AI时代，出海生意要“慢下来，提速”：认知才是未来

我跟你说，这几年量化投资这个圈子，变化真的很大。过去十来年，大家主要比拼速度。谁的数据快，谁的延迟低，谁的模型跑得猛，谁就厉害。那会儿，就像赛跑，谁跑得快谁赢。但是现在呢？不一样了。这个竞争的重心，已经挪到了别的地方。大家不再只看单点优势了。现在，比的是系统认知能力。

以前，我们研究员做量化，主要是找数据，然后构建模型。后来，我们发现光靠一个模型不行。得把数据、模型、交易、风险控制，这些环节都串起来。而且，还要让它们之间能互相配合。这就像盖房子，以前我们只关注砖头结实不结实，现在我们关注整个建筑的结构。

我觉得，这个行业现在拼的是系统化竞争。谁能把这些环节整合得好，谁就能看得更远。人工智能（AI）技术现在也进来了。它正在改变我们处理数据的方式。它让我们的模型更深入。它也让团队的合作模式变了。

比如，以前信息处理很慢，现在AI让它快很多。因子挖掘也变聪明了。交易和风险控制，AI也帮了大忙。它不仅提高效率，还能让我们的策略找到以前找不到的**“认知Alpha”**。什么是认知Alpha？就是从那些深层次的信息里找机会，比如管理层说话的语气变了。

未来几年，我看中频区间可能会是主战场。什么是中频？就是分钟级到周度这个范围。而且，随着AI工具越来越多，大家都能用，平台和系统能力可能就变成基本配置了。但是，机构之间到底谁更强，最后还是得看谁有独家的数据，谁的算法更厉害。

三主线框架：数据、模型与组织架构

要说清楚量化行业是怎么发展的，我觉得可以分成三条线看。这三条线，不是独立的，它们是互相影响的。

第一条是数据。以前我们只用结构化数据，就是那些规规矩矩的财务报表、行情数据。现在，另类数据越来越多，比如新闻、社交媒体信息、卫星图像。所以，数据变得更广、更深了。我们不仅要看数据的量，更要看它的质量，看我们能不能从里面挖出东西。

第二条是模型。早期我们用线性模型，就是很简单的那种。后来有了机器学习，模型变得复杂了。现在，生成式AI也来了。它让模型变得更智能，能做更复杂的事情。这代表我们从简单的统计分析，走向了AI驱动的认知型决策。

第三条是组织架构。以前我们投研，就像工厂流水线，一步接一步。现在，AI技术让**多智能体（Multi-Agent）**协作成为可能。这就像把一个大任务，分成很多小任务，让不同的智能体去完成，它们还能互相沟通。这样一来，团队协作就更高效了，系统也更聪明，有“大脑”能“反思”。

这三条线，每一条都在飞速发展。它们一起推动着整个行业往前走。

Quant 1.0到Quant 4.0

我把量化投资的发展，简单分成了四个阶段，这样你可能更容易理解。

► Quant 1.0：经典因子模型阶段（2000年代-2010年代初）
那时候，我们主要玩多因子线性模型。就是找到一些跟股票价格相关的因子，比如市盈率、市值大小。我们觉得，这些因子能解释股票的涨跌。那时候，主要靠研究员的经验和金融理论知识。大家把财报、行情数据挖得很细。这有点像手工时代，很看重人的经验和逻辑。

► Quant 2.0：技术进阶阶段（2010年代中期）
后来，市场上的数据变多了，比如Level-2订单簿数据，能看到更详细的交易信息。我们开始做价量因子。就是研究价格和交易量的关系。我们还尝试用更高级的数学方法，比如动态调整因子权重，或者把因子组合起来。但是，大部分时候，我们还是先有人工的想法，然后用统计数据去验证。这就像给旧车换了个新发动机，跑得更快了，但车的骨架没变。

► Quant 3.0：机器学习&另类模型阶段（2015-2023年）
这是一个大转变！另类数据大规模出现了，比如供应链数据、新闻数据。我们发现，这些数据里藏着很多信息。同时，机器学习模型开始被广泛使用。它能从海量数据里自动找规律。我们用这些新数据和新模型，发现了很多以前找不到的信号。但是，在这个阶段，数据处理、因子挖掘、组合优化这些环节，还是分开做的。它们之间联系不紧密。结果就是，研究流程很长，出了问题也很难找到原因。整个系统有点像一堆好零件，但是没完全组装成一个整体。

