从深度学习到大语言模型：量化投资中的人工智能技术综述

量化投资（Quant）是一种技术驱动的资产管理新兴方法，其发展正日益受到人工智能进步的深刻影响。深度学习与大语言模型（LLMs）在量化金融中的最新突破，不仅提升了预测建模能力，更实现了基于智能体的自动化流程，预示着该领域可能的范式变革。本文以阿尔法策略为典型范例，系统阐述AI如何重塑量化投资全流程：早期阶段：以人工特征工程与传统统计模型为核心，建立标准化阿尔法因子生产流程；深度学习革命：实现从数据处理到订单执行的端到端规模化建模；LLM时代延伸：突破预测边界，使智能体能处理非结构化数据、自主生成阿尔法因子，并支持自迭代工作流。1 引言资产管理作为金融行业至关重要且持续扩张的领域，**量化投资（Quant）**已成为其核心方法论之一。量化投资策略通过统计分析、优化技术和日益普及的AI算法，系统性地识别并利用市场无效性。得益于数据可用性、计算能力和技术创新的指数级增长，这些方法显著提升了投资决策能力，为金融市场参与者提供了竞争优势。在众多量化投资策略中，阿尔法策略因其捕捉市场无效性的强大能力，以及与AI预测方法天然的适配性而备受关注。"阿尔法"的核心理念在于预测单一资产相对于市场整体表现（如股票指数）的超额收益，这也是投资组合经理的核心目标。阿尔法策略的开发通常包含四个关键步骤：数据预处理→模型预测→组合优化→订单执行（详见2.2小节）。这些子任务虽各具特点，却紧密关联，共同服务于"控制风险下最大化超额收益"的目标。相较于高频交易、套利等策略，阿尔法策略通过挖掘错误定价展现出卓越的效能，因而成为量化投资领域研究最密集、市场份额最高的核心技术。本文即以阿尔法策略为范式，探讨AI如何重塑量化投资。近年来，**深度学习（DL）**在阿尔法策略中的应用已展现出显著成效，能够识别传统量化方法难以捕捉的金融数据复杂模式。与此同时，大语言模型（LLMs）（如GPT系列[4]、BERT[38]及其金融衍生模型）在上下文理解、精准解读和类人推理方面表现突出，为量化投资带来了无限可能。本文聚焦DL与LLMs在量化投资（尤其是阿尔法策略）中的技术演进、应用场景与协同优势，系统综述现有研究，并探讨LLMs增强DL方法的潜力、挑战与局限。 1.1 阿尔法策略的技术演进阿尔法策略的发展可分为三个阶段（图1）：人工标注阶段：依赖研究者经验识别交易信号，通过传统统计模型刻画市场规律。但受限于金融市场复杂性，模型难以涵盖全部相关因素，策略效果仍高度依赖人类专家的判断与执行。深度学习阶段：DL突破了传统方法的瓶颈，在空间关联性[142]、长期时序依赖[178]、新闻情绪[68]等因子挖掘中表现出色。然而存在过拟合风险和可解释性不足等挑战。LLM智能体阶段：LLMs凭借多模态数据处理和自主推理能力，正推动量化投资进入AI自动化时代。当前LLMs在阿尔法策略中主要承担两类角色：预测器（4.1节）与智能体（4.2节），但其实际部署仍处于早期阶段（局限性分析见4.3节）。1.2 研究动机与贡献尽管DL与LLMs在阿尔法策略中的应用研究激增，但现有工作多聚焦孤立任务，缺乏对量化投资全流程的统一视角。此外，量化投资作为产学研紧密结合的领域，现有综述尚未充分弥合LLMs与DL模型结合的技术鸿沟，也缺乏从实际应用出发的前瞻框架。为此，本文旨在：首次系统性综述DL与LLMs在阿尔法策略全流程的研究，建立跨任务关联的整体视角；从实践需求反推科学问题，基于真实投资场景的痛点揭示共性研究挑战；三阶段技术对比（传统统计模型→DL方法→LLM方法），指明迭代发展中的关键缺口与未来方向。本文框架如图2所示，核心贡献包括：建立首个覆盖阿尔法策略全流程的DL与LLMs研究图谱；通过跨学科视角，从实际应用提炼关键研究命题；系统对比三阶段技术路线的优劣，推动阿尔法策略向下一阶段演进。