★ FEATURED ARTICLE 前段时间马斯克接受央视财经专访聊到 AI 的迭代速度时他说“AI领域迭代速度太疯狂了快到让我头晕目眩。”图片来源网络这段话放在今天真的一点都不夸张。Claude、GPT、DeepSeek、Kimi……模型一茬接一茬地冒出来。你还没来得及把上一个玩明白下一个可能就已经来了。所以现在的问题已经不是「有没有好用的模型」而是这么多模型到底该怎么选尤其是做量化研究哪个才适合自己当时的任务这次我用 EVO 的 Claude Haiku 4.5大模型把一篇45页的动量因子研报跑了一遍。我们就从这个实测说起。EVO 里都有哪些模型先看看阵容。图片来源EVO工作台每个模型后面还有推理、工具、视觉等能力标签。这玩意到底有什么用推理就是分析问题、拆解逻辑。 比如读完一篇研报搞清楚作者研究了什么、因子怎么算、结论是怎么来的。视觉就是看图。 研报里的图表、K线截图都属于可能用得上的场景。工具就是继续动手。 模型可以调用 EVO 实际开放的工具推进后续研究而不是只给你一段文字。如果你的任务只是问个简单问题可能根本用不上所有能力。但如果你想从一篇研报出发一路做到因子分析、策略设计模型就得具备与任务匹配的能力。这也是我这次选择 Claude Haiku 4.5 的原因EVO 标注了它的推理、工具和视觉能力适合拿来尝试这类综合研究任务。当然标签只是筛选依据不代表实际效果排名。先找出研报里值得研究的问题了解EVO的内置模型后我接着把一篇研报交给EVO说了一句结合这份研报找到其中最值得进一步研究的一个因子或交易思路。然后它注意到了一个点。研报里有一个叫 return_1m 的传统因子简单理解就是过去一个月的收益率。原研报报告的结果中这个因子的多空组合年化收益达到26.18%夏普比率为2.45。而一些加入换手率权重的改进版本并没有表现得更好。我们平时做研究总觉得给因子加点信息、优化一下计算方法效果应该会更好。但实际结果并不是这样。EVO 顺着这个差异它提出了一个研究方向短期反转效应到底有多强换手率加权究竟是在优化信号还是削弱了信号这一步我觉得比单纯总结研报更有意思。因为它没有停在「这篇研报讲了什么」而是从原有结果里找出了一个值得继续研究的问题。当然提出假设不等于证明假设成立后面还得靠数据验证。把研报里的因子重新跑一遍找到方向后我让 EVO 继续复现研报。根据它返回的执行记录这次整理出了13个因子的定义并对其中8个进行了 IC、RankIC、t 值等指标分析。其中return_1m 在本次复现样本中的 IC 为 -0.0246t 值为 -3.27。注意这里和原研报报告的方向不一样了。同一个因子为什么换一段时间的数据结果就变了EVO 接着尝试把这个信号变成策略做多过去一个月涨幅较低的股票做空涨幅较高的股票按月调仓。策略设计完成后还可以接入真实行情数据进一步进行历史回测验证策略的实际表现。所以这次还不能下结论说这个策略究竟能赚多少钱甚至不能仅凭这次复现就认定动量效应已经反转。但这轮研究至少推进了几个环节从研报中找问题、整理因子定义、计算指标再到设计策略并明确了后续验证卡在哪里。这就是我想看的AI 不只是给答案还能把研究继续往下推。300算力EVO到底做了什么这次整轮研究下来大约消耗了300算力。从一篇 45 页的研报开始EVO 先整理出 13 个因子的定义再对其中 8 个进行 IC、RankIC、t 值等指标分析发现了原研报与新样本之间值得进一步研究的差异。然后它继续选择因子、明确选股和调仓规则尝试把研究推进到策略验证并生成了相关分析报告。说明这次实测用的是 Claude Haiku 4.5大模型任务涉及长篇研报、多因子分析和多轮工具调用所以算力消耗相对较高。这里也说一个容易误解的地方算力消耗不是简单按照你发了几条消息来计算的而是和任务本身的复杂程度、处理的信息量等有关。所以模型没必要一味追求最强。简单任务选轻量模型复杂研究再按需选择能力更全面的模型让算力花在真正需要的地方。写在最后这次从一篇研报出发EVO 帮我梳理了研究方向、整理因子定义、分析指标并进一步推进到策略设计。搭配 PandaData 数据还可以继续打通从因子研究、策略构建到真实回测的完整链路。选模型只是开始更重要的是能不能把一个研究想法继续往下做。EVO 内置多个系列的大模型也提供了围绕量化研究推进分析、因子研究和策略验证的工作环境。
阅读完成 · 觉得有帮助？
