2026 年，大语言模型（LLM）已经深度渗透金融领域。从华尔街的对冲基金到国内的量化私募，大家都在探索同一个问题：大模型到底能不能预测股价？
答案不是简单的”能”或”不能”，而是取决于你用什么方法、在什么场景下使用。本文将梳理当前业界探索的三大技术路线。
路线一：情感分析增强的因子信号#
这是目前最成熟、落地最多的路线。核心思路是：用 LLM 从非结构化文本中提取情感信号，作为传统量化因子的补充。
数据源#
- 财报电话会议纪要：管理层语气的变化往往领先于股价变动。LLM 可以捕捉”信心下降""措辞模糊”等微妙信号
- 券商研报：研报中的目标价调整、评级变化是最直接的信号。但要注意——研报通常是滞后指标
- 新闻和社交媒体：对 A 股来说，雪球、东方财富股吧的舆情数据是金矿。LLM 可以区分”真讨论”和”水军刷屏”
- 政策文件：行业政策对 A 股的影响极大。LLM 可以快速解析政策文件的行业影响范围
技术实现#
典型流水线：
原始文本 → LLM 打分（正面/负面/中性 + 置信度）
→ 聚合为日频情感因子
→ 与传统因子（动量、估值、质量）组合
→ 输入多因子选股模型关键点在于延迟处理：你不能在收盘后用当天的新闻来生成当天的交易信号——那是前视偏差。情感信号必须基于交易时段之前发布的信息。
实际效果#
根据多篇学术论文和业界实践，纯情感因子的 IC 通常在 0.02-0.04 之间，IR 在 0.5-1.0。单独使用效果有限，但与传统因子结合后，能把多因子模型的 IC 提升 10%-15%。
路线二：LLM 作为推理引擎直接预测#
这条路线更激进：直接把历史价格数据、财务数据、新闻文本喂给 LLM，让它输出对未来的判断。
代表工作#
- FinGPT-Forecaster：用 LLM 对历史股价序列做 in-context learning，让模型”理解”价格模式
- BloombergGPT：500 亿参数，在金融语料上从头训练，对金融 NLP 任务有明显优势
- GPT-InvestAR：将股价预测建模为 next-token prediction，把历史收益率编码为 token 序列
核心挑战#
直接预测面临三个根本性难题：
信噪比极低：股价日收益率的标准差（约 2%）远大于日均收益率的期望值（约 0.03%），信噪比不到 0.02。这意味着无论模型多强，预测准确率的天花板都很低。
分布漂移：市场规律在不断变化。2022 年的因子在 2024 年可能完全失效。LLM 在训练集上学到的模式可能已经过时。
幻觉风险：LLM 在不确定时倾向于”编造”看似合理的答案。在金融场景中，这种幻觉可能导致灾难性的交易决策。
更务实的做法#
与其让 LLM 直接预测涨跌，不如让它做辅助判断：
- “这只股票最近有什么风险因素？”
- “对比茅台和五粮液的财报，哪个更值得关注？”
- “当前市场环境下，高股息策略是否合理？”
这种交互式分析比”明天涨还是跌”更有实用价值。
路线三：多模态大模型的端到端预测#
这是 2026 年最前沿但也最不成熟的路线：让多模态模型同时处理 K 线图、财报表格、新闻文本，端到端输出预测。
为什么需要多模态#
人类交易员做决策时，同时看了价格走势图、财务数据、新闻摘要。不同模态的信息是互补的：
- K 线图：提供直观的价格趋势和形态信息，某些技术形态（如头肩顶、W 底）在图像层面更容易识别
- 财务数据：精确的数值信息，表格形式最有效
- 新闻文本：提供供需变化的因果逻辑
多模态模型的理想状态是把这三者融合，输出统一判断。
当前进展#
Google DeepMind 的 Gemini 系列、OpenAI 的 GPT-5（多模态版本）都在探索金融多模态场景。一些创业公司开始尝试将 FinBERT（文本）和 ResNet（K 线图）的特征拼接后送入 Transformer。
但整体仍处于早期探索阶段，主要瓶颈在于：
- 对齐问题：文字和图表的时间对齐、语义对齐是巨大挑战
- 训练数据：高质量的多模态金融数据非常稀缺
- 可解释性：端到端黑盒模型在金融领域面临合规挑战
量化交易员的 NLP 栈：实用建议#
如果你想在自己的策略中引入 LLM/NLP，以下是最务实的路径：
- 先从情感分析入手：技术最成熟，效果可验证，数据好获取
- 用开源模型做 fine-tune：ChatGLM、Qwen 等国产模型在中文金融文本上 fine-tune 后效果不输 GPT-4
- 评估要严谨：用 IC、分层回测、换手率分析来评估 NLP 因子的增量贡献，不要只看回测曲线
- 关注延迟：LLM 推理的延迟（几百毫秒到几秒）在高频场景不可接受，但在日频选股中完全够用
总结#
大模型预测股价不是一个”能或不能”的问题，而是一个工程问题。选择合适的数据、设计合理的流水线、做严格的回测验证——这些工程实践比模型本身的大小更重要。
2026 年的现实是：LLM 已经是量化研究员工具箱中的重要成员，但它更多扮演”辅助分析”而非”水晶球”的角色。能接受这个定位并把它用好的人，才能在 AI 时代的金融竞争中胜出。