Chaos Blog

LLM 在量化投资中的应用：哪些能用、哪些不能用，以及踩过的坑

2026-10-28 · 技术 · 技术架构
#技术#人工智能
目录

零、先读懂 20 个关键术语

量化基础

术语一句话解释类比
量化投资用数学模型与统计规律做投资决策，而非主观判断用公式炒股
Alpha（超额收益）跑赢基准的那部分收益。量化的一切努力都为了它超出平均分的分数
因子（Factor）能解释资产价格变动规律的特征或指标（如估值、动量、波动率）选股的”筛子”
多因子模型把多个因子加权合成一个打分，据此选股综合评分表
技术 Alpha从价量、财务等结构化数据中挖出的超额收益看 K 线和报表
认知 Alpha从研报、新闻、纪要等非结构化文本中挖出的超额收益读懂文字里的信息
另类数据（Alt Data）传统财报行情之外的数据：舆情、卫星、招聘、供应链等别人没看的资料
IC / RankIC因子值与未来收益的相关性（RankIC 是秩相关）。衡量因子有没有用因子打分与实际成绩的吻合度
ICIRIC 的均值除以标准差，衡量因子稳不稳定。越高越好稳定发挥的程度
回测（Backtest）用历史数据模拟策略表现。不等于实盘模拟考
样本外（Out-of-Sample）未参与模型开发/调参的数据段，用来验证真实泛化能力正式考
指数增强在跟踪指数的基础上争取超额收益跟着大盘走，再多赚一点
市场中性多空对冲掉大盘风险，只赚选股的钱不管涨跌，只赌选得对

风险与工程

术语一句话解释类比
前视偏差（Look-ahead Bias）用到了”当时还不知道”的信息，导致回测虚高拿着明天的报纸买今天的股票
Point-in-Time（PiT）数据按”你当时能知道什么”来组织，而非按事件发生的日历日只给你当时能看到的那份档案
因子拥挤太多资金用相似逻辑，套利空间被抹平大家都挤在同一个门口
Alpha 衰减因子有效性随时间的自然衰退招数被人学去了就不灵了
滑点 / 冲击成本下单时实际成交价偏离预期；大单本身还会推动价格想买 10 块，实际买到 10.05
夏普比率每承担一单位波动换来的超额收益。衡量性价比收益除以颠簸程度
最大回撤从最高点到最低点的最大跌幅最惨的时候亏了多少

数据与合规

术语一句话解释
XBRL财报的结构化标记格式。每个数字自带单位与口径标签
EDGAR / 10-K / 10-Q美国 SEC 的电子披露系统；10-K 是年报，10-Q 是季报
MCP模型上下文协议，让模型以标准方式调用外部数据/工具（本系列第三篇讲过）
持牌分析师有资质、对研报署名并承担法律责任的证券分析师

一、全景：LLM 在量化链条上的准确位置

1.1 量化投研的五段链条

graph LR
    A["① 数据<br/>行情/财务/研报/新闻/纪要"] --> B["② 因子<br/>挖掘与合成"]
    B --> C["③ 组合<br/>权重与优化"]
    C --> D["④ 交易<br/>执行与成本控制"]
    D --> E["⑤ 风控<br/>回撤与合规"]
    E -.反馈.-> B

LLM 的适配区非常明确：

环节LLM 的角色适配度
① 数据处理非结构化文本（研报、公告、纪要、新闻）⭐⭐⭐⭐⭐ 核心区
② 因子生成因子逻辑/表达式/代码；生成文本情绪因子⭐⭐⭐⭐ 高（需强约束）
③ 组合辅助，最终交给优化器⭐⭐ 有限
④ 交易基本不适用（延迟）⭐ 极低
⑤ 风控舆情监测、合规审核、异常识别⭐⭐⭐⭐ 高

1.2 一句话定位

LLM 是”认知 Alpha”的挖掘机，不是”技术 Alpha”的替代品。

中金的表述：传统量化的优势建立在对价量数据与结构化财务指标的统计规律挖掘上（“技术 Alpha”），而 LLM 与 Agent 的加入使得量化策略有机会向**“认知 Alpha”**拓展[citation:38]。

1.3 主战场：中频

中金判断：中频区间（分钟级至周度）将成为 AI 技术落地的主战场[citation:38]。理由是一个三方平衡：

频率问题
低频（月度以上）数据样本稀疏，撑不起复杂模型的训练与微调
中频（分钟级–周度）✅ 样本够多；✅ 对延迟容忍度较高，允许 Agent 在决策前做多轮辩论与压力测试
高频（毫秒级）❌ LLM 的延迟完全不可接受（详见第七章）

二、适用：六个真正跑通的场景

场景一：研报 / 公告 / 纪要的批量结构化解析

这是落地最成熟、争议最小的场景。 它的本质是”格式化程度高、容错空间大”的重复劳动。

真实案例[citation:3][citation:23]：

机构做法效果
广发证券“智慧数”系统沉淀 8.8 万份精选研报、9 万余项全行业核心指标、800 余条主题产业链图谱 + AI 思维链投研智能体行业定期报告生成时长由 4 小时压缩至 15 分钟
FastGPT 金融客户工作流自动抓取财务结构化数据、完成同比环比计算、按模板生成初稿编辑人均日产出由 3–5 篇提升至 50 篇，产量提升 10 倍
中泰证券“千泰小研”，投研知识库 + 自研金工模型库 + Agent 体系60% 以上日常投研工作由智能助手辅助完成，关键场景效率提升 50%+
上海证券“尚臻智研”，多模态 + RAG + OCR，贯通数据获取到决策辅助研报全生命周期管理 + 可溯源智能分析

