彤彤手记

大模型会读“潜台词”吗？当 LLM 遇上财报情绪分析大家好，我是你们的老朋友。最近在和几位做量化的同学聊天时，大家都在讨论一个很有趣的话题：既然 ChatGPT 这么能聊，那能不能让它帮我们去读那些动辄几百页的上市公司财报？ 作为一名常年穿梭在金融与计算机之间的研究者，我想告诉你：大模型不仅能读，而且它还能读出人类分析师有时会忽略的“潜台词”。今天，我就带大家拆解一下，AI 是如何通过“情绪分析”在投研领域大显身手的。 1. 痛点：被淹没在文字海洋里的分析师在金融圈，财报（Annual Reports）和业绩说明会（Earnings Calls）是信息的金矿。但问题是，现在的金矿太大了。 想象一下，一位覆盖 30 家公司的分析师，每季度都要面对数千页的 PDF。传统的做法是搜索关键词（如“增长”“亏损”），或者依赖简单的词典法（基于词库给单词打分）。但这种方法有个致命伤：它不懂语境。 比如这句：“尽管面临挑战，但我们的营收依然稳健。” 传统的词典法可能会因为看到“挑战”而给负分，但人类知道，这其实是在强调“稳健”。 2. 技术拆解：从“数单词”到“懂情感”为什么以 GPT-4 或...

哈喽大家好，我是小叶。 今天想跟大家聊聊一个可能有点“冷门”但非常有情怀的话题：可解释性 AI（XAI）。 作为一个上财在读、又爱撸码的小程序媛，我以前觉得：模型不就是为了追求精度吗？XGBoost 比线性回归（LR）高了 5 个点的 AUC，那我们就该用 XGBoost，不是吗？ 直到我去年去某行信用卡中心实习，参与了一个关于“自动化拒绝推断”的项目。当一个申请人被模型拒绝后，他打来电话问：“我收入稳定，信用记录良好，为什么你们拒了我？”当时的模型是一个复杂的随机森林。我查了后台，只能看到一个 0.85 的违约概率。我无法告诉他原因。那一刻，我感觉到了一种技术的冷酷。 1. 为什么“黑盒”在金融里行不通？在猫狗分类里，你不需要解释为什么这是一只猫。但在金融里，每一个决策都关乎一个人的生活，甚至是一个企业的存亡。 监管要求：很多国家的法律规定，金融机构必须对拒绝贷款给出合理的解释。 业务信任：如果风控人员不知道模型为什么报错，他们就不敢在实盘里大规模使用。 公平性检测：黑盒模型很容易学到一些隐蔽的偏见（比如地域歧视）。只有打开黑盒，你才能发现这些“脏东西”。 2. 🛠️ 实...

哈喽大家好，我是小叶。 最近在整理一份关于“高频波动率预测”的笔记。如果你关注深度学习在金融领域的应用，一定听过 Transformer。现在的 NLP 和 CV 全是 Transformer 的天下，所以很多小伙伴自然而然地觉得：既然它在翻译和图像上无往不利，那在预测股价波动率上，也应该是“降维打击”吧？ 但我现在的思考是： 在金融这种低信噪比、非平稳的时间序列里，Transformer 真的比 LSTM 这种“老将”强吗？ 1. 那些被“注意力”带跑的噪声Transformer 的核心是 Self-Attention（自注意力机制）。它能捕捉长程依赖（Long-range dependency）。比如：一年前的某次美联储加息，可能对今天的市场情绪依然有影响。 听起来很完美，对吧？但别忘了，金融数据的长程依赖极其微弱，而短程的噪声却极其强烈。 我的反思：我之前做过一个实验，用 Transformer 预测 1 分钟级的实现波动率（Realized Volatility）。结果发现，模型在训练集上表现得像神一样，但在测试集上直接“翻车”。原因很简单：Attention 太敏感了。...

