2025年以来，一个话题在量化圈持续升温：大语言模型（LLM）能不能用来预测股票？答案正在从”试试看”变成”真的可以”。本文将系统梳理大模型在股票预测中的技术路径、核心挑战与实际进展。
为什么大模型值得用于股市预测#
传统量化模型的核心瓶颈是信息处理的广度。一个 LSTM 或 XGBoost 模型通常只能处理结构化数据（价格、成交量、财务指标），而市场上的大部分信息其实是非结构化的——新闻、财报电话会记录、分析师研报、社交媒体讨论、监管文件。
大模型天然擅长理解和归纳非结构化文本。GPT-4、Claude 等模型在金融情感分析任务上的表现已经超过专门的 FinBERT 模型。更重要的是，大模型具备上下文推理能力——它能理解”美联储暗示加息”和”科技股估值承压”之间的因果联系，而不是简单统计相关性。
但光有文本理解不够。股市预测需要大模型处理时序数据、多模态信息融合、以及在极度不稳定的分布中保持鲁棒性。这正是目前研究的重点方向。
数据层：喂给大模型什么#
要让大模型成为预测专家，数据构建是第一步，也是最关键的步骤。一个好的训练数据集通常包含以下层次：
第一层：宏观与政策文本
- 央行货币政策报告、会议纪要
- 政府工作报告、产业政策文件
- 地缘政治事件描述
第二层：公司与行业数据
- 上市公司财报（年报、季报）
- 管理层讨论与分析（MD&A）
- 行业研究报告
- 供应链关系数据
第三层：市场微观数据
- 价格序列（OHLCV）
- 资金流向
- 融资融券数据
- 大宗交易记录
第四层：舆论与情绪
- 财经新闻及情感标签
- 社交媒体讨论热度
- 分析师评级变动
关键挑战在于如何将这些异构数据统一为模型可理解的格式。目前主流做法是将数值数据”文本化”——比如把”过去20日收益率2.3%，波动率15.8%“写成自然语言，与新闻文本拼接后输入模型。
训练策略：三种主流路线#
路线一：微调通用大模型（Fine-tuning）#
在 Llama、Qwen 等开源基座模型上进行领域微调是目前性价比最高的方案。BloombergGPT 就是一个经典案例——用超过 3600 亿 token 的金融语料训练了一个 500 亿参数的模型。
但对于个人或小团队来说，全量微调 70B 以上的模型不现实。更实用的做法是 LoRA 微调：在冻结原始权重的基础上，只训练少量低秩适配器参数。几块 A100 就能跑，效果却能接近全量微调。
典型的 LoRA 微调流程：
- 构建指令数据集（instruction tuning）：将”基于以下数据判断股价未来走势”作为 prompt 模板
- 引入 CoT（思维链）标注：要求模型不仅给出涨跌判断，还要写出推理过程
- 多任务混合训练：同时训练情感分析、趋势判断、风险识别等子任务
路线二：RAG + 实时检索增强#
微调模型的致命弱点是知识截止日期。当你 5 月份问模型某公司 Q1 财报怎么样，它的训练数据可能只到去年 12 月。
RAG（检索增强生成）正好解决这个问题。架构上：
- 用向量数据库（如 Milvus、Pinecone）存储实时金融文档
- 每次推理时先检索最相关的 K 篇新闻/研报
- 拼接检索结果和价格数据一起输入 LLM
RAG 的另一个优势是可解释性。模型预测时可以精确引用它参考了哪条新闻，这对于需要向客户解释投资逻辑的量化团队来说至关重要。
路线三：多模态大模型#
股市信息不只是文本。K 线图、成交量柱状图、技术指标可视化——这些图像信息承载了纯文本难以表达的模式。
最新的工作（如 FinVis-GPT、MMF-LLM）正在探索将视觉编码器与金融语言模型结合。模型可以”看到”K 线形态（头肩顶、双底等），同时”读懂”对应的新闻，做出综合判断。
大模型 vs 传统量化模型：不是替代，是互补#
一个常见的误解是”大模型会取代传统量化模型”。实际情况要微妙得多。
传统模型（LightGBM、Transformer time-series）在纯数值预测任务上仍然有优势——推理速度快、可复现、调参成熟。而大模型真正的价值在于处理那些传统模型擅长的领域之外的信号。
具体来说，大模型最擅长的场景包括：
- 事件驱动策略：并购公告、政策突变、黑天鹅事件的影响评估
- 长文本理解：完整分析一份 100 页的年度报告，提取关键财务风险和增长信号
- 跨资产推理：从原油价格上涨推理到航空股承压，再到新能源受益——这种链条式推理是规则引擎难以覆盖的
关键挑战与未解决的问题#
挑战一：幻觉问题。 大模型有时会”编造”不存在的财务数据或事件。在金融领域，这种错误的代价可能极高。当前主要通过 RAG（强制引用真实文档）和后处理校验来缓解，但尚未完全解决。
挑战二：时序建模偏弱。 通用 LLM 的核心是自注意力机制，它天然适合处理无序的文本序列，但对严格的时间依赖关系建模能力不足。目前的研究方向包括将时序编码器与 LLM 融合，以及引入专门的 time-series tokenizer。
挑战三：市场动态分布偏移。 2021年的牛市经验放在2024年可能完全无效。大模型需要持续学习（continual learning）的能力，而不仅仅是静态的预训练权重。
展望：2026年及以后#
站在2026年，我认为两个趋势会加速：
第一，轻量化部署。量化模型本地部署的需求驱动了模型蒸馏和量化压缩技术的进步。一个70亿参数的金融模型经过4-bit量化后可以在消费级显卡上运行，推理延迟可以降到秒级。
第二，Agent 化。大模型不再只是”做预测”，而是成为完整的量化交易 Agent——自主获取数据、分析、生成信号、执行交易、复盘总结。这需要与回测引擎、交易接口的深度集成。
对于想要探索这个方向的开发者，我的建议是：先从小模型（7B-13B）+ LoRA 微调 + RAG 的组合开始。不用一步到位追求最先进的架构，工程落地的细节往往比模型选择更重要。