La recherche traditionnelle en investissement quantitatif est confrontée à une double pression : une diminution des rendements marginaux et une augmentation des coûts en temps et en main-d'œuvre. Pour surmonter cette difficulté, nous proposons le Large Investment Model (LIM) — un nouveau paradigme de recherche en investissement quantitatif visant à améliorer la performance et l'efficacité à grande échelle. Ce modèle construit une base d'investissement quantitatif par apprentissage de bout en bout et la création d'un modèle fondamental, lui permettant d'apprendre de manière autonome des modèles de signaux complexes à partir de données financières multidimensionnelles couvrant plusieurs marchés, classes d'actifs et fréquences. Ces « règles globales » sont transférables à la phase de modélisation de stratégies en aval pour optimiser les performances selon des tâches spécifiques. Cet article détaille la conception architecturale du système LIM, explore les défis techniques clés de ce paradigme, et indique les directions futures de recherche.

Intelligence artificielle générale;De bout en bout;Modèle d'investissement large;Investissement quantitatif;Modèle fondamental;Modèle linguistique multimodal large