息——公司公告、财报电话会议纪要、行业研究报告、社交媒体舆情——这些”软信息”往往比”硬数据”更早反映基本面的变化。
LLM擅长做的事情，恰恰是把这些非结构化文本转化为可量化的信号。举个例子：一家公司在季度电话会上，管理层对下季度展望的语气从”optimistic”变成”cautiously optimistic”，这个微妙的变化传统NLP很难捕捉，但GPT-4级别的模型可以准确识别语义上的细微偏移。
目前业内已经有成熟的做法：用FinBERT或GPT系模型对财报文本做嵌入（embedding），再将嵌入向量作为因子输入到下游的预测模型中。学术研究也验证了这条路径的有效性——FinGPT团队的研究表明，结合传播感知（dissemination-aware）和上下文增强（context-enriched）的LLM，在基于情绪的股票走势预测上显著优于传统方法。
二、因子挖掘的自动化#
传统因子挖掘是一个高度依赖人力经验和试错的过程。研究员手动构造因子、测试因子、筛选因子，效率瓶颈非常明显。
而LLM+代码生成的能力，使得自动化因子挖掘成为可能。最近的研究表明，让LLM自动生成Alpha因子代码，再通过遗传算法进行因子组合和筛选，可以产生超出人工构造的因子表达能力。微软Qlib平台已经在这方面做了大量探索，支持用强化学习自动搜索因子组合。
更激进的做法是”端到端”——直接让LLM阅读学术论文中的因子定义，自动生成实现代码并集成到回测系统中。这大大缩短了从学术发现到实盘应用的时间差。
三、交易信号的语义增强#
传统技术指标的问题在于，它们只反映了价格和成交量的数学特征，而完全忽略了”为什么”。一个突发的放量下跌，可能是机构出货，也可能是乌龙指——光看K线无法区分。
LLM可以给技术信号叠加语义层。当系统检测到某只股票出现异常波动时，LLM可以实时抓取相关新闻和分析师评论，判断异常波动背后的驱动因素。如果是基本面恶化导致的抛售，这个下跌信号的权重应该加大；如果是乌龙指，则应该忽略甚至考虑反向操作。
四、多智能体协作决策#
这是目前最前沿的方向。与其让单个LLM做所有决策，不如构建一个多智能体系统：一个Agent负责基本面分析，一个Agent负责技术面分析，一个Agent负责情绪分析，再由一个总管Agent做最终的信号融合和仓位决策。
CrewAI、AutoGen等框架已经让这变得技术上可行。每个Agent可以接入不同的数据源和工具链，使用不同的提示词模板，输出结构化的分析结果。最终融合时，可以基于每个Agent的历史表现做动态权重分配——本质上就是Alpha融合的思路，只不过这次融合的不是因子，是”专家意见”。
现实中的落地挑战#
但必须说，LLM在量化交易中的应用还远未”开箱即用”。几个现实挑战摆在面前：
第一，延迟问题。LLM的推理速度远慢于传统的统计模型。对于高频和中频策略来说，几百毫秒的延迟是不可接受的。这也是为什么目前LLM更多应用于日频和周频的策略——信号生成可以在盘后进行，不影响实盘执行。
第二，幻觉风险。LLM的幻觉在交易场景中可能是灾难性的。如果模型”幻想”出一则假新闻并据此生成了交易信号，后果不堪设想。目前的解决方案包括RAG（检索增强生成）和严格的输出约束，但完全消除幻觉仍然是一个开放问题。
第三，可解释性。监管机构对量化交易的审查越来越严格。当你的策略使用了一个黑盒LLM做决策，你能向监管解释清楚为什么某天做了某笔交易吗？这是LLM量化策略走向机构化必须面对的问题。
未来展望#
我个人的判断是：未来2-3年内，LLM不会完全替代传统的量化交易体系，但会成为一个重要的”增强层”。就像当年的深度学习没有完全替代多因子模型，而是在某些环节补齐了短板一样，LLM的价值也在于处理那些传统模型不擅长的任务——语义理解、文本分析、知识推理。
对于量化从业者来说，现在最值得投入的方向是：学会用LLM的思维去重新审视交易流程中的每一个环节，找到那些”需要理解上下文”的步骤，然后用LLM去增强它。这不是一个if的问题，而是how和when的问题。
机会窗口不会一直敞开。当所有人都意识到LLM在量化中的价值时，Alpha也会随之消失——这正是量化交易永恒的宿命。
封面图说明：量化交易系统从传统规则引擎向AI多智能体架构演进的对比示意，以及大模型多智能体量化交易系统的工作流程。