生成式AI在投研领域已经遍地开花，DeepSeek却选择死磕金融推理。这到底是差异化突围，还是Quant背景下的路径依赖？
我跑了一段时间的vibe-investing仓库，用各种大模型提示词分析市场和个股，发现一个有意思的现象：DeepSeek追求的，是激进投资里的超额收益（alpha）。
核心差异不在计算，在上下文
金融AI的真正短板不是幻觉，而是"算了白算"。拉个远期市盈率、查个VIX波动率，搜索就能搞定。关键是把数字串起来，转化成"现在该不该买"的判断。
DeepSeek的解法是把MoE（混合专家架构）和基于强化学习的推理（思维链）揉在一起。一个模型内部同时处理数值计算、历史模式匹配、反向论证，全在一条推理链里完成。
比如检验"回调买入信号"时，它会走这几步：先给数字找语境（"36%涨幅是事后诸葛亮，按年末买入算实际19%"），再处理历史例外（1939、1966、1970、1974年的失效案例），最后做因果归因（利率、油价、关税到底是"政治噪音"还是"结构性危机"）。
这套流程模仿的是分析师的完整思路：形成假设→交叉验证→尝试证伪→给出置信度。
金融基因的源头：幻方量化
DeepSeek和通用大模型起点不同，根子在母公司。它不是在学术实验室或大厂研究院里诞生的，而是从国内头部量化私募幻方量化分拆出来的。
创始人梁文锋浙大毕业后，2015年联合创立幻方量化，把AI引入量化交易策略。公司2016年2月成立，到2025年12月管理规模约100亿美元。2025年幻方管理规模约700亿人民币（约100亿美元），平均收益率56.6%，在百亿以上量化私募里排第二。第一名的灵均投资录得73.5%。
算力基础设施的转换更有意思。梁文锋从2021年就开始大批量采购英伟达GPU，赶在美国对华AI芯片出口管制之前。这些卡最初服务于算法交易，后来成了大模型训练的底子。这种"交易算力→通用算力"的复用，让DeepSeek在硬件受限环境下有了不一样的起点。
MoE+强化学习，为复杂决策而生
DeepSeek-R1的技术选择很能说明问题。MoE架构把任务拆给不同的"专家"子网络，激活参数只占总量的5%-10%，推理成本可控。强化学习驱动的思维链则让模型自己生成中间推理步骤，而不是背答案。
在金融场景里，这意味着它能处理多变量博弈：既要算财务指标，又要 weigh 宏观政策，还得评估市场情绪。传统模型往往卡在"单点优化"，DeepSeek的设计目标是端到端的决策模拟。
但这套方法能不能持续产生alpha，现在下结论还早。量化私募的赛道拥挤，超额收益本身就在衰减。把交易层面的AI能力迁移到通用金融推理，技术复用度有多高，商业闭环怎么打，都是待解的问题。
至少有一点是明确的：DeepSeek不是想做"更聪明的金融计算器"，而是在押注一个能模拟人类分析师完整决策链条的AI。这条路能不能走通，2026年可能是关键验证期。
热门跟贴