► Quant 4.0：Agentic Infrastructure时代（2024年至今）
现在，我们进入了Quant 4.0时代。我理解，它不是要造一个全自动交易的机器人。它更像是对整个投研基础设施的升级。它的目标是，通过多智能体（Multi-Agent）协作，把投研的每一个步骤都变成标准化的模块。这些模块可以编辑，也可以互相配合。这样一来，我们研究一个新策略的时间，就能大大缩短。而且，每一个步骤都有记录，可以追溯，可以重复验证。

我要强调一点，Quant 4.0不是要取代像XGBoost、神经网络这些经典的机器学习模型。这些模型还在发挥作用。AI智能体就像是给它们装了一个“智能外壳”。这个外壳让它们工作更有效率，更稳定。毕竟，现在大部分的超额收益（Alpha），还是靠这些经典模型从价格、交易量和基本面特征里挖掘出来的。Agentic Infrastructure的价值，就是让这个挖掘和优化模型的过程，变得更顺畅，更高效。

头部量化机构实践：从”速度竞赛”到”预测与工程化”能力

你看看那些国际上的量化对冲基金大公司，他们最近的变化很明显。

他们不再只追求低延迟交易的速度。他们把重心放在了中频的预测能力上。
他们把AI大模型放进投研流程。这样做的目的是让研究更有效率，系统更稳定。

这些变化，我们从人才流动上也能看出来。过去一年，好多DeepMind这种AI大厂的顶尖人才，都去了Jane Street、Balyasny、Millennium这些量化机构。这说明大家都在往这个方向转。

案例一：Man Group的Agentic AI实践
Man Group是全球最大的对冲基金之一。他们公开介绍了一个叫AlphaGPT的东西。他们说，这是一个智能AI研究工作流（agentic AI research workflow）。这是什么意思呢？它能在研究员设定的方法下，自动生成研究想法，自己写代码，然后去回测。这样，从一个研究想法到能跑的策略原型，时间就大大缩短了。

但是，Man Group强调，他们保留了人工审核的环节。AI可以提高研究效率，但是策略的假设对不对，经济逻辑有没有问题，最后要不要上线，这些都还得通过人类的投资委员会来决定。这样能避免AI模型做出“看着合理但实际不能用”的策略。这说明，Quant 4.0的核心思想是**“AI帮助人做决策，而不是取代人做决策”**。

案例二：Hudson River Trading——从”微秒竞赛”到”AI驱动的短期预测”
Hudson River Trading（HRT）以前是高频交易的代表。他们以速度快出名。但是，HRT人工智能实验室的负责人说了，以前那种拼微秒延迟的套利优势，现在越来越小了。市场竞争太激烈。

所以，HRT现在也在变。他们提出了**“慢下来以提速”的概念。这不是说他们变慢了，而是说他们把重心放在了AI驱动的中频策略（Mid-Frequency）**上。他们持仓的时间，从微秒级延长到了分钟级甚至几天。他们用统计方法和预测模型，根据市场微观结构数据，做更可靠的预测。这说明，光靠速度已经不行了，得靠预测能力和“智慧”。

Agentic Copilot普及：提高“生产率”，而非创造 Alpha

头部机构在自己搭建系统，但是普通AI产品和开源项目也在快速发展。这让**智能体工作流（Agentic Workflow）**正在快速普及。

最近一两个月，国外的Agentic产品更新很快。它们不只停留在对话聊天，已经能执行更复杂的任务了。比如，Anthropic的Claude Cowork，它能帮你读文件，写文档，还能直接连到Google Drive、FactSet等软件去执行任务。开源领域也有像OpenClaw这样的**“行动型Agent”框架**。这些框架能把你的对话、工具使用、还有当时的状态都记录在自己的系统里。这样你就不用太依赖那些闭源的AI大厂。

