Dans le domaine de l'investissement quantitatif, bien que l'intelligence artificielle (IA) ait réalisé des progrès significatifs, il manque des référentiels standardisés adaptés aux pratiques industrielles. Cette lacune entrave les avancées de la recherche et limite l'application pratique des innovations académiques. Pour y remédier, nous avons lancé la plateforme de référence industrielle QuantBench afin de combler ce besoin crucial. QuantBench présente trois avantages clés : (1) conformité aux normes des pratiques de l'investissement quantitatif ; (2) flexibilité de compatibilité avec divers algorithmes d'IA ; (3) couverture complète du cycle de vie de l'investissement quantitatif. Les études empiriques basées sur QuantBench ont révélé plusieurs directions de recherche clés, notamment le besoin d'apprentissage continu face au changement de distribution, des méthodes améliorées de modélisation des données financières relationnelles, et des approches plus robustes pour atténuer le surapprentissage en environnement à faible rapport signal/bruit. En fournissant une base d'évaluation unifiée et en favorisant la collaboration entre le milieu académique et industriel, QuantBench vise à accélérer les progrès globaux de l'IA dans l'investissement quantitatif, avec une influence comparable aux plateformes de référence en vision par ordinateur et traitement du langage naturel. Le code associé est open source sur GitHub (https://github.com/SaizhuoWang/quantbench).

référence; investissement quantitatif; apprentissage profond; modèle de base