近年来，随着人工智能（AI）技术的飞速发展，量化投资领域正迎来新一轮深刻变革。AI技术的快速迭代，特别是生成式AI模型的兴起，颠覆了传统数据处理方式，促使基金公司加速探索AI的深度应用。在海量且复杂的金融市场数据面前，算力资源分配与稳定性逐渐成为了AI量化模型的制胜关键。

然而，尽管AI技术在量化投资领域展现出巨大潜力，但模型的“黑盒”特性及其可解释性不足仍是业界面临的主要挑战。多家机构强调，提升模型的透明度与可解释性是AI模型在金融领域发挥实效的前提。

量化投资迈入AI新时代

AI技术的飞速发展已深刻改变了量化投资领域，特别是生成式AI模型的应用，使得数据应用场景发生了巨大变化，传统因子模式受到强烈冲击，众多基金公司开始积极探索AI的深度应用。路博迈基金副总经理、CIO兼基金经理魏晓雪在接受采访时指出，量化投资已历经三个阶段：量化1.0是基于基本统计方法的简单选股策略；量化2.0则是多因子模型阶段，通过捕捉线性信息提高准确性与稳定性；而量化3.0则是AI结合高频交易，利用机器学习算法识别和捕捉非线性的股票高频特征。

随着Deepseek的落地，路博迈的量化3.5模型也应运而生，其选股频率为周度调整，展现出AI量化效率的重要提升。相较于传统模型通常采用的月度调整机制，量化3.5通过更高频次的动态调整，更有效地捕捉短期市场机会，展现出更强的灵活性和适应性。

浙商基金也表示，随着LLM模型的不断优化，量化可利用的文本数据呈指数级增加。未来，AI量化投资方法的变化值得期待。浙商基金通过内部智能投研系统Lucy，使得AI模型的辅助几乎渗透到所有公司在管产品中。

算力：AI量化投资的基石

AI技术在量化投资中的运用与金融市场数据的爆炸式增长密切相关。魏晓雪认为，传统数据处理主要依赖结构化数据，但随着信息技术的飞速发展，非结构化数据的涌现给投资分析带来了巨大挑战。AI技术，特别是自然语言处理和图像识别技术，能够高效地处理这些海量多维度数据，挖掘出传统方法难以捕捉的信息。

路博迈集团量化策略的管理规模已接近百亿美元，算力成为支持策略运行的关键。银河基金对DeepSeek-R1的观察也证明了算力的重要性。面对大规模用户需求时，算力资源的分配与系统稳定性成为制约AI模型发展的关键因素。

针对国产大模型面临的算力稳定性问题，银河基金的基金经理郑巍山指出，算力层主要分为AI算力芯片、AI服务器和AI组网三个方面。其中，AI算力芯片是核心，需求有望率先扩张；AI服务器是算力的重要载体，市场需求将伴随芯片发展而扩张；AI组网则用来支持超大参数的大模型训练。

AI量化需突破“黑盒”困境

尽管AI技术为量化投资带来了诸多突破，但多家机构认为，现阶段模型的可解释性较弱，制约了其在金融领域的深入应用。浙商基金指出，当前AI模型仍通过堆砌大量数据和构造复杂模型输出结果，可解释性不高，可能存在过拟合问题。生成式模型的应用虽提高了可解释性，但也带来了可追溯性降低的问题。

未来，AI量化投资的发展方向应当是多模态的生成式模型为主，同时需要约束生成式模型的发散能力，提升历史先验知识的占比，加强与人类智慧的合作，让AI模型真正读懂投资领域的需求。

沪上一位公募研究人士指出，尽管AI技术在量化投资中的应用提供了许多创新途径，但也存在局限性。金融市场数据的噪声和非平稳性可能导致AI模型过度拟合历史数据中的异常情况，降低预测可靠性。此外，模型所假设的理想市场条件与现实交易环境存在差距，频繁交易可能带来交易成本、滑点及流动性风险。

（文章来源：证券时报网）