先说说我为什么想写这个话题吧。

前阵子翻了几篇2025年的学术综述，发现一个现象挺有意思：AI在量化这块，已经悄悄走了三个阶段。

我自己最早接触量化的时候，还在手撸双均线、MACD这些传统指标。后来开始试LSTM、Transformer，再到现在满屏的大模型、AI Agent……

说实话，变化确实快。这篇文章就当是个人的一个梳理，不贴代码，只聊思路。如果你也在研究这个方向，欢迎看完一起交流。

第一阶段：传统机器学习——人教机器怎么学

这个阶段大概是2010到2018年左右。

核心思路很简单：人来设计特征，机器来学关系。

什么叫“特征”？就是你觉得可能有用的指标：均线、RSI、换手率、市盈率……这些算好后喂给模型（比如随机森林、XGBoost），让它自己去学这些特征和涨跌之间有没有关系。

优点是样本量不大时也能用，而且结果相对好解释——你知道模型是看了哪些指标做出的判断。

缺点也很明显：特征全靠人来设计，你想到什么它就学什么，你想不到的它就永远学不到。

第二阶段：深度学习——机器自己学怎么看数据

大约2018到2023年，深度学习开始在量化里普及。

这个阶段最大的变化是：模型可以自己从原始数据里“挖”特征了。

比如LSTM，它天生适合处理时间序列——股价走势、成交量变化这些，它能自动捕捉长期依赖关系。再比如CNN，本来是用来做图像识别的，后来有人发现：把时序数据转成“图像”，CNN也能识别出一些价格形态。

一个例子：传统方法你要手工计算“金叉死叉”，深度学习模型可能自己就学会了类似的模式，甚至发现一些人类注意不到的规律。

缺点是模型变成了“黑箱”——你知道它有效，但不知道为什么有效。

第三阶段：大语言模型+AI Agent——机器开始“理解”和“行动”

这是当前最热的方向，2023年到现在。

LLM在量化里能干什么？

以前量化主要靠结构化数据：价格、成交量、财务指标。但财报里的文字、新闻的情绪、研报的观点——这些非结构化数据，传统模型处理不了。

LLM可以。它能读财报、抓新闻、理解管理层是在说好话还是说坏话，然后把这些“软信息”变成可用的信号。

AI Agent又是什么？

你可以把它想象成一个“会自己干活的量化研究员”。

你给它一个任务，比如“找出A股最近一个月动量最强的三个行业”，它会自己去：拉数据 → 算指标 → 分组回测 → 输出结果。甚至有些更激进的Agent，可以直接执行交易。

说实话，这块还在早期，但方向很明确：从“人写代码”变成“人下指令，AI干活”。

三个绕不开的坑

不管技术怎么变，量化里的坑一直都在。我自己也踩过不少。

坑一：过拟合

AI模型参数多、灵活性强，很容易学到“噪音”而不是“规律”。回测曲线漂漂亮亮，实盘一跑就根本不是那么一回事。

坑二：解释不了

深度学和LLM都是黑箱。模型说“买入”，但你问它为什么，它说不出来。而且这在风控和合规上都是问题。

坑三：规律会变

金融数据不是静止的。今天有效的规律，明天可能就没了。模型需要持续重训，不能一劳永逸。

最后说两句

AI确实在改变量化，但它不是“万能药”。

从个人的经验看，技术是工具，不是答案。用得好，它可以帮你发现以前发现不了的东西；用不好，它只会让你更快地犯错。

这篇文章就写到这儿。如果你也在研究AI+量化，欢迎评论区聊聊——你试过哪些模型？踩过哪些坑？