12月9日下午，“数科赋能，世经领航：学科融合讲座系列”委员会有幸邀请到具有丰富海内外量化从业经验的张亮亮老师，为同学们带来了一场关于“人工智能与大数据在量化投资中的应用及前景”的深度分享。

作为从数学背景转型金融业界，历经卖方量化到买方实战的资深从业者，张老师结合自身经历，详细拆解了人工智能如何重塑量化投资的全流程，并展望了资产定价理论与机器学习融合的未来趋势。

量化投资的演进：从经验驱动到数据驱动

张老师首先回顾了量化投资的发展史，将其划分为几个关键阶段：

· 起源： 以 Markowitz 的均值方差模型为代表，聚焦资产配置和风险分散。

· 90年代（神仙打架）： 物理学家、数学家涌入，多因子框架（如三因子模型）和统计套利兴起，主动量化管理开始发展。

· 2000年后： 硬件技术发展催生了程序化交易和高频算法交易。

· 2010年后（AI融合）： 机器学习模型逐渐融入，量化投资从“经验驱动”向“数据驱动”转型 。

张老师指出，AI模型的引入带来了质的飞跃：它能够处理海量数据，利用非线性模型（如深度学习）逼近市场的非线性特征，并实现端到端的交易自动化。

多元数据的获取与处理：构建全息信息集

数据是量化投资的“燃料”。除了传统的结构化数据（量价、财务），张老师重点介绍了非结构化数据的应用：

· 另类数据： 卫星图像（如停车场车流、港口集装箱）、新闻舆情、语音文本（财报电话会、高管语调）等。

· 知识图谱： 利用图神经网络构建产业链上下游及公司间的隐性关联，这对于捕捉传导效应至关重要。

张老师还提到了数据预处理的关键步骤：

· 清洗与标准化： 处理缺失值和异常值，使用Z-score或Rank（排序）方法统一量纲，防止因数值差异导致模型梯度计算偏差。

· 降维：面对高维数据，使用PCA或 Autoencoder（自编码器）防止过拟合。

因子挖掘与预测模型：AI的深层渗透

在因子挖掘与收益预测环节，张老师详细解析了AI在此领域所展现的强大能力。

首先，在智能特征工程方面，传统方法依赖于经济逻辑来构建因子，而如今借助遗传算法、神经网络等工具，机器能够自动从市场中挖掘出统计因子或非线性因子。同时，重要性评估方法也得到了更新——通过XGBoost等树模型可以输出因子的重要性排序，从而替代了过去单一的信息系数评估方式。

其次，预测模型经历范式转变。市场本身是一个复杂的非线性系统，传统线性回归在应对高阶交互项时极为吃力，而神经网络（根据 Universal Approximation Theorem）理论上能够逼近任何非线性函数，为建模提供了更强有力的工具。在模型选择上，主要分为两种思路：一是截面预测，侧重于分析相对价值，即探究为何股票A比股票B表现更优；二是时序预测，关注绝对价值，利用LSTM、Transformer等架构来捕捉时间序列中的长期依赖关系与注意力机制。

不过张老师也指出，实战中仍面临显著挑战。市场的分布是时变的，且“历史只有一条路径”，这使得训练一个完美的定价函数极具挑战性。

投资组合优化与交易执行

在投资组合优化与交易执行方面，张老师进行了深入剖析。首先是组合优化环节。尽管均值方差模型作为经典理论广为人知，但在实战应用中，其稳定性往往不及简单的等权模型，且容易出现极端权重配置的问题。为此，业界提出了多种改进方案，例如引入贝叶斯方法（如Black-Litterman模型）以提升模型的稳定性，或设置严格的约束条件，如行业中性、控制风格偏离以及对个股权重设置上限等。此外，前沿探索方向之一是运用强化学习，该方法非常适合解决多期动态规划问题，尽管目前在业界的成功案例尚不多见，但其处理市场反馈和长期回报的能力极具潜力。

其次是智能执行方面。在算法交易中，利用 AI 进行智能拆单，降低市场冲击成本；利用高频快照数据（Snapshot）分析订单簿，优化成交价格。

未来趋势：资产定价理论与机器学习的融合

最后，张老师对2018年至2025年的研究趋势进行了梳理，提出了几个令人兴奋的方向：

第一，理论与数据的结合。 类似于物理学中的 PINN（物理信息神经网络），未来的方向是将资产定价理论（因果逻辑）嵌入到机器学习模型中，实现“人机结合”。

第二，多模态融合。结合结构化与非结构化数据，利用大模型处理复杂信息。

第三，跨资产联动。利用大模型捕捉股票、债券、大宗商品、外汇之间的隐形联动和传导机制。

提问环节

Q1：模型大概多久需要更新一次？

张老师： 从研究层面看，更新是每天都在发生的，源于对新技术的追求和对亏损的恐惧。但在实盘层面，更新模型需要经过严谨的回测和较长时间的实盘跟踪（数月甚至半年），确认新模型优于旧模型后才会替换。这是一个谨慎且耗时的过程。

Q2：截面信号（选股）和时序信号（择时）应该如何结合？

张老师： 简单加权是一个起点，但未必最优。更高级的方法是构建一个融合网络：利用 LSTM/Transformer 提取时序特征，利用图神经网络（GNN）或截面回归提取截面特征，将两者并行输入网络进行联合训练，即“面板数据”的处理思路。

Q3：如何利用大模型做跨市场的宏观分配？

张老师： 这是一个非常前沿且有难度的方向。大模型能够处理海量信息，这是人脑无法比拟的。虽然目前尚未有成熟的定式，但利用大模型去理解复杂的跨资产传导机制（如股债跷跷板、商品与股票的联动）是绝对值得探索的未来方向。

量化投资的本质是在不确定性中寻找确定性。从早期的线性模型到如今的深度学习与大模型，工具在变，但对市场规律的探索永无止境。正如张亮亮老师所言，在这个领域，我们需要拥抱 AI，但也需要保持对金融逻辑的敬畏，探索“数据驱动”与“理论驱动”的完美平衡。