人工智能100：AI量化的过去、现在与未来
　　本文是华泰人工智能系列的第100篇研究报告。过往的八年半里，我们亲历了量化投资行业的这场深刻变革：技术路径上，从早期的机器学习，演进到深度学习，再到如今以大语言模型为代表的新范式。应用场景上，从早期的因子合成，拓展至因子挖掘与端到端建模，进而渗透到组合优化、行业轮动、资产配置、流程管理等投资的各个环节。行业认知上，从最初的质疑与观望，逐渐转向接纳与尝试，直至今日的全面拥抱。第100篇研究，既是对过往足迹的回顾，也是对未来征途的眺望。
　　AI量价端到端策略的演进
　　在量价研究普遍内卷的当下，端到端建模不仅是效率的提升，亦是一种回归原始数据的研究范式。我们已实现从日频、周频等低频数据到逐笔成交、level2高频数据的全面覆盖，通过引入GRU及Transformer等架构，模型得以直接在原始数据空间中学习量价数据间的内在联系。展望未来，全频段融合或是关键，未来的端到端模型或将致力于打破时间尺度与数据形态的边界，一方面通过对比学习等技术实现多频段信息的有效融合，另一方面引入文本等多模态信息，使模型从多维信息中主动识别市场状态迁移。
　　AI模型的山外山与因子挖掘的分岔路口
　　对于AI模型而言，从广义线性模型到Transformer，我们已在传统架构中探索良久。面对模型同质化与环境漂移的挑战，未来的破局点或将在于引入先验知识与上下文感知能力，以及探索时序大模型与金融领域原生大模型的可能性。我们不仅追求预测精度，更追求模型在非平稳市场中的泛化与生存能力。对于因子挖掘，传统的遗传规划往往陷入盲目搜索的困境，而LLM的引入让因子挖掘具备了语义理解能力。未来的挖掘可能是认知型的，即利用大模型等工具在稀疏Alpha丛林中高效导航，从单一因子的发现转向因子协同与动态生命周期管理，并不执着于追求复杂公式，而是逻辑的稳健与可控。
　　AI量化的新世界：AI+组合优化与AI+宏观量化
　　与此同时，AI的应用疆域正在向策略后端与宏观顶层不断延展，开辟出全新的增量世界。AI+组合优化致力于填平预测与交易之间的鸿沟，PortfolioNet系列研究已初步实现了从收益预测到组合决策的端到端打通。未来，随着GPU并行加速技术与强化学习的结合，组合优化或将进化为能够实时响应市场变化、动态调整风险约束的智能决策系统。AI宏观量化正在经历从“解读数据”到“理解叙事”的范式转移。借助大语言模型，我们得以从海量新闻舆情中提炼宏观叙事与情绪因子，捕捉传统数据滞后的市场规律。未来，基于多智能体框架的复杂系统建模，或能让我们能够跳出线性外推的局限，在微观个体的交互涌现中预演宏观市场的起伏变化。
　　AI量化策略跟踪
　　我们对AI量化的一系列探索并非纸上谈兵，而是持续跟踪并迭代了一系列标杆策略。AI全频段量价模型自2017年以来年化超额收益显著，在样本外持续展现出对中证1000指数的稳健增强效果。Master因子与Portfolio Net2.0通过精细化的结构设计与风格控制，既可兼顾Pure Alpha，也有机会捕获风格收益。舆情分诊台与LLM-FADT将大模型对文本的深度理解转化为交易信号，在文本另类数据相关策略中表现优异。
　　风险提示：通过人工智能模型构建选股策略是历史经验的总结，若市场规律改变，存在失效的可能；人工智能模型可解释程度较低，归因较困难，使用须谨慎；大模型是海量数据训练获得的产物，输出准确性可能存在风险。