AI赋能资产配置(二十一)：从Transformer到Agent，量化投资实战有何变化？

请务必阅读正文之后的免责声明及其项下所有内容AI 赋能资产配置(二十一)从 Transformer 到 Agent，量化投资实战有何变化？核心观点策略研究·策略专题证券分析师：王开证券分析师：陈凯畅021-60933132021-60375429wangkai8@guosen.com.cnchenkaichang@guosen.com.cnS0980521030001S0980523090002基础数据中小板/月涨跌幅(%)8227.81/-1.82创业板/月涨跌幅(%)3196.87/-1.28AH 股价差指数119.64A 股总/流通市值 (万亿元)97.04/89.15市场走势资料来源：Wind、国信证券经济研究所整理相关研究报告《估值周观察(11 月第 1 期)-盈利修复，估值下挫》 ——2025-11-02《AI 赋能资产配置（十八）-LLM 助力资产配置与投资融合》 ——2025-10-29《AI 赋能资产配置（十九）-机构 AI+投资的实战创新之路》 ——2025-10-29《估值周观察(10 月第 3 期) - 全球普涨，A 股成长反弹》 ——2025-10-26《策略观点-积跬步，行稳致远》 ——2025-10-21核心结论：①Transformer 通过时空融合、多关系建模突破传统模型局限，其代表模型 GrifFinNet 显著提升股票收益预测准确性。②Agent 是量化投资的全流程决策载体，分层多智能体框架模拟“宏观-行业-企业-组合-风控”专业投资流程，通过角色模块化与流程自动化，实现从数据采集到实盘对接的闭环，解决纯模型“信号落地难”问题。③Transformer 与 Agent 深度耦合形成“建模精准化 + 决策自动化”的一体化体系，打通从特征建模到实盘交易链路，实现全流程赋效。④未来 AI 赋能量化投资将向精准化、自动化、稳健化进阶，Transformer 与 Agent 的协同优化将构建更适配复杂市场的智能量化生态。Transformer 是量化投资的高效建模架构，能突破传统模型技术瓶颈。传统量化模型（如 CAPM、GARCH、LSTM 等）在处理非线性关系、时序动态及多源数据融合上存在局限，而 Transformer 架构凭借自注意力机制与长序列建模能力，实现了结构依赖与时序动态的深度融合；其代表性模型 GrifFinNet通过构建行业归属与机构共持多关系图、设计自适应门控融合模块、采用紧密时空集成架构，在股票收益预测实证中，准确性显著优于 LSTM、XGBoost等传统工具，为量化投资提供精准信号输入。Agent 是量化投资的全流程智能决策体，可解决传统量化投资的多方面问题。针对传统量化投资中单一技术孤立应用、数据融合难、决策层级模糊等问题，Agent 系统构建“宏观筛选—企业分析—组合优化—风险控制” 的分层架构：顶层宏观智能体筛选高潜力行业，分析层四大智能体（基本面、技术面、新闻、研报）协同处理多源数据（结构化财务指标、非结构化文本情绪），配置层组合智能体通过强化学习动态分配权重，防护层风控智能体实时调整风险敞口；该架构模拟专业投资机构决策流程，提升策略的可解释性、抗波动能力与合规适配性。Transformer 与 Agent 深度耦合可形成一体化量化体系，推动 AI 对量化投资全流程提效。二者并非简单叠加，而是通过“功能封装 + 流程补全”实现协同：将 Transformer 嵌入 Agent 分析层以强化特征提取（如新闻智能体用 LLM 提取情绪、技术面智能体捕捉价格时序规律），借助 Agent 流程自动化解决 Transformer 信号落地难题（组合优化、仓位控制），以 Agent 自主交互能力弥补 Transformer 静态建模缺陷（动态适配市场变化），该耦合体系实现从数据预处理到实盘交易的无缝衔接，推动 AI 从“单一环节赋能”升级为“全流程提效”。AI 赋能量化投资未来将向精准化、自动化、稳健化进阶，Transformer 与Agent 协同是核心方向。未来 Transformer 将进一步优化多关系建模与长序列处理精度，Agent 系统将强化人机协作与动态适配能力，二者的深度耦合将持续完善智能量化体系；整体行业将朝着“精准化、自动化、稳健化”进阶，以适配更复杂的金融市场环境。风险提示：结论受模型存在不确定性、数据质量、市场环境影响，本文不构成任何投资建议。请务必阅读正文之后的免责声明及其项下所有内容证券研究报告2内容目录一、Transformer：量化投资的高效建模工具 ....................................... 4二、Agent：量化投资的全流程智能决策体 ......................................... 4三、案例分析：从 Transformer 到 Agent ...........................................5四、结论与展望 ................................................................ 9风险提示 ..................................................................... 10请务必阅读正文之后的免责声明及其项下所有内容证券研究报告3图表目录图1： 分层多智能体基本面投资系统组件分工表 ................................................ 5图2： GrifFinNet 架构示意图 ................................................................6图3： 多智能体交易系统 .................................................................... 8图4： 耦合实操示例：沪深 300 成分股组合管理的全流程落地 ................................... 9请务必阅读正文之后的免责声明及其项下所有内容证券研究报告4一、Transformer：量化投资的高效建模工具股票收益预测是量化金融领域的关键任务。与静态分析不同，股票市场本质上具有复杂性且易发生突变，因此开发动态模型以适应不断演变的市场环境至关重要。市场受到经济发展、政策变动、新闻事件等多种因素影响，其波动同时也受历史数据制约。股票收益预测的研究可追溯至传统统计模型。资本资产定价模型（CAPM）为理解系统性风险和预期收益奠定了基础。法玛和弗伦奇的三因子模型和五因子模型进一步拓展了这一研究方向，在原有的市场、规模和价值因子基础上，新增了盈利能力和投资因子，用于解释股票收益的横截面差异。诸如广义自回归条件异方差（GARCH）等线性模型也被用于建模时变波动率，但这些模型仍基于有效市场假说保留了线性假设。尽管这些模型提供了可靠的基准，但它们在应对现代金融市场的复杂性方面逐渐显现局限性，尤其是依赖线性假设和有效市场假说的特性，限制了其捕捉金融系统中非线