近日，IDEA 研究院执行院长、AI 金融与深度学习首席科学家郭健博士受邀在 2023 世界人工智能大会（WAIC 2023）发表演讲，解析以下一代 AI 技术驱动的量化投资新范式 Quant4.0，提出了量化投资面临的十大技术问题，并通过对 IDEA 研究院在这一新型交叉领域研发的成果介绍，展望了行业发展的新机遇和新挑战。

郭健在 WAIC 2023 论坛作主题演讲

Quant发展史：小作坊-流水线-深度学习

1978 年，数学家詹姆斯·西蒙斯（James Simons）离开纽约州立大学数学系，进入对冲基金领域。在此后的数十载间，他打造出一个由数学与计算机技术驱动的资产管理帝国，成为与巴菲特、索罗斯齐名的顶级投资家。更重要的是，西蒙斯在产业界开创了量化投资流派，让自动化程序取代人，变成交易的决策和操作者。

量化投资的发展经历了 Quant1.0 至 Quant3.0 的时代，而科研突破与技术创新一直是模式变迁背后的第一推动力。

Quant1.0 又称“精英小作坊”。由一群哈佛、MIT 等名校毕业生组成小型团队，用当时最前沿的数学模型和计算机技术寻找金融市场的无效定价。然而，这种模式极度依赖个别“天才”的存在，一旦灵魂人物离队或决策失误，则可能导致整个公司的衰败。

进入 21 世纪，以 WorldQuant 为代表的 Quant2.0 模式出现，量化投资进入流水线大生产的时代。大量策略研究员在标准化平台上挖掘金融信号，再由众多量化基金经理融合成投资策略。然而，Quant2.0 正在面临边际收益递减的瓶颈，其业绩收入增速无法赶不上投研人力成本的增速。

近年来，随着 AI 技术的成熟，以深度学习为主要数学工具的 Quant3.0 逐渐普及。得益于深度学习模型天然的端到端训练能力，Quant3.0 不再只依靠“人海战术”所积累的“强因子”，而更多地通过从相对容易挖掘的“弱因子”中训练出“强模型”来寻求新 alpha 收益。

Quant4.0 突破瓶颈：自动化 AI、可解释 AI、知识驱动 AI

从 1.0 的小作坊，到 2.0 的流水线，再到 3.0 的机器学习，量化投资技术无疑在更高层次的全面人工智能道路上一路狂奔。然而，Quant3.0 所依赖的深度学习，仍有三个瓶颈亟待突破。

郭健在 WAIC 2023 论坛上阐述 Quant4.0 理念

首先，深度学习手工建模耗时耗力，一个亿级参数深度学习模型往往需要大量的设计和调参工作。虽然深度学习科学家取代了大量的金融因子研究员，但成本依旧居高不下。其次，深度学习模型是个巨大的黑箱，只能看到输入什么、输出什么，却无法得知其内在的过程与逻辑，对于风险和合规非常敏感的金融行业来说，这是难以接受的。最后，以深度学习为代表的数据驱动型 AI，必须依赖海量数据才能训练好模型，这就将 AI 的应用局限在中高频投资这块容量较小的市场内，面对巨大的价值投资、宏观对冲等市场只能望洋兴叹。

因此，IDEA 研究院提出 Quant4.0 新范式，提出自动化 AI、可解释 AI 与知识驱动 AI 三大核心要素，推动下一代 AI 技术更深入地赋能金融投资。

IDEA 提出的下一代量化投资技术面临的十大难题

自动化 AI 的目标，是用 AI 自动建模取代传统手工数学建模， 让“算法生产算法、模型构建模型”，以至于到未来的“AI 创造 AI”。IDEA 研究院研发从数据预处理、大规模金融特征工程、AutoML 深度学习建模、投资组合管理、订单优化执行、风险归因分析，到模型部署优化的全流程自动化投资研究系统与技术平台，为自动化 AI 投资奠定技术基础。

Quant4.0 范式下的典型系统架构

可解释 AI 寻求解决深度学习黑盒问题，力求能准确刻画隐藏在模型背后的复杂因果关系和各种非线性风险。IDEA 研究院的可解释 AI 金融系统，支持大规模金融信号重要性分析、敏感性分析、鲁棒性分析、相关性分析、隐性风险暴露分析、突发事件压力分析、市场风格分析等多维度多周期自动分析，让投资收益和风险的来源、去向都更加透明。此外，IDEA 正在研发金融市场高精度模拟系统，用 AI 技术仿真现实市场中潜在极端行情，提升金融模型压力测试的科学性。

基于可解释 AI 技术的量化金融风险管理系统

作为以深度学习为代表的数据驱动 AI 的重要补充，知识驱动 AI 不仅是通用人工智能的重要发展方向，也是将 Quant 从中高频投资拓展到价值投资、甚至 VC/PE 等低频投资的重要技术手段。正所谓“数据不够、知识来凑”，IDEA 研究院正在研发大规模金融知识与金融事件推理技术，逐步实现基于金融行为的 AI 自动逻辑推理与投资决策，希望有一天能够实现巴菲特一样的“AI 价值投资大师”。

郭健指出，IDEA 金融研究将持续推动技术与产业的深度融合，让金融与投资更精准、更迅捷、更安全。