数据文件，请登录您的会员账号进行下载！
股票市场是检验模型智力的最终标准20260624_导读
2026年06月25日 00:36
关键词
资管行业 推理主导 GPU集群 大模型 因子挖掘 信号合成 组合优化 交易执行 AI投资系统 多智能体系统 AGI 智能投资管理 自营资本 融资 智能系统 投资决策 资产管理 金融市场 价值投资 量化投资
全文摘要
资管行业正经历从智力密集型向散力密集型的转变，GPU集群成为资管机构的核心工具，而大模型在金融分析中的应用日益显著。金融推理大模型与多智能体系统正重塑资本市场决策流程，AI在投资决策中的作用愈发重要，从因子挖掘到信号合成、从组合优化到交易执行等环节均得到应用。讨论强调了AI与人类分析师的协作模式、模型的可解释性以及评估AI在投资中贡献的重要性。同时，强调了高质量数据对AI在投资决策中的关键作用，探讨了AI在投资决策中的应用边界、数据清洗的重要性及应对信号冲突的策略，展现了AI技术为资产管理行业带来的革命性变化。
章节速览
00:00 AI重塑资管行业：金融推理大模型与多智能体系统
在资管行业面临重大变革的背景下，行业正从智力密集型转向散力密集型，GPU集群规模与研究员数量成为核心竞争力。AI技术，尤其是大语言模型和多智能体系统，正在改变投资决策方式，从因子挖掘到交易执行，实现端到端的AI投资系统。未来，AI将不仅是辅助工具，更可能成为决策主体，重塑资本市场决策流程。
05:55 AI在投资决策中的应用与展望
分享者介绍了团队在AI投资领域的研究与实践，强调将AGI融入投资决策的重要性。团队背景多元，包括一二级市场投资经验及顶尖学术研究。目标是构建下一代资产管理基础设施，推动AI从辅助工具进化为决策系统。团队已获数千万美元融资，致力于智能投资研究与产品落地。未来，更智能的AI模型有望超越人类基金经理，引领金融市场变革。
11:09 AI引领金融投资新革命：智能体投资的未来
对话探讨了AI在金融投资领域的革命性影响，从价值投资到量化投资，再到智能体投资的演变。强调了大模型和多智能体系统在模糊量化与基本面投资界限中的作用，预测AI将重构资产管理行业价值链，催生AIAI投资新品类。同时指出金融市场将成为模型智力的最终检验场，呼吁严肃的投资科学方法。
15:25 金融预测大模型与智能体推理框架创新
对话介绍了两个技术方向：一是开发端到端金融预测大模型，旨在通过transfer learning和janin load新范式，替代传统量化深度学习模型，已在海量中国交易市场数据上取得显著提升；二是提出口碑奥法多智能体推理框架，该方法论在ACL会议上获得高分认可，不仅在学界受到瞩目，也在量化业界得到高度评价，被复现并作为强大透明的基准。
18:49 多智能体框架在量化投研中的创新应用
讨论了通过多智能体框架替代传统量化投研工作流的方法，强调利用智能体进行启发式搜索和基于高质量因子库的信号生成，与传统机器学习和深度学习相比，显著提升了信号质量和产出速率。此外，通过实验工程确保AI生成信号与人类信号低相关性，展示了自动化投研领域的创新进展和优异实践成果。
23:01 多智能体决策机制与量化投资策略探讨
对话围绕多智能体在投资决策中的冲突解决机制展开，探讨了量化信号挖掘与智能体协同决策的重要性。提到未来研发将聚焦于auto resection及端到端服务，当前重点在于信号处理与模型组合。此外，讨论了框架中IC提升65%及IR全面提高的阿尔法因子，显示了量化投资策略的优化成果。
24:46 大模型在量化投资中的应用与验证
讨论了大模型在量化投资中通过多步推理和世界知识压缩能力，带来信号提升的原理，以及如何控制复杂性、进行样本外验证和确保因子质量的方法，强调了模型能力和数据源多样性对提升信号效果的重要性。
26:38 因子入库标准与AI在量化投资中的应用探讨
讨论了因子入库标准的设定，强调采用头部量化标准以保证评价体系客观性，并随AI生成信号质量调整标准。提及了AI在提高结构性机会和产出速率方面的作用，以及不断优化入库标准线的策略。同时，探讨了因子及模型的可贴性问题，反映了量化投资领域对AI技术应用的深入研究与实践。
28:38 金融领域大模型应用与数据天花板探讨
讨论了金融领域中不同方法论的应用，包括端到端提升和因子模型的重要性，以及如何通过严格标准约束信号入库。提及大模型在金融数据量有限下的表现，以及是否继续扩大参数量会遇到数据天花板的问题，强调了算力与数据质量的平衡。
30:58 数据量与因子模型在股票市场中的作用探讨