我认为，这些能执行任务的智能体成熟以后，对整个量化行业会产生很大的影响。它会降低我们开发和运营的成本。那些资源不多的中小型机构，也能用更低的成本，搭建起自动化的“取数-清洗-回测-报告”流程。

但是，我们也要清醒地认识到：Agentic Copilot它只是提高了研究的**“生产率”。它不会直接帮你创造超额收益（Alpha）。相反，当大家都用这些通用智能体的时候，研究方法和策略反而更容易变得一样。到时候，大家都在用差不多的工具和算力，单靠一个AI-Agent**，很难持续赚钱。可持续的超额收益，还是得靠机构自己独有的高质量数据、精细的组合管理模型，还有准确的交易执行能力。这些才是真正的核心竞争力。

信息处理：LLM重塑另类数据的加工流程

咱们A股市场，公告多，格式也复杂。很多重要信息都藏在这些文本里，而且很看重上下文的意思。比如定增方案、问询函回复、股权激励这些，可能长达几百页。大语言模型（LLM）的出现，正在改变我们处理这些另类数据的方式。它在信息加工环节，解决了数据清洗这个大问题。它能把那些非结构化的文本，变成能直接用于交易的标准化信号。这是LLM最基础也最重要的价值。

从NLP工具升级为通用语言基座

以前，我们要处理公告这些文本，得用分词、正则匹配这些老办法。每种公告类型，比如定增、回购，都得单独写规则去提取信息。这个工作量很大。而且，只要公告格式一变，我们写的规则就不能用了，维护起来特别麻烦。LLM作为一种通用语言模型，带来了两个方面的突破。

第一，它让成本大大降低了。LLM有零样本学习能力。就是说，你不用教它，它也能直接从几百页的公告里，准确找出关键信息。这样一来，我们处理一份新公告的成本就低很多。

第二，它能理解上下文和捕捉预期差。这才是最厉害的。LLM不只是提取文字，它能理解这些文字背后的意思。比如，它能看出管理层说话的语气变了，或者某个措辞的细微变化。这些变化，往往预示着市场还没有发现的预期差。我感觉，这让量化策略开始有了一种**“认知Alpha”**的能力。它能从更深层次的文本信息里，找到投资机会。这在某种程度上，缩小了量化研究和基本面研究之间的距离。

RAG：投研落地的可靠基础设施

LLM很强大，但是它有一个缺点，就是可能会出现幻觉问题，胡乱编造信息。而且，它的训练数据是截止到某个时间点的，不能实时更新。在实际的投资场景中，这些问题都可能导致大麻烦。所以，检索增强生成（RAG）技术就变得非常重要。它就像一座桥梁，连接了LLM和我们实际的策略应用。

RAG有很多好处。

它让策略过程可审计。RAG的工作流程是“检索-引用-生成”。就是说，它会先从数据库里找相关信息，然后引用这些信息，最后才生成结果。这样，策略是怎么来的，用了哪些信息，每一步都能查到。这在风险控制和合规方面非常重要。
它让模型更准确。RAG可以结合我们自己的内部知识库。比如，我们可以把最新的金融报告、行业研报放进去。这样，LLM就能根据这些最新的、专业的数据来生成结果。它更懂金融，也更准确。
它让知识更新更灵活。大模型的训练非常耗时耗钱，更新很慢。但是RAG可以实时检索最新的信息。这样，LLM生成的信息就是最新的，避免了因为信息过时而出现的问题。

总之，RAG技术让LLM变得更可靠，更适合金融投资。它让我们的量化策略能够**“有据可查”**。

因子挖掘：从穷举试错到逻辑驱动的进化

Alpha因子的挖掘，一直是我们量化研究的一个难题。

我们人工挖掘因子，优点是逻辑很清晰，知道这个因子为什么会有效。但是，我们能挖的范围很有限。人脑的产能不够用。
**遗传规划（GP）**方法呢，它能尝试很多种组合，覆盖范围很广。但是，它挖出来的因子，往往缺乏经济学逻辑。我们不知道它为什么有效，而且这种因子通常很快就失效了。这就像“黑盒”一样，出了问题很难归因。