哈喽大家好，我是小叶。 今天想跟大家聊聊点“接地气”的东西。如果你是一个在上财在读、又想进金融圈撸码的小程序媛（或者小哥哥），你一定听过很多高大上的算法：Transformer、强化学习、GNN…… 但作为一个在量化团队实习过、也踩过无数坑的人，我想说：在金融实战里，能救命的往往不是大算法，而是你的“基本功”。 如果你连 Pandas 里的时间序列索引都搞不清楚，或者 Linux 服务器崩了你只会重启，那你的“大模型”也只能是空中楼阁。今天想分享我的三个“保命工具箱”。 1. Pandas：不仅是表格，更是“时间机器”在金融领域，最核心的数据是 Time Series（时间序列）。 坑 1：Look-ahead Bias（未来函数）。如果你在计算技术指标时，不小心用到了当天的收盘价来预测当天的涨跌，那你的回测曲线会美得让你怀疑人生。 坑 2：Reindexing（重索引）。停牌的股票、节假日的行情，这些坑在数据对齐时会让你抓狂。 我的实战笔记：我现在的保命代码里，一定会加上这一行： 12# 强制按交易日历重新索引，填充空值df = df.reindex(trading_cal...

哈喽大家好，我是小叶。 今天想跟大家聊点硬核的，但也想说点大实话。如果你最近关注量化投资，肯定被“深度强化学习（DRL）”刷屏了。什么 FinRL、DQN 选股，听起来就像是拿到了打开财富之门的金钥匙。 我去年也迷上了这个。作为一个上财在读、又爱撸码的小程序媛，我当时觉得：既然 AlphaGo 能下赢围棋，那我喂给它全市场的 K 线和因子，它不就能帮我实现财务自由了吗？ 1. 那些被“神化”的 DRL 曲线当时我照着一篇顶会论文复现了一个基于 PPO（Proximal Policy Optimization）的资产组合优化策略。在不考虑手续费和滑点的“理想国”里，那条净值曲线简直美得不像话，年化收益 40%+，夏普比率 3.0。 我当时兴奋得差点就在校友群里发红包了。但当我冷静下来，把万分之三的滑点和千分之一的印花税加进去后，曲线瞬间塌方。 我的反思： 很多 DRL 在量化上的“成功”，其实是拟合了噪声，或者是通过高频换仓在赚那些根本拿不到的虚假利润。强化学习最大的敌人不是模型，而是真实交易里的摩擦成本。 2. 状态空间（State Space）的真相：你喂的是信息还是垃圾？写代...

哈喽大家好，我是小叶。 最近在整理一份关于“非结构化文本风控”的笔记。如果你关注 NLP 在金融领域的应用，一定听过 FinBERT。它的核心逻辑是在通用的 BERT 基础上，用了大量的路透社新闻和 10-K 报表做二次预训练。 听起来很牛，对吧？我也曾觉得这就是风控的“银弹”。但当我真正把这些模型丢到某几家暴雷公司的年报里时，我发现：AI 也会被“话术”耍得团团转。 1. 那些被“掩盖”的风险词汇在金融文本里，真正的风险往往不是直接说“我们要倒闭了”，而是用极其隐晦的修辞。比如：“鉴于宏观环境的不确定性，公司正在积极优化资产结构。” 在通用 BERT 眼里，“积极”、“优化”、“结构”全是正面词汇。哪怕是 FinBERT，如果预训练语料里这种“官样文章”太多，它也会学到一种偏见：只要辞令足够体面，风险就不存在。 我的反思：AI 擅长的是“概率提取”，而不是“逻辑挖掘”。在风控场景下，我们要找的不是“情绪”，而是“异常”。比如，如果一家公司连续三年的 MD&A（管理层讨论与分析）段落重复率高达 90%，这本身就是一种巨大的风险信号——说明他们根本没在认真经营，或者在隐瞒什...

哈喽大家好，我是小叶。 今天想跟大家聊聊一个可能有点“枯燥”但绝对“保命”的话题：MLOps（机器学习运维）。 作为一个上财在读的小程序媛，我以前觉得：做 AI 不就是写写代码、调调参、刷刷 AUC 吗？直到我去年参与了一个实盘量化项目的上线。那是我的第一个模型。线下回测年化 30%，各种指标美如画。上线第一周，它就开始疯狂亏钱。 导师把我叫进办公室，没看我的模型代码，只问了一个问题：“你有没有做模型监控？” 1. 那些被“静态思维”杀死的 AI 模型在学校里，我们拿到的数据集是静态的。但在金融市场，数据是流动的，甚至是诡异的。 概念漂移（Concept Drift）：比如你的模型是基于牛市训练的，突然遇上大熊市，你的特征分布全变了。 训练-预测不一致（Training-Serving Skew）：线下回测用的是收盘价，线上实盘用的是成交价。这万分之一的差别，就足以让你的策略失效。 我的反思：金融 AI 最大的挑战不是“怎么训练”，而是“怎么活着”。如果你没有一套自动化、标准化的流程去管理模型的生命周期，那你训练出的每一个模型，都是在给未来埋雷。 2. 🛠️ 实战中的“三板...

