年AIAgent正从昔日的“炫技”走向“普及”与“量产”，但在量化私募领域，“多数机构尚未将其作为成熟的投研工具，投入到策略迭代与生产之中”。另外，头部机构与中小机构之间，技术“代差”正在显现——头部机构不仅自建算力基础设施，还开始向外溢出技术能力，如幻方推出DeepSeek、九坤开源IQuest-Coder；而中小机构受限于成本或人力，多处于观望或轻量试用阶段。   上海某量化私募投资经理李锐（化名向中国证券报记者坦言：“我们公司去年就开始尝试用Agent辅助数据清洗和研报总结，但离真正的数字工厂还有相当距离。”他说，“高效打通每个工作流程，也不是一朝一夕之功。”   而在百亿级量化私募念空科技创始人王啸看来，今年以来已经有部分量化私募开始从AI模型探索转向Agent规模化落地，其中的重点可能在于自主执行与多智能体协作，但目前整体进展还处于初期阶段。   技术、成本与增效的三重考问   AIAgent落地过程中，技术难点与成本是绕不开的议题。其中，“大模型幻觉”这一通用AI的顽疾，在金融投研领域同样被视为风险所在。魏铭三的看法是：“幻觉本质是工程问题而非模型问题”。蝶威量化的解法是通过架构设计将风险降到极低水平——设计分析、研究、代码、评判、基金经理五类Agent角色，形成“辩论式”协同机制，同时调用多个厂商的多模型并行发散、交叉验证，而非寄希望于单一模型的完美输出。   相比之下，鸣石基金采取了更审慎的姿态。其负责人介绍：“Agent在实际运行时，大模型幻觉的存在会对置信度有一定影响，我们在最核心的投研上坚持既有投研方式，其他使用Agent的辅助环节也不会直接采用Agent输出的结果，而是会进行人工复核，以确保投研结果的准确性。”   郭新宇则提示了更深层的技术风险：Agent间的“协同幻觉”可能相互放大错误，多个智能体在复杂任务链中可能缺乏有效的验证机制加以制衡；同时，量化投研对数据质量与策略逻辑的严谨性要求极高，Agent在数据清洗环节可能引入不易察觉的偏差。   面对这一质疑，蝶威量化给出了自己的解法。魏铭三说：“在工作流程上，我们首先要保证喂给AI各种类型的基础数据要100%准确；同时从我们的工程化要求来看，首先要保证前一个设计好的工作流程要接近完美，才能开始下一个环节。”   在成本结构上，不同体量的机构给出了差异化的账本。魏铭三透露，近一年时间，蝶威
=*=*=*=*=*=
当前为第2/4页
下一页-上一页-
=*=*=*=*=*=
返回新闻列表
返回网站首页