LLM 如何赋能量化投资 - 华泰证券金融工程团队演讲纪要

摘要： 本次演讲由华泰证券金融工程团队主讲，探讨了大语言模型（LLM）在量化投资全流程中的深度应用，旨在通过先进生产力替代经验主义，利用 AI 技术重塑投资行业。

核心观点：
LLM 能够通过多智能体协作、多模态分析和深度文本解读，在因子挖掘、技术分析和文本选股三个维度显著提升量化投资的效率和超额收益。

论据支撑：

1. 因子挖掘（GPT 因子工厂）：构建由 Factor GPT（构建因子）、Code GPT（转化为代码）和 Eval GPT（回测评估）组成的闭环智能体系统，实现量价、基本面及高频因子的自动化挖掘。实验表明 LLM 产出的因子多样性较高且相关性较低。
2. 技术分析：利用多模态 CoT（思维链）技术，使 LLM 具备类人地在 K 线图上进行形态识别、区间标注的能力，并能自动生成专业的技术分析报告。
3. 文本选股（FADT 策略）：通过 LLM 挖掘分析师报告中的“言外之意”、行情催化剂及潜在风险，将解读后的信息向量化并输入模型，使年化超额收益率从 8.69% 提升至 10.10%。
4. 工程加速：通过 NVIDIA TensorRT 和 NeMo 框架优化，将因子挖掘的流程效率提升了 6.7 倍。

局限性/风险：

1. 过拟合风险：LLM 挖掘的因子可能仅是捕获了历史数据的特定规律，存在过拟合风险，未来效果可能打折扣。
2. 资源依赖：大规模文本处理和因子回测对计算资源（GPU）有较高依赖。