Die traditionelle quantitative Investmentforschung steht unter dem doppelten Druck abnehmender Grenzerträge und steigender Personalkosten. Um dieses Dilemma zu überwinden, schlagen wir das große Investitionsmodell (LIM) vor – ein neues Forschungsparadigma für quantitative Investments, das auf eine skalierbare Leistungs- und Effizienzsteigerung abzielt. Dieses Modell konstruiert ein quantitatives Grundmodell durch End-to-End-Lernen und den Aufbau von Basismodellen, wodurch es in der Lage ist, selbstständig umfassende Signalarten aus mehrdimensionalen Finanzdaten über Märkte, Anlageklassen und Frequenzen hinweg zu lernen. Diese „globalen Muster“ können in die nachgelagerte Strategiemodellierungsphase übertragen werden, um die Leistung für spezifische Aufgaben zu optimieren. Dieser Artikel beschreibt ausführlich die Systemarchitektur von LIM, erörtert die wichtigsten technischen Herausforderungen dieses Paradigmas und weist auf zukünftige Forschungsrichtungen hin.

Allgemeine künstliche Intelligenz; End-to-End; großes Investitionsmodell; quantitative Investition; Grundmodell; multimodales großes Sprachmodell