讨论了大量历史数据与合成数据对模型训练的重要性，指出当前算力仍是主要限制。同时，分析了因子模型在提升股票市场超额收益方面可能比模型训练更为显著，强调了因子模型的多样化及其在不同场景下的应用潜力。
33:47 CPO FA技术解析：遗传算法与信号处理
讨论了CPO FA采用头部模型结合遗传算法，自研进化环境进行智能体进化。技术覆盖从宏观到微观的七个层级，通过超参数平衡深度与广度，解决信号冲突问题，信号处理更注重强度而非层级。财报会议纪要转化为量化信号采用LLLLMM模型。
36:09 阿尔法策略与基本面信号挖掘探讨
讨论了阿尔法策略中基本面信号的挖掘效果，指出模型能力、数据质量和文本逻辑性对信号挖掘有重要影响。提到未来工作将利用语言模型从财报中自动提取因子信号，减少噪音，提升信号质量。同时，强调了策略频率和短期/长期视角对策略效果的影响，以及全自动投资决策的边界探讨。
37:44 AI在金融投资中的探索与应用
讨论了AI在金融领域的自主权能边界，包括自主清仓和调杠杆的合规性，以及AI因子与传统人工因子的互补关系。强调了AI在挖掘多样化信号和实现超额收益方面的潜力，同时指出实现全自动化仍需时日，需积累数据和强化学习。金融市场非稳定性与信号拥挤现象，要求AI采用启发式搜索而非暴力搜索，以实现更高效的投资策略。
39:49 AI重塑投资决策：智能体架构与数据质量的重要性
讨论了AI在投资领域的发展，强调AI生成代码的加速趋势及人类精品因子的重要性。高质量数据被视为关键，可通过购买精品因子加快进程。AI端到端决策尚有技术差距，但方向明确，需进一步探索。直播回顾了智能体投资架构、因子挖掘突破及量化基本面融合趋势，强调了AI在重塑投资决策中的作用。
问答回顾
未知发言人 问：在2026年年终回望，资管行业正处在一个怎样的十字路口？
未知发言人 答：我们正处在一个资管行业百年变局的关键拐点，从训练转向推理主导，从智力密集型转向数据密集型。
发言人 问：为什么资管行业会发生从依赖研究员向利用AI转型的变化？
未知发言人 答：因为GPU集群规模增大成为核心竞争力，模型推理成本大幅下降，而人类分析师的经验有限。大模型通过自主分工与迭代研究，使机器具备像人类顶级投资者一样的思考能力，能够快速阅读大量信息并做出投资决策。
未知发言人 问：当前最核心的问题是什么？
未知发言人 答：最核心的问题是如何打造端到端的金融预测大模型与投资多智能体系统，重构投资决策方式。
未知发言人 问：AI在投资领域的角色将如何演变？
未知发言人 答：当AI不再只是辅助工具，而是开始扮演决策参与者甚至决策主体的角色时，我们需要理解和评估AI，并与之达成共识。
未知发言人 问：GIM团队的背景如何？
未知发言人 答：团队由拥有多年一二级资本市场投资经验和AI领域研究实践的重要参与者组成，包括公司创始人徐佳浩和合伙人刘琦教授，他们分别在投资和AI领域具有深厚积累，并带领团队专注于智能投资体系统的研发和应用。
未知发言人 问：GIM公司的定位和目标是什么？
发言人 答：GIM是一家AI原生的智能投资管理公司，致力于将AGI引入投资决策中，通过金融垂域大模型和自定化智能系统构建下一代资产管理基础设施，围绕投资研究、信号发现、策略迭代等环节持续创新和实践。
发言人 问：在大模型智能体时代，您认为会带来哪些变化？
发言人 答：我们相信在大模型智能体时代，会产生新的投资方法论，并且催生新一代的资产管理公司。同时，AI已经在数学、计算机、材料发现和生物药发现等领域取得了超越人类研究者和工程师的成绩。
发言人 问：AI将如何重塑资产管理行业？
发言人 答：我们观察到资产管理行业将会经历价值链重构，从智力密集型转向数据密集型。预训练模型具备通识或世界知识以及深度推理能力，已经达到了甚至超越了人类分析师平均水平，从而改变了传统投资依赖量价信号、新闻财报和另类数据因子相关性的提取方式。
发言人 问：目前量化投资和基本面投资有何新趋势？
发言人 答：现在量化投资和基本面投资的界限越来越模糊，两者开始融合。大模型和多智能体的出现对主观决策构成更大冲击，但同时也促进了新的AIAI投资品类或智能体投资品类的诞生。
发言人 问：您如何看待目前的一些互联网实验类项目，如使用大模型进行交易？
发言人 答：虽然我们不认同直接用大模型来交易的方法论，但我们认同市场是检验模型智力的标准。随着大模型刷分失灵，金融市场将成为模型的新战场。
未知发言人 问：你们在做哪些技术方向的研究？
