From Deep Learning to LLMs: A survey of AI in Quantitative Investment

量化投资（Quant）是一种新兴的、由技术驱动的资产管理方法，正日益受到人工智能进步的影响。深度学习和大型语言模型（LLMs）在量化金融领域的最新进展提升了预测建模能力，并实现了基于代理的自动化，这表明该领域可能出现范式转变。在本综述中，以Alpha策略为例，我们探讨了人工智能如何助力量化投资流程。首先，我们回顾了量化研究的早期阶段，当时的研究主要围绕人工设计的特征和传统的统计模型展开，形成了一个成熟的Alpha生成管道。接着，我们讨论了深度学习的兴起，它使得从数据处理到订单执行的整个管道都能进行可扩展的建模。在此基础上，我们强调了大型语言模型在扩展人工智能应用方面的新兴作用，这些模型不仅能够超越预测功能，还能赋能自主代理去处理非结构化数据、生成Alpha信号，并支持自我迭代的工作流程。

论文试图解决如何利用人工智能，特别是深度学习和大型语言模型（LLMs），提升量化投资中阿尔法策略的有效性问题。这是一个新兴领域的问题，随着AI技术的发展而逐渐显现。

关键思路是通过整合深度学习和LLMs来优化整个量化投资管道，从早期依赖人工设计特征的传统统计模型，到利用深度学习实现端到端的自动化建模，再到LLMs赋能处理非结构化数据、生成阿尔法信号以及支持自我迭代工作流。相比现有研究，这篇论文强调了AI在超越预测能力方面的潜力，如通过自主代理进行决策。

论文值得关注的地方包括：1）系统性地探讨了AI技术在量化投资中的应用路径；2）引入了LLMs作为新的工具，用于处理文本和其他非结构化数据以生成投资信号；3）提出了基于自主代理的工作流概念，可能改变传统量化交易模式。实验部分可能涉及金融市场的真实数据集，但具体数据来源未明确提及。代码开源情况未说明，未来可以进一步探索强化学习与多模态数据融合的方向。

最近的相关研究包括：1）使用深度强化学习优化交易策略的研究，例如《Deep Reinforcement Learning for Trading》；2）结合自然语言处理分析新闻或社交媒体情绪对市场影响的工作，如《Natural Language Processing for Quantitative Finance》；3）关于多模态数据融合在金融预测中的应用，例如《Multimodal Financial Forecasting with Deep Learning》。