AI與量化投資——威力強大但並非萬能的新工具

生成式人工智能（Generative AI），尤其是大型語言模型（LLM）迅速地從研究實驗室走入日常生活。能夠撰寫電郵、回答問題，甚至生成圖像的工具，讓AI 的存在感大幅提升；它們有時甚至被包裝成為「萬能解題工具」，投資領域也不例外。不過，量化投資的經驗提醒我們，應採取更均衡的觀點：不同的問題需要不同的工具；任何方法均有其優勢與限制；而人類的判斷仍然不可或缺。本文將以顯淺的方式說明： LLM是甚麼、它的強項和不足之處，以及怎樣在嚴謹的量化股票流程中，善用它最大的功能。

AI領域有哪些新進展？為甚麼這對投資者很重要

近年 AI 發展最引人注目的領域，集中在影像與語言處理。大型人工神經網路模型能在極為豐富且穩定的數據集中，辨識出各種模式。LLM是由大量文本語料所訓練的語言模型，通常以稱為「最大概似估計(Maximum Likelihood Estimation)」的統計方法進行訓練，使其產生的文字能夠重現語料庫中在特定條件下的詞彙出現頻率。當你提出問題時，模型的目標是產生一個答案，讓「問答組合」看起來符合訓練數據中的典型組合。這個簡單的目標，一旦在大規模應用下，往往足以生成語法正確、語意合理，且表面上邏輯嚴密的回答。

LLM亦具有生成能力：它們不但可對現有數據進行分類，亦能在每一步根據「下一個詞」的機率分布進行採樣，從而產生新的內容。這種內建的隨機性可帶來多樣性和創造力，但也意味著同一個問題在不同時間可能得到不同的答案。對投資者而言，這種「流暢性」與「隨機性」的結合至關重要：它一方面展現出量化技術的威力，另一方面也提醒我們——任何單一方法不管多精密，都不應被視為投資組合的萬靈丹。

責任：為何人類必須保持主導

由於LLM依賴隨機生成，可能出現「幻覺」，且缺乏可靠的自我檢視能力，其回答在本質上帶有一定程度的不確定性，也無法提供可信賴的信心指標。它的有些說法可能會反映虛構的知識或不足的推理，而工具本身也無法為其後果負責。在醫療、法律或金融等高風險領域，這引發出明顯的責任疑慮：倘若AI生成的建議引致不良決策，責任將由選擇依賴該建議的人類專業人士和機構承擔。

對投資管理而言，這代表LLM的輸出應被用作更廣泛流程中的「輸入」，而非最終決策。具備專業能力和批判思考的人員必須保持主導，審核AI產出的內容，並將之與其他證據整合，同時對最終結果負責。隨著AI的應用日趨普及，健全的監督和治理仍然非常重要。

量化投資者的真正機會：將文字轉化為數據

LLM對量化投資最有價值的能力，並非像現代預言家般給出買賣建議，而是能把「語意」數值化，並建立可衡量的語意相似度概念。為了處理語言，LLM會將單字、句子和文件視為高維度向量空間的點﹕語意相近的文本會互相靠近，語意不同的文字則相距較遠。這種表示方式是透過經驗性學習所得的；其學習原理與訓練模型去匹配語料庫資料的「概似方法」一脈相承，而LLM在句法和語意理解上所展現的能力，也證明了其有效性。

一旦文字被嵌入成為數值，投資者就能計算文件之間的距離、識別分類，並從語言中抽取量化特徵。這將開啟眾多可能性：例如公司為通訊語氣的變化評分、追蹤財報電話會議的主題、衡量當前新聞消息與過去曾出現盈利預警或評級上調的時期有多相似，或從監管和可持續發展報告中提取資訊。量化專家可以將這些文字訊號與傳統數據（如價格和基本因素等）一併輸入模型，用作預測回報或風險評估。資訊集的擴展或許是LLM革命對量化投資最具體和可落地的貢獻，也推動了金融領域其中一個非常活躍的實證研究方向。

狹義AI、生成式AI和嚴謹的量化股票投資

更廣泛來說，AI最重大的效益（例如在醫學影像領域）多半來自為了特定任務而設計的標準化狹義AI系統，而非通用型的生成式聊天機器人。放在金融領域，這代表著最大的價值來自可把特定工作做好的AI模組，例如從文字中萃取訊號或提升風險評估能力，而非將投資組合的決策交給輸出帶有隨機性（有時甚至出現幻覺）的生成式模型。

量化股票策略為以這種方式使用AI提供了自然的框架。其建基於系統化規則、多元化和明確的風險控制，而非依賴單一重押或純粹主觀判斷。在這個框架下，AI所產生的文字指標就如同其他訊號一樣被對待：明確地建構、以歷史數據驗證、與其他指標結合，並且被持續監察。不穩定或不可靠的訊號可以被限制或淘汰；而能提供有用資訊的訊號則可被更充分納入。投資組合經理和研究人員仍然要負責設計模型、檢驗訊號，以及作出最終投資決策。

對投資者而言，實際上的意義在於﹕AI（尤其是LLM）最適合被視為進階工具，在嚴謹、風險可控的量化流程中，用來擴充和深化數據，而不是作為消除不確定性或保證更高回報的獨立決策引擎。

以上觀點截至編製為止，如有更改，恕不另行通知。任何預測、預計或目標僅供參考，概非任何形式的保證。滙豐投資管理對未能達到此類要求概不承擔任何責任。資料來源：滙豐投資管理，2026年6月