📰 研报摘要
查看全文 ➔摘要： 本次会议由 GIM 联合创始人徐佳浩主讲，探讨了 AGI 时代下资产管理行业从“智力密集型”向“算力密集型”的范式转变，重点分享了通过端到端金融预测大模型与“Cog Alpha”多智能体推理框架重塑量化投资信号挖掘的技术路径。
核心观点：
- 投资范式重构：AI 正从投研辅助工具演进为决策参与者甚至主体，量化投资与基本面投资的界限将因大模型的语义理解与推理能力而变得模糊。
- 技术路径升级：主张采用“代码生成路线”替代传统的表达式搜索，利用多智能体框架进行启发式搜索，以提高信号挖掘的效率与可解释性。
- 市场检验标准：认为金融市场是检验模型智力的最终标准，大模型的竞争战场将从学术打榜转向实际的超额收益（Alpha）挖掘。
论据支撑：
- 模型实证：端到端金融预测模型在参数量从 3000 万提升至 8B 的过程中，表现出明显的 Scaling Law 效应。
- 框架认可：Cog Alpha 多智能体推理框架在 ACL 等顶会获得高分，且在信号产出速率和质量上显著优于传统的机器学习和深度学习因子库。
局限性/风险：
- 工业化差距：全自动投资 Agent 目前仍处于探索早期，在仓位调整、风控及合规自主权方面与工业级应用仍有差距。
- 数据依赖：高质量金融数据的清洗与获取依然是提升模型表现的核心瓶颈。