现在，LLM和多智能体（Multi-Agent）技术结合起来，提供了一条新路子。这条路是基于逻辑的探索。它不再是盲目地尝试，而是有逻辑地去生成因子。这更像是在构建一个能自我反思，能抗衰减的Alpha挖掘流水线。

路径对比：人工、GP与LLM

► 人工挖掘：逻辑清晰但产能受限
A股市场里，很多有效的因子都藏着很深的逻辑。比如，我们发现“融资融券的限制”会影响股价，或者“北向资金的偏好”能带来机会。人工挖掘的好处就是，我们能构建完整的逻辑。这样，在做投资组合的时候，也能更好地控制风险。但是，现在财务数据越来越细，高频数据越来越多，还有各种另类数据，这些信息太多了。靠人工去探索，效率太低，很难覆盖所有可能性。

► 遗传规划（GP）：覆盖面广但可解释性低
GP算法很擅长通过不断变异和组合，去搜索各种因子组合。它覆盖的范围确实很广。但是，它只有一个目标，就是让因子表现好。这样很容易过度拟合历史数据。它挖出来的因子，往往是数据驱动的，容易扎堆。而且，GP生成的那些复杂公式，我们很难理解其中的金融逻辑。如果因子失效了，我们根本不知道是什么原因。这给我们的归因工作带来了大麻烦。

► LLM赋能：基于辩论机制的可解释生成
LLM可不是一个简单的翻译工具。它更像一个有逻辑推理能力的研究员。但是，单个LLM模型也可能出错，比如生成幻觉信息，或者逻辑有漏洞。所以，有研究（比如FactorMAD, 2025）提出了Multi-Agent辩论框架。这种模式，不再是“你给我指令，我给你生成结果”那么简单。它引入了**“提议-批判-修正”**的机制。这就像一个研究团队在开会，有人提想法，有人专门挑毛病。这样能确保我们最后选用的因子，既有逻辑，又稳定。

案例：FactorMAD会辩论的因子挖掘框架
**FactorMAD（Factor Mining via Multi-Agent Debate）**这个框架，就是通过模拟人类研究员的合作和争论，来提高因子质量。

核心机制：双重角色的对抗
这个框架厉害的地方是，它不像传统GP算法那样随机变异。FactorMAD引入了两个有不同角色的智能体：
1. Proposer Agent（提案智能体）：它会根据对市场的理解（比如“量价背离”这个原理），提出一个新因子的思路，然后写出初始的因子计算代码。
2. Debater Agent（批判智能体）：这个智能体扮演的是“风险控制”的角色。它不直接生成因子，而是专门负责“找茬”。它会检查提案智能体写的代码有没有用了未来数据，逻辑是不是太复杂，或者有没有违反金融常识。
迭代进化：提案智能体收到批判意见后，必须自己反思，修改代码。经过几轮“辩论”之后，如果大家都没意见了，这个因子才会被提交到回测系统。

通过这种基于辩论的Multi-Agent架构，因子挖掘就不再是盲目搜索。它变成了一种认知博弈。这样挖出来的因子，不再只是简单地拟合历史数据。它经过了模拟分析师的多轮逻辑辩论，带有清晰的投资逻辑。这样的因子，才更可靠，更有效。

架构升级：Multi-Agent从流水线到认知型系统

以前的量化投研系统，大部分都是流水线架构。数据清洗、因子计算、模型预测、组合优化，一步接一步。这种模式虽然实现了自动化，但面对复杂多变的市场，它也有问题。比如，模型预测失败了，我们很难知道是为什么。是市场环境变了，还是数据出错了？模型没办法自己解释，也无法像人一样“反思”和“修正”。

过去几年，也有人提端到端（end-to-end）模型。它想把所有环节都连起来，简化流程。但是，在实际的投研中，这种模型往往像个“黑盒”。我们不知道它内部是怎么运作的，出了问题很难归因，也很难和风控系统结合。

现在，我注意到一些头部量化机构，已经开始用多智能体（Multi-Agent）来改造他们的研究流程。比如ManGroup介绍了他们的AlphaGPT，它就用了agentic workflow。把研究流程分成了“思路—代码—评估”这几个角色。

