中国科学院大学张玉清教授探讨大模型如何开启智能金融新纪元。

　　 “金融领域的大型模型将朝着专业化、轻量化和合规化方向发展，大模型并非量化交易的终点，而是开启智能金融新时代的起点。”

　　 11月22日，在南方财经全媒体集团指导、21世纪经济报道主办的“第二十届21世纪金融年会”上，中国科学院大学教授、国家计算机网络入侵防范中心主任张玉清在主旨演讲中发表了相关观点。 从当前网络安全形势来看，随着数字化进程不断加快，网络攻击手段日益复杂，信息安全问题愈发突出。张玉清教授的发言再次强调了构建安全防护体系的重要性，也反映出我国在应对网络威胁方面持续加大投入与研究力度。这一议题不仅关乎企业与个人的数据安全，更关系到国家整体的信息基础设施稳定。面对不断演变的网络风险，提升技术防御能力与完善制度保障缺一不可。

　　 张玉清指出，当前，大模型正在重塑量化交易的模式，多智能体与多模态技术的融合将持续推动量化交易技术的发展。在未来的某个时刻，或许完全依靠机器就能在风险控制不断强化的环境下捕捉市场信号和重要的投资机遇。

　　 张玉清指出，近年来，与基本面基金相比，量化基金在业绩表现和风险控制方面展现出更为突出的优势。 从当前市场情况来看，量化基金凭借其系统化、数据驱动的投资策略，在波动市场中表现出更强的稳定性。这种优势不仅体现在收益的持续性上，也反映在对市场风险的精准把控上。随着技术手段的不断进步，量化投资的透明度和可复制性也在逐步提升，为投资者提供了更多元化的选择。不过，量化基金的表现仍依赖于模型的有效性和数据的准确性，因此在实际操作中仍需保持理性判断。

　　 根据2023年的统计数据显示，全球量化交易在美股市场中的占比已超过60%，而在A股市场则约为20%至30%。从2019年到2022年，A股市场的量化基金数量翻了一番，占主动型公募基金的18%。

　　 然而，量化交易仍存在部分痛点。

　　 张玉清指出，今年8月，在A股市场出现极端分化行情的背景下，超过七成的量化多头产品跑输了基准指数。这一现象反映出当前量化策略同质化问题的突出。由于多数量化策略高度分散，当市场资金集中追捧少数科技权重股时，这些产品的收益被大幅摊薄，难以跟上指数的上涨步伐。 从行业角度来看，这种同质化趋势可能源于部分机构在策略设计上的趋同，缺乏差异化和创新性。在市场风格快速切换的环境下，单一策略难以适应变化，导致整体表现不佳。未来，如何提升策略的多样性与灵活性，将成为量化投资持续发展的关键。

　　 其次是量化策略的自适应能力不足。张玉清指出，在今年8月的极端分化行情中，出现了“指数上涨，少数权重成分股快速拉升，大量个股表现平平”的市场格局，使得持仓较为分散的量化策略难以有效应对。

　　 第三点是信息处理范围较窄，传统量化策略在挖掘因子时，通常依赖于传统的财务数据和量价指标，可能存在信息滞后以及同质化严重的问题，从而制约了获取独特Alpha收益的能力。

　　 研发成本昂贵，随着可选因子数量迅速增加，开发者可能遭遇严重的抉择难题，进一步提升策略开发的复杂性，并加大试错的代价。

　　 “大模型是拥有海量金融知识，并能进行逻辑推理的超级分析师。”张玉清表示，针对量化交易中存在的痛点问题，大模型将推动行业从“经验驱动”向“智能驱动”的新范式转变。 我认为，随着人工智能技术的不断进步，大模型在金融领域的应用正逐步深化。它不仅能够处理和分析大量数据，还能通过逻辑推理提供更精准的决策支持。这种智能化的转型，有助于提升量化交易的效率与准确性，也为行业发展注入了新的活力。未来，如何在实际操作中充分发挥大模型的优势，将是业界需要持续探索的方向。

　　 从技术发展的脉络来看，张玉清表示，量化交易经历了从专家系统到机器学习，再到深度学习，直至当前的大模型阶段，已实现了从依赖人工经验的模式，向基于大模型与智能体系统的理解、推理及协同决策的技术跃迁。

　　 张玉清表示，大模型能够通过输入文本、数据、代码、图像等多种形式的海量信息，像人类一样进行思考与创造，具备理解、生成和推理的能力，从而输出具有价值的内容和成果。 在当前技术快速发展的背景下，大模型的应用正在不断拓展，其强大的处理能力和多模态输入支持，使得它在多个领域展现出巨大的潜力。这种技术不仅提升了信息处理的效率，也推动了人工智能向更深层次的发展。随着技术的成熟，如何合理引导和规范其使用，将成为未来关注的重点。

