金融基础模型在量化交易中的应用：HRT观点、Scaling Laws与架构权衡

Hudson River Trading (HRT) 旗下 AI 实验室 (HAIL) 的 Marc Khoury，在 ICML 2025 Expo Talk Panel 上发表了关于为自动化交易构建基础模型的演讲。本文对其核心观点进行深入梳理与总结。

演讲链接： https://icml.cc/virtual/2025/46791

核心背景与市场微观结构

Hudson River Trading (HRT) 的定位

HRT 是全球顶级的自动化交易公司之一，其交易量约占美国市场的 10%。其核心竞争优势在于运用机器学习技术处理海量的金融数据。AI Labs (HAIL) 团队则专注于跨资产类别的深度学习模型研发与部署。

Limit Order Book (LOB) 与价格本质

“股价”并非一个单一的数字，而是由 Limit Order Book (LOB) 这一数据结构定义的。LOB 汇聚了市场中所有流动性的供需意图：

• Bid (买单) 与 Ask (卖单) ：分别代表买方和卖方的交易意愿。
• Spread (价差) ：最优卖价 (Best Ask) 与最优买价 (Best Bid) 之间的差额，代表了交易的显性成本。
• Mid-price (中间价) ：最优买价和最优卖价的平均值，常被视为资产公允价值的代理。

市场微观结构的一个核心规律是：资产流动性越差，建立头寸的风险就越高，价差 (Spread) 通常也越宽，以补偿这部分风险。

交易策略与盈利机制

自动化交易的 Alpha 来源主要可归纳为两类：

1. Market Making (做市) ：提供流动性（被动挂单）。通过赚取买卖价差获利，本质是跨越时间维度的供需匹配。其核心风险在于 Adverse Selection (逆向选择) —— 即交易对手方拥有比做市商更优越的信息优势，导致做市商在价格即将发生不利变动前完成交易。
2. Removing Liquidity (吃单) ：消耗流动性（主动成交）。基于对未来价格方向的预测，主动与现有挂单成交。这类策略要求模型具备比市场更精准的预测能力 (Smarter) 或更快的执行速度 (Faster)。

建模挑战：智能与速度的权衡

Smart vs. Fast Trade-off

交易系统面临严格的 帕累托前沿 (Pareto Frontier) 约束：

• 更复杂的模型 (Smarter) ：能够捕捉非线性、非显性的市场特征，提取更深层次的 Alpha。
• 更低延迟的系统 (Faster) ：能够抢占显性交易机会，减少滑点。

增加计算量必然带来推理延迟的提升。因此，必须在“模型预测能力”与“系统响应速度”之间寻找最优平衡点。

模型架构的选择与归纳偏置

处理金融数据面临着特定的架构挑战：

1. Transformer 架构：
   • 优势：擅长处理长上下文信息，能够回顾所有历史事件进行综合推断。
   • 劣势：推理成本高昂，复杂度随序列长度呈线性或二次增长。在极端延迟敏感的场景下（如逐笔数据预测），往往无法满足实时性要求。
2. 循环架构 (RNNs/SSMs/LSTMs) ：
   • 优势：推理时间复杂度为 O(1)，极其适合低延迟环境。
   • 劣势：存在强烈的归纳偏置，强制将历史信息压缩至固定大小的隐藏状态中。在金融这种信噪比极低的数据环境中，这种压缩往往是有损的，难以有效区分噪声与真实信号，导致长期依赖信息的丢失。

数据处理：时间 vs. 事件

金融数据在时间上是非均匀的。市场活动在某些时刻会极度密集，而在其他时刻则非常稀疏。传统的基于时间切分（例如按分钟）的标记化方法会平滑掉市场微观结构的细节。基于事件或逐笔数据的处理方式更符合市场本质，但对模型架构提出了更高的要求。

预测目标与 Scaling Laws

预测视界（Horizon）的困境

预测目标的选择直接制约了模型的复杂度：

• 极短周期（如下一笔成交）：数据量巨大，信噪比相对较高，但对延迟要求极高，模型必须极度轻量化。
• 长周期（如一小时后）：允许使用复杂的大模型，但有效数据样本量急剧下降，且信噪比极低，模型容易过拟合。

在这两者之间，如果选择预测“1分钟后的价格”，虽然存在丰富的信号，但由于延迟限制，不仅需要构建复杂的大模型，还面临着无法实时运行推理的工程瓶颈。

Scaling Laws 在金融中的验证

HRT 的研究证实，Scaling Laws 在金融领域依然成立。随着模型参数量和训练数据量的增加，模型性能呈现出可预测的提升。HRT 拥有超过 100TB 经过清洗的全球全资产类别市场数据（相当于数万亿 Tokens），并利用顶级规模的 GPU 集群进行训练。在足够大的数据规模下，大模型展现出显著优于小模型的预测能力。

金融 AI 的独特性

与 NLP/CV 的本质差异

1. 信噪比极低：金融数据中绝大部分是噪声。人类无法通过观察 LOB 数据直观判断价格涨跌，因此性能基线并非人类水平，而是从一开始就必须达到 超人类 (Super-human) 水平。
2. 无完美仿真器：与 Atari 游戏或围棋不同，金融市场不存在完美的模拟器。市场环境是非平稳的，且交易是非零和博弈。历史回测无法完美复刻市场冲击和对手方的实时反应，这限制了传统强化学习在端到端交易策略中的直接应用。
3. 特征工程的重要性：尽管端到端学习是趋势，但在将原始 LOB 数据输入模型之前，通常仍需进行专业的特征工程，将非结构化的流数据转换为模型可理解的向量表示。

结论

构建金融基础模型不仅是一个算法问题，更是一项涉及工程与数据的系统性工程。其核心在于利用海量历史数据训练深度模型以提取微弱的 Alpha 信号，同时通过架构创新（例如改进 Transformer 的推理效率或优化 RNN 的记忆能力）来突破延迟瓶颈。在硬件算力与数据规模的双重驱动下，深度学习在量化交易中的应用，正从简单的统计套利向着通用化、基础模型化的方向演进。对这类前沿技术的持续探索与分享，正是技术社区如云栈社区所关注的核心领域之一。