为何需要Multi-Agent？

在我看来，Multi-Agent的本质，就是把我们的投研系统，升级成一个有认知分工的“组织”。我们可以把系统拆成很多模块，就像真实的资管公司有数据团队、研究团队、风控团队一样。它把那些以前需要人去协调的团队协作，变成了代码。这样，传统的机器学习模型，比如量价模型，就有了“大脑”。这个“大脑”能统筹全局，也能自己反思。

架构对比：流水线、端到端、Multi‑Agent（从“自动化”到“组织化”）

我觉得Multi-Agent不是要完全取代流水线或端到端架构。它更像是给这些架构，又加了一个**“组织层”**。Multi-Agent的加入，能把以前需要人来完成的协作，变得更明确，更高效。

流水线架构：它自动化程度高，分工清楚。但是，它缺乏反馈机制。如果模型预测错了，很难找到原因。它也不太能适应复杂变化。
端到端架构：它能简化流程，减少中间步骤。但是，它像个“黑盒”，我们不知道它内部怎么运作。可解释性差，也难和风控结合。
Multi-Agent架构：它有认知分工，能自我反思和修正。而且，每一步都可追溯。它像给系统装上了“大脑”，能思考，能进化。

案例：Trading Agents——模拟真实的量化公司组织架构
有一篇叫《TradingAgents》的论文，介绍了一个框架。它就是模仿真实量化私募的投研架构设计的。它把交易系统分成不同的功能模块，比如数据团队、研究团队、独立风控团队。

Multi-Agent这个概念不新鲜。但是，LLM带来了实质性的变化。它让那些以前需要人主观判断的投研环节，也能变得模块化、流程化。而且，它还能和风控、组合系统形成一个闭环，每一步都能追溯。

Multi-Agent不是否定以前的量化模型。它给这些模型装上了大脑和感官。它让量化投资从单纯的数据算法竞争，升级到了系统认知能力的竞争。

所以，最实际的Quant 4.0落地形式，其实是混合架构。在这个架构下，AI智能体主要负责一些认知型工作。比如，从新闻和公告里提取特征，识别市场状态，排查数据问题，或者让整个流程顺利闭环。而那些具体的因子打分、合成、组合优化，还是交给基础的机器学习模型来完成。这样结合，既能保留传统量价模型的稳定收益，又能增加认知型信息带来的收益。两全其美。

LLM之外的AI量化：持续创新

前面我们主要说了LLM、RAG和Agent是怎么改变信息处理和投研流程的。现在，我们把目光放到LLM之外。过去两三年，在机器学习（ML）模型层面，也出现了几个值得关注的新趋势。

第一是预测侧的“基座化”。这主要说的是时序基础模型（TSFM）。它强调跨资产、跨频率的通用时序表征。

第二是决策侧的“系统化”。这主要是强化学习模型（RL）。它强调多智能体端到端模式的一体化架构。

预测侧基座模型：TSFM

时序基础模型（TSFM），就是把**“基础模型（Foundation Model）”的概念，用在了时间序列数据**上。它通过分析海量、跨资产、跨频率、跨市场的时间序列数据，提炼出通用的时间模式。然后，它就能很方便地用在各种下游任务上，比如预测、分类、异常检测。

TSFM最大的优点，是它的泛化能力和迁移学习能力。它在万亿级的时间点上学习，能找到普适性的时间规律。这种零样本学习的模式，让模型可以直接用在它没见过的新任务或新数据集上。不用调整参数，就能直接用。这在金融领域特别重要。比如，当有新股票上市，或者遇到数据不多的新兴市场时，传统模型可能就无能为力了。但是TSFM就能发挥作用，因为它已经学到了很多通用的时间规律。

决策侧优化模型：强化学习RL

强化学习（RL）模型，最擅长处理连续决策的任务。它就像一个棋手。每一步，它会观察市场状态，然后决定下一步怎么走（比如下单、调仓、对冲）。市场给出反馈后，它会根据这个反馈，不断优化自己的策略。它的目标是让长期收益最大化，或者让交易成本最小化。

