中国发展网讯  5月26日下午，星环科技举办“向星力”未来数据技术峰会，同期首届智能量化投研论坛召开，本次论坛云集多位行业大咖分享其在量化交易领域的经验和见解，旨在共同探讨量化交易领域的发展趋势和技术创新。

财联社总编辑杨大泉、申万宏源证券金融创新总部量化投资、中信证券ESG首席分析师张若海、嘉实基金AILab负责人陈声利、国泰君安证券智能量化交易负责人马辉、长江证券战略数据组负责人 陈洁敏、海通证券智能投研平台负责人 邹小军，望眼科技联合创始人 勾静，野尘科技CEO 孙强，星环科技首席数据科学家张原野，星环科技首席图算法科学家吴海涛等嘉宾在论坛致辞。超百位来自券商、基金、私募、期货等金融机构的量化投研人员参与了本次活动，与会嘉宾热烈讨论了量化交易在新时代下的应用前景。

新增金融行业语言大模型 智能量化投研平台全面升级

在此次论坛中，星环科技发布了智能量化投研平台TransQuant的最新版本，不仅包含了最新迭代的高性能时序量化模块（TransMatrix）、分布式计算功能，还新增了大语言模型、事件驱动融合引擎（TransChaos Processor）、事件驱动处理模块（TransChaos Engine）、图算法、图神经网络、等组件，为金融市场数据创新应用带来新助力。

新版TransQuant通过集成金融领域大语言模型与事件驱动量化模块，可进一步辅助金融领域客户提升量化投研的广度与深度，探索多样大数据的新应用价值，提高对资产定价的有效性，增强对市场动态变化的捕捉，进入融合海量多模态数据的量化投研新趋势。同时，TransQuant中的最新版高性能时序量化模块（TransMatrix）与分布式计算功能，基于星环夯实的底层大数据技术和时序数据库，结合分布式算子、分布式API和自研算法等多样方案，极大提升了量化回测性能，不仅为当前行业中高频回测的算力瓶颈提供了新解决方案，也为高频率、大体量数据的量化交易提供了强有力的支撑。

TransQuant 智能量化投研平台覆盖了从多模态数据处理与分析、特征提取到因子计算、单因子分析、因子合成与管理，再到因子与策略联动、策略开发与编写，最终进入回测撮合、仿真撮合形成有效策略后实际接入实盘的全流程，打通了数据研究到业务实践的屏障，助力金融行业打开数据应用实践新通路。

金融领域大模型，结合深度图推理与历史复盘，助力全面深度研究与投资决策

星环科技长期深耕金融领域，服务大量金融行业客户，积累了上百万金融专业领域的语料；基于星环科技对图数据库、深度图推理算法的技术，形成了大规模高质量的金融类事件训练指令集。二者共同铸就了星环科技开发金融领域大语言模型的坚实底座。星环科技TransChaos事件驱动智能量化平台-包含了深度图推演和历史复盘等功能、涵盖了从数据收集、存储、分析和计算、事件推理分析到应用场景结果输出的全流程，进一步为金融大语言模型产出的结果作出验证，实现大语言模型在金融专业领域应用的真正落地实践。TransChaos与金融大语言模型的有机融合，不仅可辅助金融机构客户在行业深度、政策导向、宏观经济等方面进行全面的智能化专家体系搭建，大大降低了研究员了解特定行业经济金融特征的门槛；同时还可对大量数据进行推理、分析和总结，从而洞察行业、政策和宏观经济趋势的变化。

TransChaos中强大的事件驱动深度图推演功能，通过图形结构和各种元素之间的边连接，将事件之间的关系可视化，为客户展现更加直观、清晰的结果，辅助决策者在市场风险和机会之间更快速地做出更明智的选择。而TransChaos中的历史复盘功能，则可基于金融大语言模型的汇总信息、补充推理与复盘能力，帮助研究人员深入分析时间产生的原因和后果、理解事件之间的关联，为未来的决策提供参考。集成了金融大语言模型的TransChaos可助力金融行业提升投研的广度与深度、实现应用落地的可验证性与回溯性。

大模型驱动多模态事件因子，构建一体两翼的量化投研新范式，探索多样数据新应用

TransChaos针对金融不同特定领域投研逻辑，通过预训、提示、增强、推导范式的构建实现Fin-Specific-LLM。基于Fin-Specific-LLM，通过事件驱动引擎和深度图计算，构建了一体两翼的量化投研新范式。其中事件驱动引擎，通过实时推演、观点生产、复盘分析、事件因子，搭建了归因解释体系。深度图计算，通过过程挖掘、node_level、edge_level、graph_level，自下而上搭建了另类因子策略。TransChaos的一个重要突破在于，基于多模态金融数据信息融合和全市场信息交换，实现了包括文本、图像、量价等多种金融数据的有效融合，并且打破了投资标的割裂分治的现状。这可以提高对资产定价的有效性，探索多模态数据的新应用价值，增强对市场动态变化的理解，为投资者制定更加理性的投资决策提供更强的支持和保障。

高性能分布式计算，提升研究效率，加快复杂模型研发进度

目前大部分量化投研回测框架均采用串行方式进行回测，即从回测开始日到回测结束日区间串行运行策略逻辑，生成回测结果。以往这样的方式可以满足投研人员的需求。但随着机器学习等技术的飞速发展，投研人员逐渐将更为复杂的模型应用到了量化投研的领域，使得以往串行的量化投研回测框架的运行速率大大降低，验证单一策略需要耗费大量时间。为解决这一难题，TransMatrix回测框架支持了回测任务的分布式运行，能将一个大的回测任务拆分成多个独立子任务，并在分布式集群上并行计算。这种方式可以大幅减少回测时间，提高回测效率，满足投研人员对快速验证模型和策略的需求。同时，针对于基于机器学习策略开发场景，TransMatrix回测框架也做了多方面优化。在数据模型方面，框架结合了分布式时序数据库和文件型数据存储的优势，帮助研究者构建富有弹性的数据管道；在特征工程方面，框架开放了高自由度的因子计算接口，可实现高复杂度的特征计算和存储；模型构建方面，框架支持了ndarray和tensor作为后端，可适配主流机器学习框架；标签处理方面，框架开放了模拟撮合和时序匹配两套开发接口，实现了机器学习与策略回测之间的有机结合。

量化投研到实盘一体化平台，实现了打通研究到业务落地的高效量化投研

TransQuant 智能量化投研平台覆盖了整个量化投研到实际应用的全流程。通过投研一体化设计，模拟盘和实盘共享策略模块，从而可以更快速、更高效地实现投研到实盘的渠道打通，尽可能地保证投研成果与实盘结果的一致。该平台适配于多环境、多场景、多品种等各种需求，同时依托于自研分布式计算技术的高性能量化回测模块，使得配合交易员与分析师的复杂因子评估和策略验证更加高效和灵活。相较于原有金融机构需要搭建如机器学习平台、量化交易平台、知识图谱平台、深度学习平台、多模型数据处理平台等来辅助智能化量化投研开发工作，TransQuant通过一套平台实现了价量量化投研、舆情量化投研、多模型数据量化投研、高性能硬件支持等多种功能。

相信随着技术的不断革新，未来的市场中量化技术将会带领投资市场成为更加稳定和可持续的发展方向。