深度学习和大模型是近两年的热点，LSTM、Transformer、大模型都被用到量化领域。但宣传远大于实际效果，绝大多数场景下，实盘效果并不如传统树模型。
14.1 时序模型LSTM、Transformer在时序预测的局限
LSTM、Transformer这些时序模型，理论上擅长捕捉时序依赖，实际做股价预测效果并不好。
为什么效果不好
- 信噪比低：股价噪音非常大，不是语音图像那种高信噪比数据。深度学习在高噪音数据里很容易过拟合。
- 非平稳：市场风格会变，分布变化，模型学的历史规律未来不适用。
- 参数太多：模型参数量大，数据量不够，很容易记住样本而不是学习规律。
- 可解释性差：黑箱，不知道为什么赚钱，坏了也不知道为什么。
适用场景
- 模式识别：识别趋势形态、震荡、异常交易；
- 高频短周期：tick级超短周期，数据量大，信噪比高一点；
- 文本、舆情等非结构化数据处理。
不要迷信深度学习预测股价。越复杂的模型，越容易过拟合，实盘越容易崩。
14.2 大模型用于因子挖掘、研报解读、事件提取
大模型（LLM）不是用来预测股价的，真正有用的场景是处理非结构化数据。
大模型正确用法
- 研报/新闻/公告解读：批量处理财报、研报、公告，提取关键信息、情感、事件。
- 事件识别与分类：从海量新闻里识别影响市场的事件，分类、打标签。
- 另类因子构建：基于文本、舆情、事件构建另类因子。
- 策略研究助手：自动回测、代码生成、数据处理辅助。
不要用大模型做的事
- 直接预测股价涨跌：大模型算命式预测，全是幻觉；
- 全自动交易：全流程AI交易，黑箱+黑箱，风险不可控；
- 内幕级别的信息获取：不要尝试用大模型爬取非公开信息，合规风险。
大模型是研究员的效率工具，不是交易员的自动印钞机。
14.3 AI大模型不能直接预测价格
很多宣传“AI炒股”“大模型跑赢大盘”，本质都是回测作弊，或者样本选择偏差。
核心问题
- 训练数据到哪天，未来就失效到哪天。大模型学到的都是历史规律，风格一变直接失效。
- 过拟合更严重。参数更多，拟合能力更强，更容易找出历史统计巧合。
- 可解释性为零。不知道依据什么交易，出问题根本没法排查。
记住：只要有人说“大模型预测股价年化XX%”，先问样本外表现，再问有没有未来泄露。
14.4 AI量化的回测与样本外验证要求
AI类策略回测标准要比传统策略严格得多，不然很容易自欺欺人。
严格验证标准
- 纯样本外验证：至少留出1年以上完全没参与训练、没见过的数据。不要用训练集内的“验证集”冒充样本外。
- 滚动回测：逐月滚动训练+预测，模拟真实实盘的迭代过程。
- 基准对比：和简单的线性模型、传统因子对比，AI有没有增量收益。
- 鲁棒性测试：参数小幅变动，结果不会大幅变化。
达不到以上标准，就是过拟合玩具，不是可实盘策略。
14.5 AI策略的监控、漂移检测
AI策略比传统策略漂移更快，风格一变效果直接崩塌，必须更严格的监控。
监控指标
- 绩效监控：相对基准的超额收益，是不是持续跑输；
- 特征重要性监控：核心特征是不是变了；
- 预测准确率监控：分类准确率是不是持续下降；
- 风格漂移检测：市场风格切换的时候，重点观察。
应对
- 定期滚动重训，比如每季度到每半年；
- 效果持续下降就暂停，不要硬扛；
- 永远保留传统策略作为基准，不要all in AI。
AI量化可以作为研究辅助、策略增强，不要作为唯一主力。
本章实战笔记
- 深度学习不是股价预测神器。绝大多数情况，还不如传统树模型。
- 大模型是效率工具，不是交易圣杯。用来处理文本、辅助研究，效果远好于直接预测价格。
- AI策略回测标准要更高。越复杂的模型，越容易过拟合，验证要更严格。
- 不要all in AI。作为辅助和补充，传统策略还是主力。
本章核心公式卡
深度学习适用场景：模式识别、高频短周期、非结构化数据处理 大模型适用场景：文本解读、事件提取、因子构建、研究辅助
AI策略验证标准：纯样本外≥1年 + 滚动回测 + 基准对比 + 鲁棒性测试
本章实战清单
深度学习策略开发清单
- 明确应用场景，不强行预测价格 - 严格时间切分，滚动训练 - 和传统线性/树模型做基准对比 - 至少1年纯样本外验证 - 可解释性检查
AI大模型使用清单
- 用于非结构化数据处理、研究辅助 - 不用于直接预测价格、全自动交易 - 定期重训，持续监控漂移 - 作为辅助工具，不做唯一主力