跳转至

AI 量化 vs 传统量化

最后更新：2026-04-23

2023 以来"AI 量化基金"成为热词，但大多数真实头部量化机构用 AI 的方式不是让 LLM 自动下单，而是用 LLM 辅助研究员生成 alpha 因子。本文澄清这个区别，梳理真实玩家做法。

一句话结论

"AI 量化"作为独立品类很可能不存在——要么是现有对冲基金用 AI 做 alpha 工具，要么是 AI 工具厂服务所有基金。真正赚钱的是后者（卖铲子），不是前者（挖金）。

三条关键要点

  1. LLM 在量化里的主要作用是"非结构化数据 → 结构化因子"，不是"做交易决策"
  2. 头部量化机构（Renaissance / Two Sigma / Bridgewater）都深度使用但不对外披露细节
  3. 延迟 + 可解释性两大障碍：LLM 100ms+ 延迟不适合高频；黑箱难通过监管审查

传统量化 vs AI 量化的真实区别

传统量化（2020 前）

  • 因子来源：数学推导 + 统计回归（价值 / 动量 / 低波 / 规模等）
  • 数据：主要结构化数据（价格、成交量、财报数字）
  • 决策：规则引擎 + 优化器
  • 代表：Renaissance、AQR、Two Sigma、DE Shaw

AI 辅助量化（2020 后）

  • 因子来源：传统因子 + LLM 从非结构化数据（财报文本、供应链、新闻、专利、卫星图、招聘）生成的因子
  • 决策：仍然是规则 + 优化，只是因子库更丰富
  • 代表：传统巨头 + 早期 AI 量化初创（多数已被吸收或失败）

"AI 量化" 误解

很多媒体说的"AI 量化"指"LLM 自动做交易决策"——这几乎不存在于严肃机构。原因： 1. 延迟：LLM 100-500ms，高频根本不适用 2. 可解释性：监管要求交易决策可溯源 3. 稳定性：LLM 生成的"策略"难以回测验证 4. 风险管理：基金风控团队不会让黑箱决策大头寸

真实做法：LLM 辅助因子生成

文本因子

  • 从财报 / 电话会 / 新闻里提取情绪、主题、风险词
  • 例：用 LLM 分析 10-K 的 Risk Factors 段落，生成"风险趋紧"因子
  • 回测显示与后续回撤负相关

供应链因子

  • 从 Bill of Lading 数据 + 新闻 + 海关数据追踪全球供应链
  • LLM 做实体识别 + 关系抽取

招聘 / 人才流动因子

  • LinkedIn / 招聘网站数据 → LLM 做技术栈识别
  • 例：追踪某公司 AI 工程师招聘数量 → AI 投入代理指标

卫星 + 图像因子

  • 零售停车场车流 / 矿山产出 / 集装箱吞吐
  • LLM 做图像理解和事件提取

专利因子

  • LLM 做专利技术分类、引用网络分析
  • 例：某公司专利从 A 领域迁移到 B 领域 → 业务转型信号

头部机构的公开做法

Renaissance Technologies

  • 不公开任何细节（机构文化要求）
  • 2022-2024 年多位员工离职创业（RTS Alumni network）
  • 推测：LLM 用于文本因子 + 数据清洗

Bridgewater Associates

  • Ray Dalio 2023 起公开谈"AI 对投研的改造"
  • 2024 年推出 "Athena" 内部研究助手（基于 LLM）
  • 主要是研究员 productivity 工具，不是交易机器人

Two Sigma

  • 工程师文化重，多年投入 ML 研究
  • 2023-2024 年公开招聘 "LLM Researcher" 岗位
  • 推测：文本因子 + 大规模 backtesting 工程

Millennium / Citadel

  • Pod 结构下每个 pod 可以有不同做法
  • 整体：LLM 作为"分析师杠杆"（一个研究员做 3-5 倍工作）

用 7 Powers 看 AI 量化的护城河

（参考 7 Powers 框架）

顶级量化基金的 Power（AI 时代前就有的）： - Cornered Resource：顶级数学家 / 物理学家团队 - Process Power：风控 + 执行 + 数据基础设施 - Scale Economies：管理规模越大，单位成本越低

AI 带来的新 Power（有限）： - 时间窗口短（模型能力扩散快） - 不构成长期新 moat

结论：AI 让现有巨头更强，不产生新一代"AI 原生量化基金"——这与"AI 会颠覆金融"的叙事相反。

面向散户的"AI 量化" 工具

另一个赛道：面向非机构散户的工具 - Composer：AI 生成策略 + 回测 - TradeAlgo / Cerebrium AI - 中国：聚宽 / 优矿等传统量化社区升级 AI 功能

这些是"AI 工具"，不是"AI 基金"，商业模式是 SaaS 而非管理费。

用基准率看"AI 量化基金"会不会出现

（参考 基准率与预期投资）

历史上新量化基金从诞生到规模超过 \(1B AUM 平均需要 5-10 年。2020 前后成立的一批"AI 量化"公司： - 大多数**规模 <\)100M 或已关停** - 真正规模化的案例接近 0

意味着："AI 量化基金" 作为品类在过去 5 年基准率接近零。期待 2026-2030 突然涌现一批大赢家不现实。

2026 关键变量

  1. 某家头部基金公开披露 AI 因子的 alpha 贡献超过 X%：会改变叙事
  2. Renaissance / Two Sigma 是否招聘 LLM researcher 规模扩大
  3. 监管对 AI 交易决策的态度：如果禁止黑箱决策，LLM 只能留在"辅助"角色
  4. LLM 推理延迟是否能降到 <10ms：如果能，高频场景开启

延伸阅读