技术栈高度一致：RAG（可溯源）+ 向量库 + 文档解析 + 私有化部署 + 权限隔离[citation:6][citation:9][citation:12]。

中信建投的训练路线可作为范本：基座用开源模型（如 Qwen3）→ 继续预训练（CPT） 强化金融术语 → SFT 注入场景化能力与可解释输出格式 → RL 面向检索一致性、逻辑严谨与深度推理[citation:6]。

场景二：文本情绪因子（最具量化特色）

这是把 LLM 输出真正变成可交易信号的场景。

东吴金工的发现很有意思——情绪因子呈现非对称预测能力[citation:17]：

正面情绪与股价上涨关系不强，但负面情绪是未来股价下跌的强预警信号，其空头组合年化超额收益达 8.26%。

更重要的是，该情绪因子与传统量价及基本面因子的相关性极低，可作为独立且有效的补充信息源。

（来源：东吴金工深度学习系列报告，卖方研究自报）

一个混合架构的学术案例[citation:2]：

研究者面对的核心矛盾是——FinBERT 高通量但只看句子级；Gemini 有深度推理但处理 900 万条数据太贵太慢。解法是”数据漏斗”：

第一层：FinBERT 高通量处理 900 万+ 数据点（SEC 文件 + 财经新闻）
           ↓ 过滤掉日常、不可操作的信息
第二层：Gemini 对少量高信念信号做深度上下文推理
           ↓
第三层：美元中性多空框架 + 宏观 Regime 过滤 + 技术趋势确认

报告结果（16 年测试期，论文自报，未独立复现）：年化超额收益 51.02%（扣交易成本后），夏普 1.06，Sortino 2.61，Newey-West 调整 t 统计 4.01[citation:2]。

⚠️ 夏普 1.06 与索提诺 2.61 的巨大差距说明策略有正偏度——抓住了上行波动同时限制了下行风险。这个数字本身很漂亮，但请记住它是论文自报的回测结果。

一个更务实的分层设计[citation:14]：LLM 输出结构化 JSON（情绪分 -1~1、关键风险点、前瞻指引性质），然后——

LLM 的信号不能直接用于交易，必须通过量化规则的”安检”：

  • 只有当情绪分从 -0.8 突升到 -0.2 时才算”情绪改善”信号，而非单次变化就行动；
  • 设定”争议度”阈值：LLM 对同一新闻多次运行的理解方差过大，就放弃该信号；
  • 把情绪因子作为新的一维输入多因子模型，而不是单独触发交易。

场景三：因子挖掘（代码 / 表达式生成）

这是量化界最兴奋的方向：让 LLM 扮演量化研究员，生成因子逻辑与代码。

东吴金工的三类成果[citation:1][citation:4][citation:17]（卖方研究自报）：

类型做法效果
低频量价：优化以 Alpha158 因子库为基础，让 AI 识别原始因子逻辑缺陷并改进（如波动率因子 std20）RankIC 均值与 ICIR 均显著提升，且在 5–60 日多窗口期普适
低频量价：从零生成提供已验证的”成功案例”作为先验知识挖出多个与样例因子相关性低、ICIR > 0.8 的新因子，部分样本外 ICIR > 1.0
基本面生成经典因子的增强版（如现金毛利 CGP_TTM），并从留存收益、应收账款周转率等新视角拓展REP_LF 与所有样例因子相关性均 < 70%
高频赋予 AI 直接生成 Python 代码的能力挖出投机波动、极端加速度方差占比等因子，多空组合年化收益超 60%

融合后的效果：把 AI 高频因子融入融合日 K 与周 K 行情的 AGRU 神经网络后，年化多头超额收益由 18.24% 提升至 25.28%，RankIC 均值提升 0.71 个百分点[citation:1][citation:17]。

业界在用的四条技术路线[citation:10][citation:13][citation:33]：

路线做法
进化式挖掘LLM 生成因子逻辑与表达式 + 遗传算法迭代择优 + 回测/正交校验/跨市场验证
Agent 自主挖掘搭载金融知识库、算子库、经验记忆与反思机制，自主探索避坑
LLM + 强化学习用 RL 搜索因子空间，LLM 注入行业知识约束，避免无效探索
蒙特卡洛树固化用 MCTS 固化迭代方向，避免随机游走[citation:13]

工业界的”GPT 因子工厂”[citation:7]：提供运算符与字段提示符，让模型生成非线性、“脑洞更大”的因子表达式；团队构建了含策略协议、版本管理与样本隔离的自动化 Skill，在红利策略上迭代 50 次，实现验证集与测试集夏普比率的阶梯式提升。

场景四：事件驱动与产业链推理

可交易性评分是一个很聪明的设计[citation:8]——不是所有新闻都值得交易：

评分维度问什么
事件新颖性是否已经 priced in（被市场消化）？
影响范围行业级还是公司级？
可验证性后续有没有数据可以证伪？

报告效果：可交易性评分 > 7 的事件配合短期波动率突破入场，胜率 62%[citation:8]（社区实践自报）。

供应链图谱[citation:8]：用 LLM 解析年报的”主要供应商/客户”段落构建有向图。当上游公司（如某晶圆厂）发布产能预警时，LLM 可沿供应链推理下游受影响企业，比共现网络更准确。

