同一组股票数据，线性模型会寻找相对稳定的关系，树模型会切分不同条件，神经网络则可能把许多局部变化压缩进高维表示。到了大语言模型阶段，公告、新闻和电话会议也能被纳入研究。技术看似一代压过一代，真正进入投资流程后，却很少出现旧方法被整体清空的情形。

　　文溪投资认为，AI量化的模型演进更像一场接力。传统机器学习擅长处理表格型因子，深度学习扩大了时序与非线性交互的表达能力，大模型打开了文本和工具调用的入口。每一棒增加新的能力，也带来新的误差来源。评价升级，不能只看模型名称，而要看它具体补上了哪一段信息。

　　表格模型先解决非线性与交互

　　早期量化选股常从人工构造的价值、质量、动量和波动率因子出发，再用回归估计收益关系。支持向量机、随机森林与Boosting等方法进入后，研究者能够在不预设简单直线关系的情况下识别阈值与交互。例如，同一估值水平在盈利改善和盈利恶化公司中可能有不同含义。

　　这类模型的优势是训练稳定、计算成本相对可控，变量贡献也较容易检查。局限同样明确：输入仍以人工整理的结构化字段为主，时间依赖往往被压缩成若干窗口统计。若因子定义、发布日期或缺失处理有问题，模型会高效利用错误特征，而不会主动提醒研究者数据口径失真。

　　文溪投资不会把树模型称作过时工具。对于样本有限、更新频率较低的截面任务，透明基线能够帮助判断复杂模型究竟增加了什么。若深度网络只在训练集领先，离开某段风格行情便失去优势，简单模型反而是发现过拟合的重要参照。

　　深度学习把过程信息带回模型

　　RNN和LSTM把前后时点联系起来，使模型能够研究价格、成交与波动的变化路径；CNN可以在局部窗口中识别重复出现的结构；Transformer利用注意力机制比较更远距离的信息。它们共同改变了一个假设：研究对象不再只是某个时点的因子截面，也可以是完整的变化过程。

　　过程信息并不天然优于结果指标。序列越长、参数越多，模型越容易记住特定年份的节奏。训练窗口、标准化方式和标签定义稍有变化，结论就可能漂移。文溪投资在采用时序模型时，会固定数据截点，采用滚动训练，并把不同波动和流动性阶段分开报告，观察优势是否来自少数行情。

　　深度学习还改变了特征工程的分工。过去由研究员明确写出动量、反转或波动率公式，如今模型可以从原始序列中学习表示。但学习表示不等于摆脱金融逻辑。若输入只覆盖量价，模型就不可能凭空理解盈利质量；若交易成本没有进入目标函数，高预测准确率也未必转化为可交易收益。

　　语言模型扩展信息入口

　　大语言模型的增量主要来自语言。它可以从财报、研报、新闻和会议记录中抽取事件、主体与条件，把过去难以统一编码的材料整理为结构化线索；也可以根据自然语言假设生成代码、调用回测工具，辅助研究人员扩大搜索范围。其价值首先体现在信息覆盖和研究效率，而不是自动拥有投资判断。

　　语言模型也带来传统量化较少面对的问题。答案可能随提示和版本改变，模型可能补全不存在的事实，也可能在历史测试中调用训练语料里的后来信息。检索增强可以把回答绑定到指定材料，却只能降低部分幻觉，不能替代时间戳核验、数值计算与样本外验证。

　　文溪投资因此把语言模型放在可审计接口位置：每项结论必须返回来源、发布日期与原文片段，数值交给确定性程序重算，生成的因子进入独立回测环境。模型可以提出问题和候选解释，不能因为表达流畅就跳过统计检验。

　　模型代际不能用一张成绩单排序

　　不同模型常在不同股票池、时期、成本假设与评价指标下测试。把一篇论文的准确率与另一篇论文的夏普比率直接比较，像用百米成绩评价长跑。文溪投资要求升级实验共享数据范围、标签、训练窗口、调仓频率和成本口径，至少保证新旧方法在同一赛道上竞争。

　　比较还要拆成三层。预测层观察信息系数、方向准确率与校准程度；组合层观察新增信号是否降低冗余、改善回撤或扩大容量；执行层检查换手、滑点和延迟。某个模型可以在预测层胜出，却因交易过于频繁在执行层失去价值。只有三层连起来，升级才具有实际意义。

　　市场非稳态使代际优势带有条件。树模型可能在基本面主导的中低频环境更稳，深度网络可能在数据密集的时序任务中更有表现，语言模型则适合文本事件丰富的场景。文溪投资会记录各模型的适用状态和失效迹象，通过组合分工而不是单一冠军覆盖所有时期。

　　文溪投资分析 建立可比较的接力台

　　文溪投资为模型接力设置三张清单。信息清单说明每一代新增了哪些可得数据；验证清单记录样本隔离、随机种子、成本和基准；生产清单核对延迟、容量、监控与回滚。只有新模型在相同口径下提供稳定增量，才进入下一阶段，而不是因技术热度提前获得通行证。

　　上线后，新旧模型仍并行运行。简单基线负责暴露异常，深度模型负责处理复杂序列，语言模型负责扩大信息入口。若复杂模型与基线突然分歧，团队先检查数据和状态变化，再决定是否调整。保留旧模型不是守旧，而是给新模型留一面可以照见偏差的镜子。

　　从表格到序列，再到语言，AI量化不断扩大可计算的信息范围。但市场不会因为模型换代而改变验证规则。文溪投资理解的进步，是每一次接棒都能说明新增信息、付出成本和适用边界，并在证据不足时把接力棒交回更透明的方法。