kp-003 · 从量化宽客到 LLM 金融：技术与流派演进

入门模块：全景与脉络预计 18 分钟更新 2026-10-02

一句话定义

AI+金融不是 2023 年才出现的赛道，它经历了统计套利宽客时代、因子与风控体系化时代、机器学习渗透时代到大模型时代的四波演进，本知识点梳理这条脉络及各流派的遗产。

为什么重要

历史脉络提供三样东西：坐标系（知道当下每个方法处在演进史的哪个位置、它取代了什么）、免疫力（每波浪潮都留下过"皇帝新衣"式的教训，如对黑箱模型的无批判崇拜）、判断力（技术变迁的驱动力是数据、算力与方法的共演，据此可以预判哪些新东西会留下来）。对从业者而言，理解"为什么量化行业最早接受机器学习、却对大模型态度审慎"，比记住任何单个技术都更有价值。

前置知识

kp-001。无其他硬前置。

直观类比

这条脉络像摄影术的演进：统计套利时代是"手工暗房"（少数人掌握配方，靠信息差赚钱）；因子时代是"标准化胶卷"（把收益来源拆成可复制的配方并公开化）；机器学习时代是"自动对焦"（让数据自己找模式）；大模型时代则是"能看懂说明书、帮你写游记的相机"（从预测数值转向理解与生成语言）。每次跃迁都没有废除前一代——今天的机构里四代技术同时存在。

核心概念

宽客时代（约 1980s–1990s）：Edward Thorp 用概率与凯利公式做可转债套利与统计套利；D.E. Shaw（1988 年创立）与文艺复兴科技（大奖章基金 1988 年起）把数学与信号处理引入交易，文化上催生"宽客（quant）"群体。
因子与风控体系化时代（1990s–2000s）：Fama-French 三因子模型（1993）把收益来源学术化；Barra 风险模型把组合风险拆解为行业与风格暴露；风险价值 VaR 在 1990 年代成为银行标准（后进入巴塞尔框架）。
机器学习渗透时代（2000s–2010s）：2008 年金融危机后监管科技兴起（反洗钱、报送、压力测试强制化）；2010 年代另类数据（卫星图像、信用卡流水、舆情）与梯度提升树、深度学习进入因子挖掘与信用风控；深度学习在语音图像的成功外溢到金融文本（2018 年 BERT 类模型用于情感分类、信息抽取）。
大模型时代（2022 至今）：ChatGPT 之后，金融文本处理（研报、财报、客服、制度问答）的边际成本骤降；2023 年 BloombergGPT 探索金融领域大模型，行业转向"通用模型+金融语料微调/RAG"路线；监管同步跟进算法备案与生成式 AI 管理要求。

原理与机制

四波演进的共同驱动力是数据、算力、方法三者共演：交易所电子化与数据供应商成熟提供了燃料（数据），摩尔定律与 GPU 提供了引擎（算力），统计学到机器学习到大模型提供了方法。每波演进的取代逻辑不同：宽客时代赚的是"别人不用数学"的稀缺溢价，被普及化侵蚀；因子时代赚的是风险溢价的结构性暴露，被拥挤交易侵蚀；机器学习赚的是模式识别效率，被数据同质化侵蚀；大模型赚的是语言处理成本骤降，正在被差异化竞争重新分配。理解"收益来源→被侵蚀方式"这个机制，就能判断任何新方法的生命周期，也能理解为什么金融机构的采纳曲线总是"先合规后投研、先降本后增收"。

图示

1980s 宽客    统计套利·黑箱溢价      Thorp / Shaw / 文艺复兴
1990s 因子    风险拆解·体系化        Fama-French / Barra / VaR
2000s 合规+ML RegTech·另类数据·GBDT  金融危机后监管强化
2010s 深度    NLP 外溢·BERT·舆情
2020s LLM     文本成本骤降·RAG/Agent  BloombergGPT / 生成式监管

实例或案例

对照一个具体任务的四代解法——"从公司公告中提取并购事件"：宽客时代靠人工阅读；因子时代靠关键词规则加人工复核；机器学习时代用命名实体识别加关系分类的监督模型（需标注数千条样本）；大模型时代用 LLM 加少样本提示或 RAG 直接抽取，标注成本下降一个量级，但引入幻觉风险需要校验层。四代技术在这个任务上是叠加而非替代——规则做硬校验、监督模型做基线、LLM 做主引擎，这正是本库模块 06 的现实背景。

常见误区

误区一：大模型是全新范式，与统计传统无关。 LLM 的训练目标（下一词预测）、评测方法（样本外）与失效模式（过拟合、分布漂移）都延续统计传统；金融对它的验证纪律也应继承量化传统。
误区二：宽客的成功可以复制。 文艺复兴等机构的超额收益建立在特定时代的稀缺数据、人才密度与容量约束上，且方法论保密至今；把"别人赚钱了"当作"方法可迁移"是幸存者偏差（详见 kp-029）。
误区三：演进是线性替代。 如案例所示，各代技术在机构内并存分层，新技术替换的是边际成本最高的一环。

自测题

四波演进分别是什么？各自的代表性人物/机构或成果？

答案要点：宽客（Thorp、D.E. Shaw、文艺复兴）、因子体系化（Fama-French、Barra、VaR）、监管科技与机器学习（2008 后 RegTech、GBDT、BERT）、大模型（ChatGPT、BloombergGPT）。

驱动演进的三要素是什么？如何用它们预判技术采纳顺序？

答案要点：数据、算力、方法共演；数据合规敏感度与错误成本决定"先降本场景后决策场景"的采纳顺序。

为什么说每代技术是叠加而非替代？用公告事件抽取举例。

答案要点：规则做校验、监督模型做基线、LLM 做主引擎，成本与可靠性在不同环节各有优势。

公式或模型

本节不适用：本知识点为历史脉络梳理，数学内容分布在后续各知识点中。

与其他知识点的关系

kp-010 的因子评价纪律与 kp-029 的误区合集是本知识点"教训"面的展开；kp-021 的大模型落地方法承接第四波的工程问题；kp-018 的反洗钱对应第三波监管科技遗产。