关键技巧：必须给 LLM 一个明确的**“推理深度限制”**（如最多 3 层供应链），否则容易过度联想[citation:8]。这正是本系列第五篇讲的”上下文隔离 + 约束”思路。

场景五：代码与工程提效

这是 ROI 最确定的一块，几乎无争议：

机构应用效果
PandaAIQUBE 对话式策略助手，自然语言输入交易思路，一键完成策略生成、数据调取与回测验证[citation:19]策略开发周期从数月缩短到小时/日级
国信证券引入开源编码智能体，覆盖代码生成、代码评审、单元测试[citation:18]缩短开发周期、提升代码质量
某量化团队金融工程深度报告 90% 由大模型辅助完成，日常点评已实现半自动化到自动化[citation:7]—

PandaAI 提出的 AI 交易 L0–L4 五级演进值得记一下[citation:19]：

级别含义
L0纯人工投研交易
L1AI 仅承担代码、提示词优化等辅助工作
L2单智能体独立完成整套投研闭环
L3多智能体协同，各模块分工制衡、自主迭代
L4AI 承接全部标准化研究交易，人类聚焦投资目标、非公开信息与风险管控

场景六：合规、风控与舆情监测

应用机构实例
异常交易识别、债券风险预警国信证券[citation:18]
舆情摘要提取国信证券[citation:18]
债券买卖指令自动化识别（解析文本交易要素→生成标准指令）国信证券[citation:18]
内容安全平台、合规审核广发”金创翼”全媒体内容运营中心（智能审核）[citation:3]

三、不适用：六个必须回避或严格限制的场合

① 直接做数值预测 / 时序预测 ⚠️ 最重要的一条

这是最反直觉也最需要说清的一条。

深度学习领域有一个被反复验证的”线性模型悖论”[citation:40]：

在 NLP 和 CV 里，“更大更复杂的架构 = 更好”几乎总是成立。但在长期时序预测（LTSF）里，一个单层线性模型（LTSF-Linear）在标准基准上持续、且常常以 20%–50% 的幅度击败复杂的 SOTA Transformer 架构[citation:40]。

为什么？ 三个结构性原因[citation:40][citation:46]：

原因说明
信息密度低自然语言 token 语义丰富；连续数值序列的信息密度低得多。大模型的高参数量在这里变成负债——32 层 LLM 常常打不过简单线性模型，因为容量导致过拟合而非发现真实时序规律[citation:40]
时间分布漂移时序是外推不是内插——测试的时间索引永远大于训练。高容量模型擅长记住训练数据的时代特征，随训练与部署间隔拉大，简单模型反而更鲁棒[citation:40]
归纳偏置错配成功的时序模型需要在架构末端有一个直接把过去观测映射到未来预测的可学习模块；标准 Transformer 缺少这个直接映射[citation:40]

实测对照[citation:43]：

对比结果
最好的 LLM（Claude Sonnet 4.5）vs 季节性朴素基线显著胜出
最好的 LLM vs M4 竞赛冠军（混合神经-统计方法）落后约 2.4 个误差点
任何 LLM vs ARIMA / 指数平滑等标准统计方法均未达到
GPT-4o-mini vs 简单移动平均略差

事件预测方面[citation:43]（ForecastBench，112 个已发布 LLM 配置）：

场景LLM 表现
短期、数据密集问题不如人群（不给历史时误差约为人群的两倍）
中等期（61–180 天）、基于数据的问题接近甚至略超超级预测者 ← LLM 的最佳区间
预测市场类问题（市场共识已消化公开信息）大幅落后
长期事件预测胜过普通大众，输给超级预测者

一句话总结当前的证据：LLM 是一个”不错的零样本基线”——能打赢朴素方法，但打不过精心设计的统计方法。

② 高频 / 低延迟场景

多 Agent 量化系统的关键路径延迟[citation:41]：

步骤延迟可接受？
LLM 解析策略500ms – 2s⚠️ 可能错过时机
数据获取100–500ms✅
风险计算50–200ms✅
订单提交10–50ms✅
总计660ms – 2.75s❌ 高频不可接受

具体量级：一个 7B 模型在现代 GPU 上连续批处理，每个输出 token 仍需数十毫秒；一个 64-token 的分类响应（对 LLM 来说已很短）落在 100–500ms；共享 API 上的前沿模型在负载下还要再加数百毫秒排队[citation:44]。

硬结论：LLM 推理被排除在任何快于约 1 秒的策略的热路径之外[citation:44]。

③ 闭卷事实问答 / 精确数字抽取

这是个好消息 + 坏消息的组合。

好消息：表格抽取已经基本被解决。在 1000 个基本面研究任务上，前沿模型（ChatGPT 5.5 Codex、Gemini 3.7）对 10-K/10-Q 数字的抽取准确率达 99.9%–100%[citation:31]。

坏消息：这不代表”闭卷问它就行”[citation:31]：

配置准确率
纯参数记忆（原始记忆，不查资料）32.0%
Claude Opus（无辅助 UI）8.0%
ChatGPT 5.5（无辅助 Codex）79.9%
Gemini 3.7（无辅助网页）80.0%
ChatGPT 5.5 + MCP 数据层85.7%
Gemini 3.7 + MCP 数据层100.0%

