北大经济学院“金工首席谈”系列讲座第30讲 | 沈洋：大语言模型与量化投资
北大经济学院“金工首席谈”系列讲座第30讲 | 沈洋：大语言模型与量化投资
2025年3月5日，北京大学经济学院和北京大学金融工程实验室在经济学院107会议室联合举办了“金工首席谈”系列讲座第30讲。华泰证券研究所金融工程研究员沈洋先生应邀作"大语言模型与量化投资"专题报告，北京大学金融工程实验室执行主任黎新平博士主持活动，50余名师生参与研讨。
沈洋作专题报告
沈洋从大模型技术对量化投资范式的重构切入，提出"资产为靶，量化为弓，大模型为矢"的创新理念。他指出，尽管学术界已涌现数字货币交易智能体、文本数据驱动的资产定价等突破性成果，但产业界对大模型的应用仍处于探索阶段。作为国内最早系统布局大模型应用的机构，华泰证券已构建起包含GPT因子工厂、大模型辅助编程等在内的完整技术体系，在金融工程领域形成先发优势。
在技术演进的过程中，沈洋深入分析了语言模型从ELIZA到ChatGPT的跨越式发展，并系统梳理了这一过程中的关键技术突破。他详细解析了Transformer架构如何通过自注意力机制突破传统概率模型的局限，并对比了当前主流的三种架构——仅解码器型、编码器-解码器型和仅编码器型——的技术特征。大语言模型在应用中展现出诸如幻觉、涌现、领悟等现象，并且与scaling law的关系日益受到关注。在此背景下，基于推理技术的新突破——DeepSeek的问世，为低成本高性能的语言模型开辟了新局面。DeepSeek不仅在性能上超越了传统模型的限制，还在处理复杂问题时展现出更高的准确度，尤其是在思考深度逐步增加的情况下，其解答能力持续提升，突破了传统的scaling law限制，推动了大语言模型技术的进一步发展。
沈洋进一步介绍了大语言模型的应用技术。他首先谈及提示工程技术，从简单到复杂包括零样本提示、少样本提示、思维链、思维树、ReAct框架、自我反思等。沈洋以“提示工程之王”李继刚和Codeium为例，讲解了提示工程技术的高级应用。他还介绍了微调技术，具体包括LoRA（新增LoRA层保持大模型的灵活多变）。此外，沈洋阐释了智能体架构技术，大模型本身的能力稍显单薄，因此有必要使用智能体作为大模型的盔甲从而实现更丰富的功能。他指出，在此基础上，出现了多智能体技术，使不同智能体完成不同角色并相互分工，提升问题解决能力。沈洋还介绍了RAG技术，在大模型生成内容时，先在外部知识库中检索相关信息，再根据相关信息生成回答。
在技术应用实践环节，沈洋重点展示了华泰证券的前沿探索成果。其自主研发的GPT因子工厂通过三大智能体协同工作机制实现突破性创新：Factor GPT基于深度强化学习生成因子数学表达式，Code GPT自动转化为可执行的量化代码，Eval GPT则针对回测结果进行高效评估。三者的闭环迭代使因子挖掘效率产生质的飞跃，实验室数据显示，该系统单日可生成逾200个有效因子，不仅覆盖传统量价维度，更延伸至基本面分析、高频交易等复杂领域。尤为值得注意的是，该系统在保持算法生成高效性的同时，通过可视化归因分析模块实现了接近人工挖掘的因子可解释性。
沈洋深入介绍了大模型在投研领域的广泛应用。从终极视角看，大模型能够捕捉不同资产的共性规律，并灵活地加以应用。在华泰的实践中，大模型的应用主要分为两类：一类是工具型应用，诸如GPT驱动的“如海”代码复现系统，能够根据研报自动生成代码；DeepSeek则可自动生成文字报告；此外，还包括大模型辅助编程工具Cursor、基于大模型的AI爬虫以及AI搜索引擎等。另一类是策略性应用，涵盖因子工厂、技术面投资分析建议、财报分析和基于文本的情感分析等领域。在谈及大模型应用的短期未来展望时，沈洋提到，未来将有更多的技术进步，尤其是在RAG进化、Agent Workflow、大模型量化与推理加速、Prompt高级技巧以及LLM逻辑与预测等方面。
学生提问
在问答环节中，针对同学们提出的“如何处理大模型应用中的数据泄露问题”，沈洋表示，最好的解决方案是本地部署，但这需要在算力消耗与隐私风险之间做好权衡。当被学生问及金融从业者如何应对大模型可能带来的替代风险时，他指出，在当前阶段，研究员需要积极学习大模型的应用与开发，同时大模型仍有许多局限性，人类的专业知识越扎实，被取代的风险就越小。对于大模型挖出的因子与人工挖出的因子的区别及优劣问题，沈洋表示，由于市场行情的剧烈波动，短期内很难得出明确的结论。最后，黎新平博士对主讲嘉宾沈洋的到来表达了诚挚感谢。
黎新平为主讲人颁发讲座纪念牌
主讲人简介
沈洋，华泰证券研究所金融工程研究员，具有证券从业资格（证书编号：S0570123070271）。北京大学心理学学士、应用心理学硕士。研究方向包括大模型应用、人工智能量化和多因子模型，已发布多篇热度较高的相关深度报告，所在团队多次入围“机构投资者”最佳分析师团队。
北京大学金融工程实验室简介
北京大学金融工程实验室是依托北京大学经济学院搭建的研究和教学平台，致力于推动量化投资、金融工程、大数据金融以及金融科技方面的学术研究与实践应用，实现学术界与金融业界良好的互动交流。
实验室聚焦于运用数学建模、统计分析、计算金融、大数据以及机器学习方法进行量化金融的研究，以数理化方法探讨金融市场的规律。实验室的目标不仅仅是推动金融工程等学术领域的前沿研究，同时也推动量化金融技术在教学、投资实践、金融监管以及金融政策等方面的实际应用。实验室课题研究包括：量化基本面、金融科技及AI、市场交易行为、高频数据、风险预警与管理。