　　 大模型的核心优势在于其强大的逻辑推理能力以及对海量非结构化数据的处理能力，这使其能够突破传统量化模型的技术瓶颈。张玉清指出，在量化交易领域，大模型通过自动化信息挖掘、多模态融合决策、动态推理与适应、自然语言交互等方式，提升了策略的深度、广度和自适应能力，从而推动交易系统向更智能、高效和稳健的方向发展。 从行业发展的角度看，大模型在量化交易中的应用不仅是技术上的进步，更是对传统金融分析方式的补充与升级。它使得机器不仅能够处理结构化数据，还能理解新闻、公告、社交媒体等非结构化信息，为投资决策提供更全面的支持。这种能力的提升，有助于增强市场预测的准确性，同时也能在复杂多变的市场环境中保持更强的稳定性。

　　 在量化交易流程优化方面，张玉清进一步分析指出，大模型主要通过智能体系统与多源信息融合来提升量化交易的效率和精准度，贯穿于交易的各个环节，包括环境交互、多数据源整合以及分层多智能体框架等。具体而言，大模型正在重构交易的全流程，涵盖数据获取、信号生成、决策制定、执行操作以及风险控制等多个关键环节。 从当前行业发展来看，大模型在量化交易中的应用已不再局限于单一的技术支持，而是逐步渗透到整个交易体系中，推动行业向更智能化、自动化方向发展。这种变革不仅提升了交易效率，也对传统交易模式提出了新的挑战。未来，如何在技术进步与合规监管之间找到平衡，将是行业需要持续关注的重点。

　　 张玉清指出，在数据来源方面，量化交易依赖的数据种类繁多，大模型能够帮助系统自动处理并提取关键的市场信号，从而有效降低人工进行特征工程的工作量。这种技术的应用，不仅提升了数据处理的效率，也增强了策略的适应性和灵活性。随着技术的不断进步，人工智能在金融领域的应用将更加深入，为投资决策提供更强大的支持。

　　 在信号生成方面，大模型不仅能预测市场走势，还能通过深度学习与强化学习结合进行实时分析决策，从而生成交易信号，自动为交易员提供策略建议。

　　 在决策生成领域，大型模型可以结合元学习与强化学习技术，自主生成能够适应市场波动的交易策略，并优化投资组合，从而降低对人工操作的依赖。

　　 在执行策略优化方面，大模型能够对市场深度和订单簿数据进行分析，实现对市场的实时监控，并通过滑点控制来降低订单执行过程中的市场冲击和额外成本。这种技术手段的引入，有助于提升交易效率，减少因市场波动带来的不确定性。随着金融科技的不断发展，这类智能系统正逐步成为现代交易环境中不可或缺的一部分，为投资者提供更加精准和高效的执行方案。

　　 最后，在风险管理方面，大模型能够实时跟踪市场波动和宏观经济数据，预判潜在的风险事件，自动优化策略以实现动态止损，从而提升风控效率，弥补传统风控手段的滞后问题。

　　 目前，量化交易领域的实际案例进一步验证了大模型在投资中的价值。张玉清指出，在今年10月至11月由nof1.ai主办的AlphaArena实盘交易大赛中，Qwen3-Max与DeepSeek-v3.1两款中国大模型成为仅有的两家实现盈利的模型，而参与比赛的四款美国大模型则全部处于亏损状态。张玉清进一步分析认为，中国模型之所以表现突出，主要体现在四个方面：首先是在交易过程中展现出极强的选择性，平均每天仅进行3.4次交易，只在最佳机会出手；其次是在每次交易中追求最大盈利，平均单笔盈利达到181.53美元；第三是具备快速止损的能力，在出现亏损时能够果断离场；第四是具备耐心，让已盈利的仓位充分发展，不会过早止盈。

　　 张玉清指出，大模型在金融领域仍存在“幻觉问题”，需引起足够重视。即使对新闻报道中的个别词汇进行细微调整，也可能导致大模型对市场情绪的判断发生明显变化，例如从“积极进取”转为“消极保守”，从而引发交易策略的重大调整。这种敏感性提醒我们，在依赖AI进行金融决策时，必须对其输出结果保持审慎态度。

　　 金融大模型的发展趋势正朝着专业化、轻量化和合规化方向迈进。张玉清指出，量化竞争将进入系统化时代，大模型并非量化交易的终点，而是开启智能金融新时代的重要起点。这一转变不仅意味着技术的升级，也预示着金融行业在智能化道路上迈出了关键一步。随着大模型在金融领域的深入应用，其对市场效率、风险管理以及投资决策的影响将持续扩大，未来或将重塑整个行业的运作模式。