差距不在模型，在有没有接上权威数据源。而且电话会问答这一项，所有无辅助模型 100% 失败——因为 SEC EDGAR 里根本没有电话会音频或逐字稿。这形成了一个 20% 的硬天花板[citation:31]。

详见第六章。

④ 直接输出交易决策

这是合规红线，不是技术问题：

  • AI 是助手不是替身，研报责任主体仍是分析师[citation:26]；
  • 现有法律体系未赋予 AI 法律主体资格，责任全部归属于运营机构[citation:34]；
  • 判断标准：若输出直接指向具体证券品种、直接给出买卖结论，投资者无需进一步分析即可决策——即构成荐股，不属于”工具”范畴[citation:42]。

⑤ 小市值 / 冷门标的

公开语料覆盖不足，模型对这类标的的逻辑理解明显偏弱[citation:10]。这也是文本类因子在沪深 300 中无效、在中证 500/1000 中有效这类现象的另一面——需要按股票池分别验证[citation:16]。

⑥ 让 LLM “回测”自己的策略

这是量化领域独有的陷阱，单独成章——见第四章。

四、痛点一：前视偏差——量化独有的、最致命的坑

4.1 一个传统审计查不出来的问题

普通的前视偏差是数据管道问题（用了未来数据）。但 LLM 带来了一个全新的变种——参数化前视偏差（Parametric Look-ahead Bias）[citation:24][citation:32]：

如果一个 LLM 在 2024 年训练完成，它的权重里已经编码了 2018–2020 年股票怎么走的。让它回测 2018 年的行情，它会表现得像个交易天才——仅仅因为它记得未来。

为什么传统方法抓不到？ 因为这次的泄漏在模型参数里，不在数据管道里[citation:24]。你做再多数据审计、再严格的 PiT 对齐，都查不出这一层。

后果：研究者被困在两个都不好的选择之间——要么接受系统性误导的历史回测，要么只能用训练截止日之后的数据做验证，而那段时间往往太短、统计上不可靠[citation:24]。

4.2 解法一：FINCAD——“召唤先知，再杀掉它”

2026 年一篇论文的思路非常漂亮[citation:24]：

阶段一：对抗式偏差发现
    用离散提示优化框架（MIPROv2）自动找到一个"模型专属指令"，
    强制 LLM 仅凭记忆回忆历史股价方向
    —— 相当于"召唤先知"，把它藏着的记忆逼出来

阶段二：实体与日期自适应惩罚
    记忆在不同公司、不同日期是不均匀的，一刀切的惩罚会过度纠正
    通过分析模型置信度在不同日期的方差，动态调整减法强度 α
    —— 区分"苹果是家好公司"这种稳定的品牌先验，
        和"2018年Q3苹果涨了"这种真正的时间记忆

阶段三：对比 logit 相减
    生成时，把"记忆分支"的 logits 从"上下文条件分支"中减掉
    —— 在采样前就把前视偏差"杀掉"

关键发现：记忆足迹因架构而异——Qwen2.5-14B 表现出高记忆足迹、需要激进纠正；Phi-4-14B 的记忆足迹则小得多[citation:24]。

4.3 解法二：LAP 诊断与”缩放悖论”

Lookahead Propensity（LAP） 估计一个提示或答案出现在模型训练数据中的可能性[citation:28]。

核心检验：看 LAP 与准确率的相关性。如果模型的预测恰好在 LAP 高的时候系统性更准，那这个”预测”就是伪装成预测的记忆，不是真正的先见之明[citation:28]。

一个非常重要的发现——“缩放悖论”[citation:32]：

模型类型规模变大时
标准模型变差——更强的记忆造成更强的虚假先验
PiT 模型（Point-in-Time，预训练时就排除未来信息）变好——更干净的推理，无污染

这直接推翻了”换个更大的模型就好”的直觉。

4.4 解法三：事后截止期评估的硬标准

[citation:32]

检查项标准红旗
测试期只包含训练截止日之后的日期用 2024 年的模型测 2020–2023
股票池50+ 只，跨行业跨市值只有 AAPL/GOOG/AMZN/MSFT/TSLA
时长12 个月以上样本外3 个月测试窗
幸存者偏差包含退市股只用当前标普成分股
基线与买入持有对比只跟其他 LLM 策略比
成本建模了交易成本零成本假设
代码可复现不公开代码

一条硬判据：任何无法在真正样本外的数据上跑赢买入持有的 LLM 策略，无论架构多精巧，都不值得部署[citation:32]。

4.5 解法四：数据基础设施层面

[citation:28][citation:36]

措施做法
双时态（bitemporal）数据基础设施每个数据点带”知识时间”（你何时知道）与”事件时间”（何时发生）两个时间戳
用知识时间做 join key⚠️ 最常见的翻车：建了严谨的 purged CV，却把基本面表按日历日而不是披露日 join——所有严谨性被一次 join 毁掉[citation:28]
供应商字段标记标记任何已知会被回填或重述的字段
单 bar 执行延迟消融测试插入一根 K 线的执行延迟再对比结果，作为强制的 pre-commit 检查[citation:28]
滚动前推（Walk-forward）训练/测试窗沿历史滚动，只用当时可得的数据
蒙特卡洛 / 空数据检验打乱价格序列或生成合成数据，确认优势消失