哈喽大家好，我是小叶。 今天想跟大家聊聊反洗钱（AML）。如果你在银行工作，你一定知道那套“基于规则”的系统有多头疼。比如：某人一天转账超过 5 万，系统就会报警。 但现在的犯罪分子可不是吃素的。他们会把一笔巨款拆成几千个小额账户，在深夜通过几十个国家的服务器疯狂流转。传统的系统在这些“蚂蚁搬家”面前，简直就像是纸糊的。 作为一个爱好开发的小程序媛，我去年参与了一个基于 图神经网络（GNN） 的 AML 项目。今天想聊聊我的实战心得。 1. 为什么“图”比“表”更适合抓坏人？传统的数据库是“表格”式的。每个人都是一行数据。但洗钱的本质是连接。 账户 A 转给账户 B。 账户 B 马上分拆转给账户 C、D、E。 C、D、E 又通过几层转账汇集到账户 Z。 在 GNN 的眼里，每个账户是一个“节点”，每笔交易是一条“边”。这就不再是孤立的数据点，而是一个活生生的交易网。 我的反思：传统的逻辑是“看人”，而 GNN 的逻辑是“看邻居”。如果你的账户本身很干净，但你的邻居全是一堆刚开户就大额转账的异常节点，那你大概率就是“网”里的一环。这种**消息传递（Message Passing...

哈喽大家好，我是小叶。 最近在实习，导师丢给我一堆 ESG（环境、社会和公司治理）相关的 PDF，让我总结一下某行业的碳排放趋势。看到那几十份几百页的文档，我当时脑子里只有一个念头：我是来写研报的，不是来练速读的。 于是，作为一个小程序媛，我决定用 RAG（检索增强生成）给自己撸个助手。 1. 为什么 RAG 是投研的“刚需”？大家都在用 ChatGPT，但直接把研报喂给它，它会告诉你“超出 Token 限制”。RAG 的逻辑很简单：先把文档切碎、存进向量库，等我提问时，AI 先去库里找相关的片段，再结合这些片段回答我。 我的发现：在 ESG 领域，数据极其分散。有的在年报里，有的在社会责任报告里，有的在新闻通稿里。RAG 最大的价值，不是生成文字，而是溯源。 2. 🛠️ 避坑指南：AI 的“幻觉”比你想象中更真实刚跑通 demo 的时候，我问它：“某公司的碳中和目标是什么？”它信誓旦旦地回答：“2030 年实现净零排放。”我一查原件，好家伙，原件说的是“2030 年实现运营层面碳中和”。这两者差得可不是一点半点！ 我的反思：AI 的“总结能力”太强，以至于它会把模糊的概念“美...

哈喽大家好，我是小叶。 今天想带大家聊一个非常实战、甚至带点“心理博弈”的投研场景：业绩说明会（Earnings Call）的自动化分析。 如果你是买方研究员，你一定听过业绩会。 场景：管理层宣读完 PPT，进入 Q&A 环节。 博弈：分析师抛出尖锐问题（比如：“为什么二季度毛利下滑了？”），管理层往往会用一些复杂的辞令来应对。 痛点：全场一个多小时，PDF 几万字。你如何快速定位到那些“管理层不敢正面回答”或“语气出现微妙变化”的瞬间？ 作为一个爱好开发的小程序媛，我去年尝试用 RAG (Retrieval-Augmented Generation) 构建了一个业绩会助手。今天想聊聊我的实战心得。 1. 为什么 RAG 是业绩会的“克星”？业绩会是高度非结构化的对话。 长文本：全文太长，直接塞给大模型（LLM）会被切断，或者因为它太长而产生“幻觉”。 多说话人：需要区分是哪个分析师问的，哪个高管回的。 语义模糊：比如管理层说“我们在努力改善……”，这在语义上是积极的，但在语境下（毛利大幅下滑）其实是负面的信号。 我的反思：RAG 最大的价值在于上下文检索。它能...