发言人 答：我们在做的两个技术方向是：一是构建端到端的金融预测大模型，利用transfer learning和meta learning新范式替代传统量化中的深度学习模型；二是开发口碑奥法多智能体推理框架，该框架在金融场景和金融应用中展现了强大的原创性和实验严谨性，并得到了学界和量化业界的高度认可。
发言人 问：口碑奥法多智能体推理框架的具体内容是什么？
发言人 答：这个框架通过多智能体架构替代了传统量化投研的工作流，将人类工程师所做的数学表达、规律找寻和历史数据特征工程等工作由智能体完成，提高了效率和效果。同时，我们也强调了资金模块化的重要性，以适应当前日益流行的自适应主题。
发言人 问：在多智能体之间，如果出现意见冲突，比如宏观A证看空，各国A卷的看多，那谁来裁决？是靠投票、总指挥还是另有机制？
发言人 答：这个问题涉及到智能体决策的裁决机制，目前该研究更偏向于量化信号挖掘体系，将投资问题转化为数据和信号处理问题。未来研发重点可能涉及智能体协同和决策的端到端服务。
未知发言人 问：因子入库标准一般是怎么样的？时序截面有不同吗？AI定标准还是人来定？
未知发言人 答：我们沿用了头部量化的入库标准，以保证评价体系的客观性。当AI生成的信号质量出现下降时，我们会相应提高入库标准。标准主要依据高相关性指标和超额收益指标，同时考虑到AI提供的结构性alpha机会和产出速率，也在不断提升标准。
发言人 问：因子及模型可帖式性怎么样？过礼盒怎么处理？
发言人 答：对于因子及模型的可移植性，我们方法论中并不排斥任何有效的金融产品方法论，包括模型和因子的结合使用。我们公司在方法论上追求的是端到端的提升，同时也关注不同方法论的有效融合。
发言人 问：对于你们公司而言，是否关注在提升端到端的效果上，以及在发现显著提升时会探究其背后逻辑或经济学意义？
未知发言人 答：是的，我们确实关注那些端到端的提升，并在发现信号入库有明显提升时会去寻找其背后原因，看是否有一些被忽视或未充分利用的逻辑和经济学意义。
发言人 问：在持续大模型的参数量扩大时，是否会撞到数据天花板，以及sculling law在金融领域的瓶颈问题？
发言人 答：根据我们的实验，即使在3000到8参数量上取得提升，但中国金融数据总量庞大，超过几十个T级别，目前还未遇到数据量的瓶颈。我们会通过合成不同品种、分钟段混频训练等方式增加数据量，同时算力模型和算法都有同步扩大的机会。
未知发言人 问：因子模型是否会成为未来股票市场上的决定性因素？
未知发言人 答：因子模型对于提升超额收益可能比3层脑端模型训练更显著，但两者都有提升机会。因子的质量高，对于超额提升的帮助可能更为显著。
未知发言人 问：Coc阿尔法底层是否纳入了遗传算法？
发言人 答：我们使用海外头部模型，并设计了一个进化环境，其中包含了类似遗传算法的哈尼leering技术，让智能体在这种环境中不断进化和优化。
未知发言人 问：包克阿尔法的technologe覆盖了多个层级，当宏观信号和微观信号出现冲突时，如何处理？
发言人 答：我们并没有严格区分宏观或微观信号，而是提供一个基础框架供智能体探索。合格因子信号是在进化过程中通过一系列指标筛选出来的，不一定是宏观还是微观信号，而是根据信号强弱来判断。
未知发言人 问：使用LLMM模型将财报会议纪要转化为可量化信号的效果如何？
发言人 答：如果该模型效果不佳，可能是因为模型能力、数据质量和文本本身的逻辑性等因素。目前并未将财报通过LM转化为因子信号，但下半年会发布相关研究成果，自动过滤噪音并挖掘有用信息。
未知发言人 问：全自动投资意见的决策边界在哪里？能否自主清仓、调杠杆？
发言人 答：在合规框架下，允许智能体有一定的自主权，但目前仍处于探索阶段，实现全agent自主决策还需一段时间和更多数据积累来强化学习。
未知发言人 问：AI挖掘出的因子与传统人工因子的相关性是互补关系还是竞争关系？
未知发言人 答：AI挖掘的因子与传统人工因子可能是互补关系，AI生成的信号速度快且多样，能提升超额收益，但需要严格的入库标准进行启发式搜索。
发言人 问：如何清洗数据以构建高质量的数据集？
发言人 答：清洗数据是一项大型工程，高质量数据非常重要。可以购买精品因子数据作为输入，通过模型训练降噪。投资端到端IT的作用取决于如何定义“端”，目前大模型在端到端决策方面还未完全取代人类，但该方向正在被积极探索。
数据文件，请登录您的会员账号进行下载！
1、本站部分资源源自互联网，如内容存在侵权行为或未标明出处的情况，您可通过邮箱 meiritouyan@qq.com 与我们联系，我们将尽快进行处理。
2、如遇本站资源无法下载、无法查看，请及时联系我们，我们将第一时间修复。