一条被反复强调的纪律：先修时间与数据卫生，再调参数。顺序反过来，你会花几周去优化一个优势完全由泄漏制造的模型[citation:28]。

还有一类新兴基准：AI-Trader benchmark 采用”完全自主最小信息范式”——Agent 只接收必要上下文，必须自己搜索和验证市场信息，从根本上消除依赖记忆的可能。其结论：“通用智能不会自动转化为有效的交易能力。“[citation:32]

五、痛点二：过拟合与伪 Alpha

5.1 问题的形状：批量制造的”伪 Alpha”

当 LLM 可以一天生成上万个因子表达式时，多重检验问题就从统计学问题变成了工程灾难——你试的次数越多，“显著”的结果里混进来的运气就越多。

一个残酷的算术[citation:27]：假设一张表有 90 个字段，各字段独立：

单字段准确率预期错误字段数整表完全无错的概率
99.9%0.0999.9%⁹⁰ = 91.4%
99.5%0.4599.5%⁹⁰ = 63.7%
99.0%0.9099%⁹⁰ = 40.5%
98.0%1.8098%⁹⁰ = 16.2%
95.2%4.3295.2%⁹⁰ = 1.2%

单字段 99% 的准确率听起来很好，但 90 个字段拼起来，整表无错的概率只有 40%。 这就是为什么”看起来很准”的系统交付的结果却不能用。

5.2 解法：四条”挤水分”的硬工具

[citation:25][citation:28][citation:36]

工具做法关键点
① 降秩夏普比率（DSR）强制把偏度、峰度、样本长度 T、以及试错次数 N 全部纳入计算，输出”该策略并非仅靠运气的概率”对夏普在 0.4–0.8 之间的策略应保持高度警惕，必须跨周期交叉验证
② 严格 Point-in-Time 隔离保证预测时接触不到任何未来信息：因子计算不能用当日收盘价，财报发布日期必须与交易日严格对齐否则本质是”拿明天的报纸买今天的股票”
③ 回溯通胀因子诊断量化”最优样本内结果可能高估了多少真实样本外表现”，基于你为找到它试了多少个变体优化结果与 walk-forward 结果的差距随搜索过的策略数量增长
④ 多重检验校正 + 预注册试了 N 次就调整显著性水平（如 Bonferroni 校正）；在看到数据前预先声明假设与分析计划避免事后挑选有利结果

5.3 因子生成端的三道约束

这是从源头防止过拟合的做法[citation:20]：

约束做法
① 成对子树检测（pairwise subtree detection）把新生成的因子与已有因子库（如 Alpha101）对比，确保公式在数学上是唯一的
② 假设-因子对齐用一个 LLM 评估器检查生成的数学表达式是否在语义上匹配其声称的市场理论
③ 复杂度控制给语法树的结构深度设上限，防止 LLM 生成过度复杂、对历史数据过拟合的参数

报告效果：这些有界约束下的机器生成 Alpha，在牛熊两种环境下都表现出显著的抗衰减性，预测有效性的持续时间远长于无约束方法[citation:20]（论文自报）。

5.4 交易成本与流动性假设的黑洞

[citation:25]

华泰金工的因子回测显示的是理论值，但一旦叠加佣金、印花税、冲击成本、滑点，许多看起来有效的因子会立刻”现原形”。

2026 年 7 月的一次极端行情暴露了更深的问题[citation:25]：

  • 稳博投资公开表示，其端到端 AI 策略在市场明显恐慌时表现出逆向倾向，“承接恐慌盘”；但当流动性冲击远超模型假设时，这种”长期有效的逻辑”在短期内就变成了”失控的尾部风险”；
  • 回测中假设的”随时能以中间价成交”，在实盘的恐慌抛售中彻底破产。

六、痛点三：数值不可靠——一个小数点就是事故

6.1 先把”准确率”拆成三件不同的事

[citation:35][citation:27]

类型问什么证据强度
① 数据检索能否正确读出报表里的某个数？研究充分
② 分析判断能否正确解释这个数的含义？研究较少
③ 预测能否正确预测未来财务结果？最难、证据最少

厂商说”我们的 AI 更准”时，先问清楚是这三种里的哪一种，以及用的什么基准[citation:35]。

6.2 实测错误率：格式决定一切

Markelevich 教授的研究（5000 份 SEC 年报，2014–2023，26 个会计指标）[citation:35]：

报表位置纯文本HTMLXBRL
主要财务报表指标16.99%14.70%9.46%
附注（Notes）29.19%28.45%7.37%

两个立刻能用的结论：

  1. 结构化格式（XBRL）大幅降低错误率——附注部分从 29% 降到 7.4%；
  2. 附注在纯文本格式下接近”三个错一个”，而恰恰是审计与 ESG 团队最依赖附注。

6.3 一半的错误是同一个：量级缩放错误

[citation:35]

约一半的财报抽取错误是”缩放错误”——模型搞错了数字的单位是千、百万还是十亿。

这不是随机的故障，而是系统性的，而且表面上看不出来。一个把 42 亿营收读成 4200 万的模型，不会返回一个明显荒谬的结果——它返回一个格式完美、自信、错了三个数量级的数字。

