2025年做量化交易，用不用AI差别很大

大家好，我是frank，专注Crypto+Quant+LLM的深度融合和行业进展。

今天想聊一个我在2025年观察到的有意思现象：同样都是做量化交易，有人赚得盆满钵满，有人却在各种"迷你危机"里翻车。

差别在哪？我认为最大的差别，就在于AI用得怎么样。

1、2025年量化圈经历了什么

先说说背景。

根据《金融时报》的一篇报道，2025年对量化交易机构来说是很魔幻的一年。

全文详见# Inside the ‘rolling thunder’ quant crises of 2025（2025年量化投资雷暴滚滚的内幕）。

Renaissance Technologies（RenTech）的两只公开基金RIEF和RIDA，10月份突然暴跌15%，然后11月又飙回来。要知道这可是管理超过200亿美元的顶级量化机构啊。

但诡异的是，同期其他很多量化机构却风平浪静，甚至还赚了不少。

金融时报把今年量化圈的这种状况形容为"rolling thunder"（雷暴滚滚）——不是一次大地震，而是一年到头各种小震动不断。

关键是，这些震动对不同机构的影响差异巨大。

从1月份DeepSeek引发的AI概念股震荡，到年中的"carry trade unwind"，再到秋天的波动率飙升，每次市场异动都会让一部分量化策略崩盘，而另一部分却毫发无损。

2、AI正在重塑量化交易的底层逻辑

为什么会出现这么大的分化？业内普遍认为有两个核心原因：AI应用的差异和策略拥挤度。

咱们重点说说AI这块。

传统量化交易大家玩的都是类似的东西：多因子模型、统计套利、趋势跟踪。策略逻辑相近，用的数据源也差不多，所以表现往往高度相关。市场一波动，大家一起赚或者一起亏。

但AI的介入彻底改变了这个游戏规则。

不同机构在AI的应用深度和方式上差异巨大：

• 有的机构只是用机器学习优化一下选股因子
• 有的用深度学习做特征工程和信号提取
• 有的用NLP分析新闻、社交媒体情绪
• 有的用强化学习做实时交易决策
• 有的甚至用大语言模型重构整个研究框架

这些差异看似微妙，但在实战中产生的结果可能天差地别。

CFM的总裁Philippe Jordan说得很直白："同样的趋势跟踪策略，同样的统计套利逻辑，但因为AI应用方式不同，以前可能亏损相关性很高的两家机构，现在却可能一家大赚一家爆亏。"

3、从实际案例看AI如何拉开差距

举几个具体的例子。

信号挖掘层面：

传统量化可能用几十个、上百个因子。但用上深度学习之后，特征空间可能扩展到几千甚至几万维。这不只是量的变化，而是质的飞跃。很多传统方法根本发现不了的非线性关系，AI能轻松捕捉。

风险管理层面：

2025年市场的特点是"定期的risk-on和risk-off切换"，传统的VaR模型在这种环境下经常失效。但用强化学习做动态仓位管理的机构，能更快适应市场regime的切换。

执行层面：

高频交易早就在用AI了，但现在连中频策略（持仓几天到几周）也开始大规模应用。AI可以更精准地判断最优执行时机，减少市场冲击成本。

**最关键的是：用AI早和用AI晚，差别也很大。

有些机构十几年前就开始用机器学习，积累了大量的实战经验、训练数据和调优诀窍。有些机构到2024-2025年才开始跟风上AI，技术积累差了一大截。

不是说后来者一定做不好，但AI这东西确实有"复利效应"——你今天的模型输出是明天的训练数据，良性循环转起来之后，差距会越拉越大。

4、拥挤交易：AI带来的新问题

说完优势，也得聊聊问题。

AI让量化策略变得更复杂、更个性化，但同时也带来了新的"拥挤风险"。

这两年一些传统的高频交易公司（prop trading firms）开始进入"中频"领域，跟量化对冲基金争抢alpha。他们的算法响应速度更快，资金成本更低，对一些信号的decay速度产生了明显影响。

你原来一个统计套利信号能用3-5天，现在可能24小时就被抹平了。如果你的AI没有及时学习到这种变化，就会被市场教育。

Wolfe Research的数据显示，2025年他们追踪的16个主流量化因子里，有9个是亏钱的，而且波动率都明显高于往年。Value、short-term reversal、quality、low-vol这些经典因子今年表现都很差。

这说明什么？市场微观结构正在发生深刻变化，而AI应用水平的高低，直接决定了你能不能适应这种变化。

5、加密量化交易的AI应用

说回到我们关注的加密领域。

加密市场的量化交易相比传统市场，AI的重要性可能更大：

5.1 市场效率更低

传统股票市场已经被研究了上百年，alpha越来越难挖。但加密市场还很年轻，数据噪声大、异常情况多，正是AI发挥优势的地方。

5.2 数据维度更丰富

链上数据、社交媒体情绪、巨鲸地址追踪、DeFi协议交互... 这些非结构化数据传统方法很难处理，但AI能把它们整合起来。

5.3 市场变化更快

加密市场一天能经历传统市场一个月的波动。没有AI的实时学习和快速适应能力，很难在这种环境下生存。

我之前写过Amber Group的案例，他们Q2收入环比暴涨2300%，很大程度上就是AI赋能的结果。他们不只是用AI做交易，还用AI优化整个业务流程——从客户风险评估到流动性管理，全方位应用。

6、给个人量化交易者的建议

如果你是个人开发者或者小团队，2025年的教训很明确：不掌握AI，量化交易这条路会越走越窄。

但也别慌，并不是说你必须从零开始搭一套ChatGPT级别的大模型。实际上：

从简单的开始：

• 用XGBoost、LightGBM替代传统线性模型
• 用LSTM处理时间序列，而不是简单的移动平均
• 用sentiment analysis挖掘Twitter、Reddit的情绪信号

借助开源工具：

• HuggingFace上有大量预训练模型可以直接fine-tune
• OpenAI、Claude的API可以用来做新闻解读、报表分析
• 很多量化平台（如Quantopian、Alpaca）都集成了ML工具

重视数据积累：

• AI的效果很大程度取决于数据质量
• 多花时间清洗数据、构建特征，比盲目调参数更重要
• 建立自己的数据pipeline，持续迭代

保持学习：

• 关注顶级机构的动向（像我这篇文章这样😄）
• 跟踪arXiv上的最新论文
• 参与开源社区，看看别人怎么用AI做量化

7、写在最后

2025年量化圈的"rolling thunder"给我们的最大启示是：AI已经不是锦上添花，而是必需品。

用不用AI，用得好不好，直接决定了你在下一轮市场波动中是收割者还是被收割者。

但话说回来，AI也不是万能的。市场理解、风险控制、执行纪律，这些基本功还是核心。AI只是让强者更强，但不会让弱者一夜翻身。

2026年会怎样？我觉得这种趋势只会更明显。随着更多机构采用AI，没有AI加持的传统策略生存空间会越来越小。同时，AI之间的"军备竞赛"也会更激烈。

所以，抓紧学起来吧。这不是建议，而是必修课。

有问题欢迎评论区讨论。

参考资料：Financial Times "Inside the 'rolling thunder' quant crises of 2025"