From Deep Learning to LLMs: A survey of AI in Quantitative Investment
作者: Bokai Cao, Saizhuo Wang, Xinyi Lin, Xiaojun Wu, Haohan Zhang, Lionel M. Ni, Jian Guo
分类: q-fin.CP, cs.AI, cs.LG, q-fin.ST, q-fin.TR
发布日期: 2025-03-27
💡 一句话要点
综述AI在量化投资中的应用：从深度学习到大语言模型
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 量化投资 深度学习 大语言模型 Alpha策略 金融科技
📋 核心要点
- 传统量化投资依赖人工特征工程和统计模型，难以有效处理复杂和非结构化数据。
- 本文综述了人工智能，特别是深度学习和大语言模型在量化投资中的应用，涵盖数据处理、预测建模和自动化交易。
- 论文强调了LLM在量化投资中的新兴作用，包括处理非结构化数据、生成alpha策略以及支持自我迭代工作流。
📝 摘要（中文）
量化投资（量化）是一种新兴的、技术驱动的资产管理方法，日益受到人工智能进步的影响。深度学习和大语言模型（LLM）在量化金融领域的最新进展改进了预测建模，并实现了基于代理的自动化，预示着该领域可能发生范式转变。本综述以alpha策略为例，探讨了人工智能如何为量化投资流程做出贡献。我们首先考察了量化研究的早期阶段，该阶段以人工设计的特征和传统的统计模型为中心，并建立了一个完善的alpha流程。然后，我们讨论了深度学习的兴起，它实现了从数据处理到订单执行的整个流程的可扩展建模。在此基础上，我们重点介绍了LLM在新兴的作用，即扩展人工智能超越预测，使自主代理能够处理非结构化数据、生成alpha并支持自我迭代的工作流程。
🔬 方法详解
问题定义：量化投资领域面临着如何更有效地利用海量数据，特别是包含大量非结构化数据（如新闻、社交媒体等）来提升alpha策略的问题。传统方法依赖人工特征工程，耗时且难以捕捉复杂关系；而早期深度学习模型在处理非结构化数据和进行复杂推理方面存在局限性。
核心思路：本文的核心思路是梳理人工智能技术，特别是深度学习和大语言模型（LLM）在量化投资中的应用，并探讨它们如何改进预测建模、自动化交易以及处理非结构化数据。通过引入LLM，旨在提升量化投资策略的智能化和自动化水平。
技术框架：本文以alpha策略为代表，构建了一个量化投资的典型流程，并分析了AI技术在各个阶段的应用。该流程包括：数据处理（包括结构化和非结构化数据）、特征工程（传统人工特征和深度学习自动特征）、预测建模（传统统计模型和深度学习模型）、订单执行以及策略评估。重点关注了LLM在处理非结构化数据、生成alpha策略和支持自我迭代工作流方面的作用。
关键创新：本文的创新在于强调了LLM在量化投资中的新兴作用，即超越传统的预测建模，赋能自主代理处理非结构化数据，生成alpha策略，并支持自我迭代的工作流程。这使得量化投资策略能够更好地适应市场变化，并从更广泛的数据源中提取信息。
关键设计：本文是一篇综述性文章，并未提出具体的模型或算法设计。但是，文章讨论了LLM在量化投资中的潜在应用，例如利用LLM进行新闻情感分析、生成投资报告、构建知识图谱等。这些应用需要针对具体任务进行模型设计和参数调整，例如选择合适的预训练LLM、设计特定的prompt工程、优化损失函数等。
🖼️ 关键图片
📊 实验亮点
本文是一篇综述性文章，没有提供具体的实验结果。但是，文章总结了深度学习和LLM在量化投资领域的最新进展，并指出了LLM在处理非结构化数据和生成alpha策略方面的潜力。这些进展为未来的研究方向提供了重要的参考。
🎯 应用场景
该研究对量化投资领域具有重要的应用价值。通过引入深度学习和LLM，可以提升alpha策略的预测能力和自动化水平，从而提高投资回报。此外，LLM在处理非结构化数据方面的优势，使得量化投资可以更好地利用新闻、社交媒体等信息，从而更准确地把握市场动态。未来，随着AI技术的不断发展，量化投资将更加智能化和高效化。
📄 摘要（原文）
Quantitative investment (quant) is an emerging, technology-driven approach in asset management, increasingy shaped by advancements in artificial intelligence. Recent advances in deep learning and large language models (LLMs) for quant finance have improved predictive modeling and enabled agent-based automation, suggesting a potential paradigm shift in this field. In this survey, taking alpha strategy as a representative example, we explore how AI contributes to the quantitative investment pipeline. We first examine the early stage of quant research, centered on human-crafted features and traditional statistical models with an established alpha pipeline. We then discuss the rise of deep learning, which enabled scalable modeling across the entire pipeline from data processing to order execution. Building on this, we highlight the emerging role of LLMs in extending AI beyond prediction, empowering autonomous agents to process unstructured data, generate alphas, and support self-iterative workflows.