好消息：这个错误几乎完全可预防[citation:35]：

格式缩放错误率
纯文本8.16%
HTML5.81%
XBRL0.11%

仅仅改变输入格式，缩放错误就下降超过 98%。因为 XBRL 把每个数据点的单位与量级编码进了标签结构，模型不需要从上下文推断[citation:35]。

这是本文最可执行的一条建议：只要有 XBRL，就坚持用 XBRL。

6.4 铁律：让模型读，让代码算

FAITH 基准把”读”和”算”分开测，结果差异极大[citation:27]：

任务最佳模型
直接查数97.0%
多变量计算90.0%——但同系列那个查数第一的模型掉到 80.0%，另一个 widely used 模型只有 30.0%
多步推理大多数模型得分接近零

绝不要接受一个同时跨越”读”和”算”的准确率数字。这是两个不同的失败面。

因此得出一条工程铁律[citation:27]：

❌ 错误做法：把财报丢给模型，问"毛利率是多少？"
✅ 正确做法：让模型抽取【营业收入】和【营业成本】两个操作数，
           然后用代码确定性地计算毛利率

为什么必须这样？ FinBalance 基准给出了最有力的证据[citation:27]：

6 个模型中，最高的资产负债表精确匹配率只有 46%。而更值得带去供应商会议的是：6 个模型里有 4 个，其”报告的资产负债表”与”用它自己生成的分录跑一遍确定性账本得到的资产负债表”之间，存在 26–41 个百分点的差距。

一个系统可以产生一个内部自相矛盾的答案，并自信地呈现它。

其他两个支持性发现：

基准发现
FinSheet-Bench最佳模型 82.4%（约每 6 题错 1 题）。但在最大的文件（8 只基金、152 家公司）上，平均准确率掉到 48.6%，而简单文件上是 86.2%——准确率随文档规模陡降，且在所有模型上一致[citation:27]
FinVerBench在原始引导式清单提示下，14 次模型运行中有 9 次对干净报表产生了 95–100% 的假阳性[citation:27]

6.5 一个巧妙的”测谎仪”

[citation:31]

SEC 的 accession number（CIK-年份-序列号）是高熵的，无法从参数记忆里猜出来。把它作为引用校验项，与 EDGAR 比对，就能瞬间识别出合成的幻觉。

一句话：在资本市场，一个会编造 SEC 编号的 AI 模型不是”不够准的助手”，而是 10b-5 规则下的灾难性合规违规[citation:31]。

6.6 数值可靠性小结

做法效果
优先 XBRL缩放错误 8.16% → 0.11%
读算分离模型只抽操作数，比率用代码算
结构化输出 + Schema 校验拦住格式错误
引用 + 编号校验把不可验证变成可核查
大文档分片 + 重排缓解”文档越大越不准”
分层人工复核关键数据逐项核验 + 多人复核

七、痛点四：延迟与成本——进不了快路径

7.1 核心架构原则：富化，而非执行

[citation:44]

最高杠杆的用法是”把非结构化文本转成结构化特征”——新闻打标、电话会情绪、监管文件摘要、交易对手风险备忘。这些信号喂给一个较慢的 Alpha 层，而不是订单路由。

推荐模式：

消费新闻流 → 批量标题 → 小模型 + 严格 Schema
     ↓
输出数值分数，按【标的代码 + 时间戳】写入特征存储
     ↓
执行模型在决策时读取该特征，【对 LLM 零依赖】

7.2 五个具体的降延迟手段

手段做法效果
① 预计算 + 特征存储见上决策路径上延迟归零
② 语义缓存按 embedding 相似度做缓存——同一发行人的新闻会被反复转载、电话会措辞重复常能消除 80% 的冗余调用，把有效 p99 压到 embedding 检索的成本[citation:44]
③ 小模型 + 量化3B–8B 模型跑 INT4，单张消费级 GPU 即可用推理深度换可预测的尾延迟；GGUF Q4 的 Llama-3.2-3B / Mistral-7B-Instruct 在纯 CPU 节点上对短提示能做到 sub-200ms[citation:44]
④ 异步 + 硬超时 + 优雅降级绝不在信号循环里同步调用 LLM；超时即返回启发式兜底值并打 stale 标记策略优雅降级而不是阻塞[citation:44]
⑤ MCP 原生数据层见下22 分钟 → 1.2 秒

MCP 带来的量级差异[citation:31]：

方式延迟
无辅助网页抓取10–22 分钟（还受 EDGAR 10 req/sec 限流约束）
MCP 原生工具调用约 1.2 秒

7.3 三级执行层级的对照

[citation:31]

层级做法得分
Tier 1：会话式 Chat UI纯参数记忆8%–32%，在法律条款与编号上有高幻觉风险
Tier 2：无辅助编码 AgentPython 爬虫79.9%，但卡 22 分钟，且电话会转录 100% 漏掉
Tier 3：MCP 原生数据层接地气的模型上下文协议100% 真值，约 1.2 秒，覆盖 20+ 年文件与 19000+ 转录

这个对照表本身就说明了架构选择的重要性：同一个模型，接没接对数据层，得分能差 3 倍以上。

八、痛点五：合规、可解释与责任主体

8.1 监管现状

事实来源
截至 2026 年 7 月末，32 家券商完成算法与模型备案，备案项目总数超 50 个，其中 10 余家头部券商完成多模型备案易观千帆数据[citation:21]
2026 年 6 月，证监会主席吴清在陆家嘴论坛明确表示将适时发布规范发展资本市场人工智能的指导意见，依法从严打击利用 AI 非法荐股、造谣传谣、违法交易[citation:45]
拟出台的《证券基金投资咨询业务管理办法》“程序化咨询”条款：只要实质开展自动化投资咨询服务，就需纳入投顾监管框架，不得以”工具”之名规避监管[citation:34][citation:42][citation:45]

