🧠 经典理论与关键技术#
奠基理论（1950–1973）
图灵测试（1950）#
\[ \text{机器通过测试} \iff \Pr(\text{人类判断为人类}) \geq 0.5 \]
AI 的哲学起点。
马科维茨 MPT（1952）#
\[ \min_{\mathbf{w}} \ \mathbf{w}^\top \Sigma \mathbf{w} \quad \text{s.t.} \ \mathbf{w}^\top \boldsymbol{\mu} = \mu_p,\ \mathbf{w}^\top \mathbf{1} = 1 \]
现代资产配置基石。
CAPM（1964）#
\[ \mathbb{E}[R_i] = R_f + \beta_i(\mathbb{E}[R_m]-R_f) \]
用 β 解释系统性风险。
Black–Scholes（1973）#
\[ C = S_t N(d_1) - K e^{-r(T - t)} N(d_2) \]
无套利期权定价。
量化实践与危机（1986–1998）
AI 与深度学习革命（2012–2017）
AlexNet（2012）#
\[ \mathbf{z}^{(l)} = \mathbf{W}^{(l)} \mathbf{a}^{(l-1)} + \mathbf{b}^{(l)} \]
深度学习爆发起点。
LSTM（1997/2010s）#
\[
\mathbf{c}_t = \mathbf{f}_t \odot \mathbf{c}_{t-1} + \mathbf{i}_t \odot \tilde{\mathbf{c}}_t
\]
建模金融时序依赖。
Transformer（2017）#
\[ \mathrm{Attention}(Q,K,V)=\mathrm{softmax}\left(\frac{QK^{\top}}{\sqrt{d_k}}\right)V \]
自注意力改变序列建模。
中国量化演进（2010–2020+）
量化 1.0（2010）#
\[ \text{Alpha} = R_p - [R_f + \beta (R_m - R_f)] \]
股指期货开启中性策略。
量化 2.0（2015）#
\[ \text{IC} = \text{Corr}(\text{因子值}, \text{未来收益}) \]
IC 成为因子核心指标。
量化 3.0（2020+）#
\[ \text{Alpha Engine} = \text{Data} \rightarrow \text{Embedding} \rightarrow \text{Prediction} \rightarrow \text{Execution} \]
AI 全流程赋能。
AI 投研前沿（2020–2024）
大模型构建知识图谱#
\[ \text{Relation}(e_1, e_2) = \text{LLM}(\text{“What is the link...”}) \]
自动抽取金融实体关系。
多模态融合（2023+）#
\[ \mathbf{z} = \text{Fusion}(\text{Encoder}_{\text{text}}(\mathcal{T}),\ \text{Encoder}_{\text{price}}(\mathcal{P})) \]
文本 + 行情联合建模。
端到端 AI 投研（2024）#
\[ \text{Strategy} = \text{LLM}(\text{市场数据} + \text{宏观文本} + \text{历史策略}) \]
迈向 AI 投研代理。
timeline
title 量化金融发展历程
1952 : Markowitz 提出 MPT 理论
1973 : Black–Scholes 期权定价模型
1986 : Bollerslev 提出 GARCH(1,1) 波动率模型
1988 : 大奖章基金开始运作
1998 : LTCM 崩盘，警示尾部风险
2010 : 中国量化 1.0 启动（沪深300 股指期货）
2015 : 中国量化 2.0 升级（中证500 股指期货）
2020 : 中国量化 3.0 起步（AI 全流程赋能）
timeline
title 人工智能与量化交易
2005 : 机器学习初用于量化策略优化
2010 : 随机森林、SVM 应用于因子选股
2017 : Transformer 用于金融文本分析
2018 : NLP 处理研报与舆情数据
2020 : 大模型开始挖掘另类数据
2022 : AI 实现因子挖掘自动化
2023 : 大模型驱动交易执行优化
2024 : 端到端 AI 量化投研系统落地