这和我们平时“先预测再决策”的方法不一样。RL采用端到端模式，直接输出动作。它更适合处理那些多步决策中，预测误差可能积累，而且约束条件不断变化的情况。

我认为，强化学习在量化领域，更有可能先用在那些目标明确、反馈清晰的小问题上。比如：

交易执行：在控制冲击成本、滑点和流动性的前提下，帮你拆分订单，优化交易路径。
动态风控与仓位管理：在控制回撤、敞口和风险预算的条件下，帮你动态调整仓位。

这些问题，还可以扩展到期权做市、波动率交易、动态资产配置等更广泛的交易场景。它们本质上都是在明确的约束和收益反馈下，去优化长期策略。所以，在方法上，它们和执行、风控问题是相通的。强化学习在这个领域有很大的潜力。

展望：中频或成主战场，Quant 4.0时代的能力重估

我们回顾一下过去两年。量化行业以前主要比拼两件事：一是挖出更厉害的单一预测信号；二是追求更快的硬件响应速度。但是，现在大模型（LLM）和多智能体（Multi-Agent）技术都来了。我感觉，行业已经到了一个新的转折点。竞争的重点，正在从“单个模型预测多准”，转向**“整个系统的研究和实现能力”**。

从信号挖掘走向认知构建

这种转变，背后是超额收益（Alpha）来源的深层变化。以前我们量化的优势，主要靠分析价格、交易量数据和结构化的财务指标，从中找统计规律。这叫“技术Alpha”。现在，LLM和Agent技术的加入，让量化策略有机会去挖掘**“认知Alpha”。但我要说清楚，认知Alpha不是要取代技术Alpha**，它们是互相补充的。基础的机器学习模型，比如处理价格动量、反转和微观结构的那些，它们依然是量化收益的“基本盘”。

AI系统的到来，有两点好处。

它能理解海量公告、问询函和新闻舆情的语义。这样，它就能捕捉到传统模型看不到的“管理层预期差”。这就像给量化策略装上了“眼睛”，能看到以前看不到的东西。
它能用Agent，大大提高传统机器学习模型迭代和优化的速度。

这种结合，正在缩小量化研究和基本面研究之间的距离。

而且，现在信息传播太快了。新媒体环境下，各种信息产生、传播、发酵都很快。市场轮动也加速了，信号的有效期越来越短。这给我们投研系统提出了更高的要求。我们不仅要能把非结构化信息实时变成标准化信号，还要能把“研究到策略”的时间大大缩短，才能适应市场的快速变化。

主战场或为中频赛道

在各种时间尺度里，我倾向于认为中频区间（分钟级到周度），将成为AI技术落地的主战场。为什么呢？因为它在这几个方面，找到了很好的平衡：

数据充足：和那些数据稀疏的低频段比，中频有足够的数据样本。这能支撑Transformer等复杂模型进行训练和微调。
延迟容忍度高：和毫秒级的高频段比，中频对延迟的容忍度高一些。这能让Multi-Agent系统在做决策前，有时间进行多轮逻辑辩论、风控和压力测试。这样能保证策略更稳健。
交易机会丰富：中频区间有很多交易机会。而且，它也容易受到冲击成本的影响。AI在这里，能更好地优化交易执行模型，也能挖掘认知Alpha。

所以，我觉得中频赛道未来会变得非常热闹。

Quant 4.0时代的能力重估

未来的量化投研系统，可能会是这样的：

上游：一个实时更新的多模态知识库。里面有各种数据和信息。
中游：通过多智能体辩论机制来挖掘因子，生成代码。
下游：独立的交易执行智能体和风控智能体来完成交易闭环。
或者，它会像一个**“指挥官”**。能实时监控市场，动态调整不同频率策略的风险预算。

但是，我们必须清醒地认识到：通用AI工具（比如Openclaw、Cowork这些）和算力会很快普及。到时候，单个模型的预测优势，还有最初级的流程自动化带来的红利，都会很快消失。一个能涵盖“数据—研究—交易—监控—归因”所有环节的AI-Agent投研平台，很可能就会变成未来Quant 4.0时代所有机构都必须具备的基础设施。

既然这种系统化平台只是进入这个行业的门槛，它就不能成为我们最终的护城河。我认为，未来能带来**可持续超额收益（Alpha）**的，最终还是会回归到以下几个方面：