核心观点 - 报告以TrendIQ开源平台为例，探讨了AI大模型在股价预测领域的应用，展示了从传统LSTM模型到结合Transformer等新架构的迭代过程，并详细解析了本地部署与线上平台两种实现路径，旨在为投资者呈现AI技术在股价预测上的能力圈与未来进化方向[3][4] 一、深度学习与LLM在股价预测中的迭代演绎 - 过往学界与工业界倾向于使用LSTM作为股价预测的基础模型，因其能处理非线性问题并适应时间序列特性[5] - LSTM模型存在局限性：模态单一性，难以理解文本新闻等非结构化信息；解释性相对弱，被视为“黑盒”模型；泛化鲁棒性弱，难以跨市场或跨行业迁移[6][7] - Transformer架构为金融时序预测提供了新出路，其优势在于全局上下文感知、零样本与少样本学习能力以及思维链推理，能提供更好的可解释性[8][10] 二、“AI股价预言家”如何炼成：本地化部署与代码解读 - TrendIQ项目的运行框架由四个Python程序文件构成，形成“离线训练+诊断+在线服务”的闭环[12] - **训练阶段** (`train_multiple.py` 和 `quick_train.py`)：使用`yfinance`收集历史股票数据，预处理后训练LSTM模型并保存，是链条的起点[12][14] - `quick_train.py`预设了五只热门股票（AAPL、GOOGL、MSFT、TSLA、AMZN）进行快速训练，耗时约10-15分钟[14][16] - `train_multiple.py`支持批量训练，列表扩展至十只股票（包括META、NVDA等），并允许用户自定义股票列表和日期范围[17] - **检查阶段** (`check_models.py`)：验证训练生成的文件（CSV、.npy、.joblib、.h5）是否存在及完整，充当质量把关者[18][19] - **运行阶段** (`app.py`)：基于Flask框架启动Web应用，用户输入股票代码后，加载预训练模型进行预测，并显示预测价格、图表和置信度[13][20] 三、轻量化VS易用性：本地部署与线上平台如何选择 - **本地部署TrendIQ**适合跟踪特定个股、注重安全性和速度的投资者，流程分为四步[21] 1. **软件包下载**：从GitHub获取开源数据包[21] 2. **安装依赖**：通过pip一次性安装Flask、TensorFlow、NumPy、Pandas、Scikit-learn、YFinance、Joblib等库[23] 3. **股票数据训练**：运行`python quick_train.py`为五只热门股票训练LSTM模型，耗时约10-15分钟[24] 4. **本地运行**：运行`python app.py`启动服务器，用户可通过浏览器访问`http://127.0.0.1:5000`进行预测[28] - **线上平台TrendIQ**适合追求易用性、对预测精度要求相对较低的投资者[32] 1. 通过Google账号或邮箱登录网页版[32] 2. 在Swing Trading（针对60分钟线及以上趋势）或Scalp Trading（针对五分钟及以内趋势）界面，上传K线截图进行预测[33][34] 3. 预测结果包括：多空趋势研判、具体的止盈止损位置以及AI给出的判断理由[36] - **本地版与线上版对比**：两者在数据输入、模型、预测功能和实际效果上存在差异[41] - **数据输入**：本地版使用股价序列（高、低、开、收、成交量）；线上版使用不同级别的蜡烛图[41] - **模型**：本地版为LSTM；线上版为LSTM+LLM或LSTM+VAE[41] - **预测功能**：本地版提供目标价和置信区间；线上版提供多空建议、止盈止损线及判断理由[41] - **实际效果**：本地版对走势标准化程度高、成交量大的海外大票预测效果更好；线上版在多头排列上涨环境的主升阶段判定相对准确，但在震荡市胜率一般，且对顶部提示和大幅回撤后的“抄底”判断能力有限[41] 四、总结展望：“AI预言家”成色几何？未来如何再进化？ - 模型结构持续迭代，Transformer架构与图神经网络正逐步取代LSTM，成为股价预测领域新的技术基准[39] - 未来进化方向在于多模态融合与“阅读市场”的能力，例如Time-VLM等框架尝试结合视觉Transformer分析K线图、LLM理解财经新闻以及数值模型分析价格序列[40] - 实时检索增强生成技术将赋能AI预言家，通过实时连接外部知识库获取最新动态，缓解市场非平稳性导致的模型过时问题[40]

人工智能在金融行业的应用现状 - 人工智能和机器学习正成为金融行业的重要推动力 应用场景从量化交易扩展到风险管理[1] - 算法模型从学术研究走向华尔街实际应用时暴露出一系列现实挑战[1] 金融AI实践中的核心问题 - 金融机构更关注支持"What-if"分析的决策工具 而非单纯预测模型 例如利率变动影响分析[5] - 金融数据中存在相关性不等于因果关系的统计误区 需避免对撞机问题等建模陷阱[5] - 金融数据结构复杂 包括收益率曲线(函数时间序列) 支付网络(动态图)和多频率宏观数据[5] - 传统LSTM模型在处理复杂金融数据结构时存在先天不足[5] 技术实施与人才挑战 - Jupyter Notebook在快速迭代环境中可能成为工程管理障碍[5] - TensorFlow与PyTorch的兼容性问题增加了可复用组件建设的难度[5] - 行业急需兼顾金融 机器学习与系统工程的复合型人才[5] JPMorgan的AI实践与招聘 - MLCOE团队构建可复用AI组件库 分享五年实践经验与教训[2][11] - 全球招聘涵盖博士 博士后和金融科技求职者 工作地点可选香港 伦敦或纽约[11] - TSRL团队正在开展前沿项目 招聘链接已公开[12] - 王泽基教授将系统解析AI/ML在金融机构的全流程应用 包括模型工程 数据处理 特征构建 决策分析 因果推断和风险管理[10] 嘉宾背景 - 王泽基现任JPMorgan机器学习卓越中心MD兼全球TSRL负责人 香港科技大学数学系实践教授[12] - 曾任平安资管量化投资负责人 法国兴业银行亚洲金融机构与主权业务主管[12] - 在香港中文大学 香港中文大学(深圳)担任金融科技教授 并在高盛 瑞银 巴克莱资本担任过高管职务[12]