8.2 责任归属：AI 不是替身

证券时报的定性很明确[citation:26]：

按照现行《发布证券研究报告执业规范》，研报发布前由专职分析师进行质量审核。AI 可以是辅助工具，但不能替代专业判断；分析师可以借力技术，但必须对最终发布的报告负责。

法律层面的定性[citation:34]：

  • 现有法律体系未赋予 AI 法律主体资格，AI 仅被视为机构开展业务的技术手段，全部法律责任归属于运营机构；
  • “没有可核查的人工复核痕迹，AI 辅助就会异化为业务外包，持牌监管的制度价值也就落空了。“（华东政法大学程威副教授）
  • 持牌投顾机构作为受托人，向客户说明决策依据是法定核心义务，必须对 AI 输出做实质性专业复核并留存独立判断记录[citation:34]。

8.3 一个被业界采用的分层管理框架

[citation:30]

层级任务类型人机分工
低风险日报信息抓取、公告摘要等格式化程度高、容错空间大的任务AI 自动完成 + 流程检查
中风险行业比较、观点汇总、数据清洗等中间环节“AI 执行 + 人工补充验证”半自动
高风险正式发布研究结论、对外发送邮件、真实下单AI 仅作辅助参考，人工全程把关

8.4 可溯源是硬要求

广发证券的做法：融合 RAG 与 Agent 编排，形成”规划—工具—记忆—进化”闭环，企业侧沉淀 30 类标准化智能体插件并布局 MCP 开放工作台，上线 110 余项 MCP 服务[citation:3]。

中信建投的评测维度值得抄[citation:6]：搭建投顾场景专属高质量评测集，从正确性、引用可靠性、合规触发率、工具调用成功率四个维度全维度测试。

招商证券国际的”可审计生产线”[citation:21]：把主动选股改造为可审计、可复核的自动化生产线——AI Agent 在工程约束下完成整个研究生产过程，但最终结论与评级仍由持牌分析师签署并负责。

8.5 一个实操建议

[citation:21][citation:30]

让投资者理解 AI 建议的依据与局限，对思维链路不透明的地方进行**“开箱”溯源**——这是 Agent 赢得信任的关键。

关于是否标注 AI 参与，合规人士的建议是”可以披露，但不宜机械标注”——更合理的做法是在研报风险揭示部分统一说明 AI 辅助工具的使用情况，同时明确署名分析师承担最终责任[citation:30]。

演进方向（律师马宏伟的判断）[citation:42]：AI 投顾合规向”牌照 + 披露 + 算法审计 + 模型备案”演进的方向较为明确。

九、痛点六：因子拥挤与 Alpha 衰减

9.1 现象：2026 年 7 月的集体回撤

[citation:25]

过去能够形成一定对冲的动量、残差波动率、流动性、短期反转等风格因子，在当月罕见地同向下跌。

翻译成机制：当全行业都在用类似的 AI 量价模型、都在拟合”动量+残差波动率”这一组因子时，回测中”因子间低相关、可对冲”的假设在实盘中变成了”因子间高相关、同涨同跌”。

这是曲线拟合在宏观层面的集体爆发，也是多家头部私募超额回撤同时发生的原因[citation:25]。

更早的先例：2024 年初，因拥挤度激增，A 股市场的小市值因子遭遇剧烈回撤[citation:33]。

9.2 另类数据的一个悖论

[citation:29]

更常见的情况并不是”信号完全失效”，而是”信号仍然存在，但已经无法承载足够规模的资金”。对机构投资者而言，容量限制往往比预测能力本身更重要。

还有”预期衰减”这个更微妙的机制[citation:29]：

即便数据本身还未被广泛使用，只要市场开始讨论它、相信它有效，超额收益就会提前消失。数据商的销售过程本身就在制造这种预期——你收到推介材料时，可能已经有一批早期试用者完成了套利。

9.3 解法

方向做法
正交化 / 低拥挤生成后强制与已有因子库做相关性检测（如东吴要求与样例因子相关性低于 70%）
私有数据当 AI 工具普及时，独家的底层服务类数据和数据清洗能力更重要[citation:38]
迭代速度把研究到策略的生产周期压缩至更短，以适应快速变化的市场状态[citation:38]
组合管理当超额收益越发拥挤，组合管理能力成为拉开差距的关键——风险模型与优化模型的精细程度[citation:38]
Regime 适配把市场状态与策略配置决策结合[citation:38]

十、总结：速查表、铁律清单与三个判断

10.1 适用 / 不适用速查表

场景判定关键约束
研报/公告/纪要批量解析✅ 强适用RAG 可溯源 + 私有化 + 权限隔离
文本情绪因子✅ 适用（价值高）与传统因子相关性要低；非对称使用（负面信号更强）；必须过量化规则安检
因子表达式/代码生成✅ 适用三道约束：唯一性检测、假设对齐、复杂度上限
事件驱动与产业链推理✅ 适用必须设推理深度上限；可交易性评分筛选
代码与工程提效✅ 强适用（ROI 最确定）—
合规/风控/舆情监测✅ 适用全链路留痕
数值/时序预测❌ 不适用打不过精心设计的统计模型；只能做零样本基线
高频交易❌ 不适用660ms–2.75s 延迟，物理上被排除
闭卷问数字❌ 不适用纯参数记忆仅 32%；必须接数据源（MCP 后可到 100%）
直接输出买卖结论❌ 禁止合规红线；责任主体必须是持牌人
小市值/冷门标的⚠️ 受限需按股票池分别验证
让 LLM 回测自己的策略❌ 禁止参数化前视偏差，传统审计查不出

