2025 年 11 月 28 日，"2025 量化行业高质量发展大会暨金融科技・量化机构金牛奖颁奖典礼 " 在上海隆重举行。在 "AI 重塑量化投资——技术前沿与实战应用的边界探索 " 主题圆桌对话环节，平方和投资创始人、总经理吕杰勇，围绕 AI 对量化的底层重塑、AI 在 Alpha 生成中的角色变迁、AI 落地挑战等议题展开深入探讨。

图 / 平方和投资创始人、总经理吕杰勇（左三）出席 2025 量化行业高质量发展大会 圆桌对话环节

底层重塑：突破经验依赖，重构研究范式

吕杰勇认为，人工智能的标志性突破是 2016 年谷歌推出的 Alphago 以及后来的 Alphazero，标志着机器在复杂决策任务中超越了人类。这个事件给了人们很大的震撼，随后有更多的人拿着锤子找钉子，开始尝试将人工智能新技术应用于投资领域，进而逐渐取得了一定成果。

人工智能或者机器学习的研究可以追溯到 20 世纪 40-50 年代，期间几度沉浮，直到神经网络的再度兴起，随着硬件和算法的升级、数据量的扩大，深度神经网络等新一代模型一举颠覆了大众的认知，人工智能时代拉开帷幕。

人工智能在量化投资中的应用中提升了人类的效率，一定程度上也改变了人类的生产方式。在传统量化投资领域，行业推动高度依赖经验丰富的 " 老师傅 "，但这类人才成长周期漫长、培养成本高昂并且极为稀缺，推高了量化投资的进入门槛。而随着人工智能与机器学习的发展，量化投资在一定程度上摆脱了对传统经验型人才的过度依赖，在降低行业门槛的同时，以高效模式重新定义了研究范式，为行业发展开辟了新的可能。不过需明确的是，新模式并非万能，市场参与者不应盲目迷信技术效率，人工智能的科学应用仍离不开经验丰富的人类参与和控制。

落地破局：增量式创新，塑造稳健可控 Alpha

谈及 AI 在平方和投资策略研发中的实质性贡献，吕杰勇表示，人工智能在量化交易中的应用正成为新热点。平方和在因子挖掘、信号预测、组合构造、交易执行等多个环节大量使用深度学习等模型，从原来的线性模型过渡到线性非线性混合模型，产生了良好的应用效果。

吕杰勇反对盲目跟风热点的 " 替代式创新 "，而是强调基于既有研究优势的 " 增量式创新 " 路径——在稳健的策略体系之上，引入 AI 等前沿技术。他指出，平方和投资以严密的验证流程——长周期回测、少量实盘、循序放量，将风险进一步降低。在这一过程中，投研团队坚持在交易约束与严格风险控制体系的框架下，通过系统化的优化计算，获得风险可控、稳健可靠的目标组合，实现技术创新与稳健风控的平衡，避免黑箱风险。他认为，AI 要真正落地，必须将模型研发、回测体系、风控流程与交易执行形成闭环，使技术进步以可控、稳健的方式转化为稳定 Alpha。

AI 赋能 Alpha：人机协同是更优的资源配置

针对 AI 在量化投资落地中的核心挑战，吕杰勇剖析了三大痛点：

一是量化市场策略同质化严重，AI 模型易因数据或因子趋同陷入 " 拥挤交易 "，超额收益获取难度持续加大；二是 AI 模型存在可解释性弱、过拟合风险高的天然缺陷，难以精准匹配真实市场规律；三是极端行情下模型适应性不足，常规数据训练出的策略易在黑天鹅事件中失效，而此类场景又缺乏充足历史样本支撑优化。

这些挑战的本质是 " 技术潜力 " 与 " 投资本质 " 的适配问题—— AI 擅长高效挖掘数据规律，但量化投资需立足长期稳定、风险可控，如何让 AI 在提升投研效率的同时，规避技术缺陷对投资本质的背离，成为核心突破口。

他认为，金融数据的噪音是非常大的，并且是时变的，预测非常困难，AI 模型并非完美。AI 策略代表的是电脑，人工策略代表的是人脑，作为投资，我们不认为电脑比人脑更强，或者人脑比电脑更强，而是兼容并包，"Human-in-the-Loop"（人机协同）才是未来的趋势。AI 作为工具大大提高了投资的效率，但投资不能偏科，在 AI 的赋能下，人机结合才是资源配置的更优解。