倍漾量化创始人冯霁：大模型重构量化投研整条生产线



    

　　7月12日，第四届中国量化投资白皮书研讨会暨园游会举办，倍漾量化创始人冯霁出席会议，并发表“大模型时代的量化投资”主题演讲。

　　他表示，今天面向同行就说点“干货”。倍漾量化主打高换手，成立第一天就用“AI 原生”思路做资管——像搭 AI 科技公司那样搭投研系统。当年大家质疑“机器学习能炒股吗？”现在已无人再问。

　　先补一点理论，机器学习的核心只有一句话：在训练集上学到的函数，如何在没见过的数据上依旧有效？这就是泛化。80 年代图灵奖得主 Valiant 给出的 PAC 学习框架把它形式化：只要算法能以大概率保证误差有界，我们就敢把模型搬到实盘。

　　那金融市场能不能学？ 市场非有效，除当前价格外还有信息可被利用； 时序分布会漂移，但高频数据漂移最慢——分钟级、tick 级几乎满足独立同分布；样本量极大：沪深交易所一天 3 亿笔，千日就是 3，000 亿点。冯霁指出：在高频领域，机器学习不仅可学，而且只会“欠拟合”，不会“过拟合”。

　　再说“黑盒不可交易”的误解。可解释有两条路：用白盒逼近黑盒，再把可解释部分全部扣掉，剩下的才是真 Alpha——Barra 框架早就在做，我们把它搬到高频维度；不解释模型，只监控统计量。就像你敢坐高铁是因为事故概率极低，而不是司机随时向你解释操作。只要监控指标稳定，就能上实盘。

　　大模型来了，游戏规则重写。NLP 以前是分词→词性→特征→模型→评估的流水线，现在三步完成：预训练→监督微调→强化学习。量化投研也会走同一条路——不是修修补补，而是整条生产线重构。

　　倍漾已经把团队拆成两块：机器学习组——负责“准”；高性能计算组——负责“快”。没有“因子岗”，所有人围绕一个统一底座迭代。

　　为什么短周期最先被 AI 攻下？ 无效性多，信号足；分布稳，可学习；非线性模式丰富，人工难刻画。周期越短，AI 垄断性越强；周期越长，难度指数级上升。

　　AI 投研系统还有一大优势：升级可规划。传统投研靠灵感，我们像软件工程一样排期：GPT-2 出来就能预见 GPT-4 长什么样。倍漾内部研发排期已排到三个月后，国庆前哪些能力会提升多少，现在就能写下 OKR。

　　备注：本文由AI辅助，根据直播速记整理而来，未经本人确认，基金有风险，投资需谨慎！