10.2 六条工程铁律

① 分工铁律
   LLM 只做「非结构化文本 → 结构化信号」
   不做「数值 → 预测」，不做「信号 → 下单」

② 计算铁律
   让模型【读】操作数，让【代码】算比率与衍生指标
   绝不问模型"毛利率是多少"

③ 延迟铁律
   决策路径上对 LLM 零依赖
   离线批处理 → 特征存储 → 执行模型按 code+timestamp 读取

④ 回测铁律
   防参数化前视偏差是独立于数据管道的第二道防线
   LAP 检验 + 事后截止期 + 50+ 股票 + 12+ 月 + 含退市 + 含成本 + 对比买入持有

⑤ 数据铁律
   有 XBRL 就用 XBRL（缩放错误 8.16% → 0.11%）
   一切 join 用【知识时间】而非【事件时间】

⑥ 责任铁律
   高风险动作人工把关 + 全链路留痕 + 可溯源
   AI 是助手，署名人与机构是责任主体

10.3 三个判断

判断一：LLM 在量化的价值是”翻译”，不是”预言”。

把全文的证据串起来，会发现一个清晰的边界：

  • 在读懂文本这件事上，LLM 有不可替代的优势——它能抓住分析师在并购电话会里的焦虑，能识别研报里的”言外之意”，能沿供应链做因果推理；
  • 在预测数字这件事上，它连朴素方法都未必赢得了——单层线性模型能以 20%–50% 的幅度击败复杂 Transformer[citation:40]，LLM 打不过 ARIMA 与指数平滑[citation:43]。

所以业界的共识架构是混合与约束的：人类定义风险参数，语言模型解读非结构化披露的复杂性，严格的统计模型掌控最终执行[citation:20]。

判断二：量化领域最致命的痛点不是幻觉，是前视偏差。

幻觉至少是可见的——数字错了对不上账，能被发现。而参数化前视偏差是隐形的：它在模型权重里，传统数据审计查不出来[citation:24]，而且它会系统性地往一个方向骗你——让你以为自己找到了 Alpha。

更反直觉的是那个”缩放悖论”：标准模型越大，记忆越强，偏差越大[citation:32]。这意味着在量化这个领域，“换个更强的模型”这个通用解法不仅无效，还可能有害。

判断三：真正的护城河正在从”模型”转向”数据 + 流程 + 责任机制”。

从三处能看出来：

观察含义
同一个模型，接 MCP 数据层 100% vs 纯参数记忆 32%[citation:31]价值在数据接入，不在模型本身
当 AI 工具普及时，独家的底层数据和数据清洗能力更重要[citation:38]护城河在数据
研报责任主体仍是分析师；AI 无法律主体资格[citation:26][citation:34]护城河在流程与责任机制

一句话总结：LLM 让”读懂市场在说什么”这件事变得廉价，因此未来的竞争不再是谁的模型更强，而是谁的数据更独家、谁的验证流程更严格、谁能把 AI 的产出变成可审计、可追责的组织能力。

附：本文关键来源说明

类型来源性质使用原则
券商 AI 落地案例（广发/中金/中信建投/中泰/上海/国信/招商）公开报道与机构披露[citation:3][citation:6][citation:9][citation:12][citation:18][citation:21]直接采用，效果数字为机构自报
因子挖掘效果（东吴金工等）卖方研究报告[citation:1][citation:4][citation:13][citation:17]标注为卖方研究自报，回测结果不代表未来
情绪因子学术结果期刊论文与预印本[citation:2][citation:5]标注为论文自报、未独立复现
前视偏差与 FINCAD / LAP学术论文与工程文档[citation:24][citation:28][citation:32][citation:36]直接采用
财报抽取准确率学术研究（Markelevich / XBRL.US）与基准论文[citation:27][citation:31][citation:35]直接采用，区分读取/计算/推理
时序预测能力对照论文与系统性评测[citation:40][citation:43][citation:46]直接采用
延迟与工程架构工程实践文档[citation:41][citation:44]直接采用
合规与监管证券时报、中国证券网、中国金融信息网、经济参考网[citation:26][citation:30][citation:34][citation:42][citation:45]直接采用
因子拥挤与另类数据行业复盘与研究笔记[citation:25][citation:29][citation:33]标注为行业观察

⚠️ 三点必读提醒：

  1. 本文不构成投资建议，所有收益率与夏普比率均为回测结果，且多为卖方研究、论文或厂商自报，未独立复现；
  2. 不同来源的口径差异较大（如同为”AI 情绪因子”，东吴报告的空头年化超额 8.26% 与某论文的年化 51.02% 不可直接比较——标的、周期、成本假设完全不同）；
  3. 本文事实截至 2026 年 10 月 26 日，监管规则（尤其是程序化咨询相关条款）仍在征求意见阶段，落地时应以最新监管口径为准。

相关文章

评论