La recherche traditionnelle en investissement quantitatif fait face à une double pression due à la diminution des rendements marginaux et à l'augmentation des coûts en temps humain. Pour surmonter cette difficulté, nous proposons le grand modèle d'investissement (LIM) — un nouveau paradigme de recherche en investissement quantitatif visant à améliorer la performance et l'efficacité à grande échelle. Ce modèle construit un modèle quantitatif fondamental via un apprentissage de bout en bout et la construction de modèles de base, lui permettant d'apprendre de manière autonome des modèles de signaux complexes à partir de données financières multidimensionnelles couvrant divers marchés, classes d'actifs et fréquences. Ces « lois globales » peuvent être transférées à la phase de modélisation de stratégies en aval pour optimiser la performance selon des tâches spécifiques. Cet article détaille la conception de l'architecture système de LIM, aborde les défis techniques clés de ce paradigme, et souligne les directions futures de recherche.

Intelligence artificielle générale; bout à bout; grand modèle d'investissement; investissement quantitatif; modèle fondamental; grand modèle linguistique multimodal