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。

（左三）

出席2025量化行业高质量发展大会圆桌对话环节

Alpha2Fund

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。

Alpha2Fund

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。

Alpha2Fund

 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：

1

量化市场策略同质化严重

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；

2

AI模型存在天然缺陷

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；

3

极端行情下模型适应性不足

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。