多因子投资的Agent时代——写在新旧基金交替之际

多因子投资的本质从未改变，但挖掘规律的工具、竞争的烈度以及规律本身的半衰期正在经历剧变。LLM与Agent的崛起使数学和工程门槛加速坍塌，行业正走向K型分化。本文梳理多因子投资的三个时代，分析Agent带来的红利与挤压，并提出策略Scale-Up的五条主线。

变与不变

多因子投资的本质，是以数理逻辑系统性地挖掘并利用市场中的统计规律。

市场从来不是完全有效的。投资者的行为偏差、市场结构的摩擦、资金流动的惯性，都会在价格序列与截面分布中留下可被统计方法捕捉的印记。多因子体系所做的，是把这些印记形式化为”因子”，再通过组合优化，把大量分散、微弱、但统计上稳定的优势聚合起来，转化为可持续的超额收益。

这一本质，从这门手艺诞生之日起就没有变过，今后也不会变。会变的是三样东西：挖掘规律的工具、竞争的烈度，以及规律本身的半衰期。理解了这三个变量，也就理解了这个行业为什么会分成几个泾渭分明的时代。

三个时代

黄金时代（2017年之前）：胜负手是”在场”

彼时的关键，是解决有无问题。把这一在成熟市场千锤百炼的先进范式，带到21世纪10年代的A股——一个散户占比高、定价效率低、量化渗透率几乎为零的市场——哪怕是很粗糙的模型，也能大杀四方。小市值、反转、流动性、打新增强……alpha俯拾皆是。那个年代的竞争，比的不是模型的精巧，而是你是否已经坐上了牌桌。

白银时代（2018–2025）：胜负手是执行

2018年以后，门槛显著下降：工具链走向成熟，数据商、回测框架、算力唾手可得；人才批量供给，海归量化与竞赛选手源源不断地涌入；赛道的管理规模一路膨胀。于是局面变成：一方面，搭建一整套系统的门槛极低；另一方面，越来越多的资金涌入同一条赛道。

结果是因子的同质化内卷——大家用相似的数据、维护相似的因子库、跑相似的组合优化器。那些众所周知的因子迅速钝化；确切地说，它们不再贡献多头alpha，只剩下风险维度上的解释力。超额收益的中枢逐年下移，拥挤度风险从纸面走向现实——2024年初微盘股的流动性危机，就是一次昂贵的预演。

这个时代仍然有钱可赚，但赚的是工程细致与交易纪律的钱，而不再是认知差的钱。

青铜时代（2026-???）：胜负手是认知

LLM的发展，使得数学与工程的门槛以前所未有的速度坍塌。过去需要一支团队数年积累的多因子系统，如今GitHub上已有开源的完整框架；过去横亘在门外的数理功底与工程能力，而今可以按token计价购买。当”有”不再稀缺，”有”本身便一文不值。

对行业的平均水平而言，这是一个alpha更加贫瘠的青铜时代；但对少数人而言，这恰恰是下一个黄金时代的入口。分化，正是从这里开始的。

K型分化

人才的分化

使用AI完成基础性的作业，已经成为一种显而易见的日常行为，AI对学业表现的影响，在教育层面的研究中也已得到证实。这种唾手可得的智能，正在瓦解人才从0到1的培养漏斗：当每一个基础任务都可以交给AI时，新人赖以积累手感与直觉的那些”脏活累活”，恰恰被抽空了。这些基础素养的缺失，会在未来导致项目的坍塌，还是可以完全由AI的能力支撑和替代？我也不知道，留给时代解答。但是我知道，在任何时代都有能硬啃底层工程和艰深数学的顶尖人才。

对机构而言，这笔账算得更加直白：与其招聘初级工程师、初级研究员——甚至中级工程师与研究员——不如把预算花在AI token上，产出的性价比高下立判。于是，那种让新人从零开始打怪升级、积累经验值、同时还有薪水可拿的学徒模式，一去不复返了。

未来的人才市场只剩两极：一极是能够驱动Agent集群完成海量研发工作的顶尖人才，另一极则在生产函数中找不到自己的位置。中间地带正在消失。

策略的分化

策略也呈现同样的K型。做得好的策略，掌握着一些别人不知道的东西——独有的数据理解、独到的建模视角、独占的执行优势——超额收益能够显著超出众人；做得平庸的策略，再也无法凭借简单的数据壁垒或算力壁垒安身立命，因为这些壁垒在Agent时代的边际成本正趋近于零。

策略的收益分布，会从过去的”正态”走向”双峰”。

Agent时代红利

对中小团队而言，Agent是一把双刃剑。

挤压的一面： 大机构以”顶尖人才×Agent集群”的方式叠加研发带宽，产能呈指数级扩张；与此同时，完整的多因子开源框架已经在公域流通，行业的底线被不断抬高。

解放的一面： Agent时代最大的福利，是极为廉价的数学与工程执行能力。一个三五人的团队，可以借助Agent，以极低的成本把自己的工程能力与研究带宽，迅速扩展到过去数十人团队的水平。数据清洗、因子实现、回测框架、风险归因、实盘监控——这些过去吞噬人力的环节，如今都可以交给Agent流水线。

这意味着竞争的约束条件变了：不再是人手，也不再是资本，而是研究品味、判断力与迭代速度。小团队第一次有机会在”带宽”上与大机构掰手腕——前提是，把省下来的带宽花在正确的方向上。

策略Scale-Up的五条主线

以下五条，是我为新基金立下的研发纲领。

特征挖掘的闭环

分工原则是：人提供研究品味，Agent提供执行能力。人负责提出假设、注入先验、行使否决权；Agent负责数据处理、代码实现、回测验证与报告生成。

真正的关键，是把这个闭环搭成可持续运转的流水线，并用严格的统计纪律对抗过拟合——假设登记在先，样本外验证在后，多重检验必须校正。人是采样器与过滤器，Agent是不知疲倦的执行器。

走出IC，端到端优化投资组合

传统范式止步于”因子IC最大化”，但IC与组合的最终收益之间，隔着权重、约束、成本与风险的层层折损。新范式应当把预测与组合构建打通，直接以组合的收益风险特征为目标做端到端优化。

这里有一个常被忽视的事实：金融数据的信噪比极低，其中蕴含的信息量非常有限——这决定了并不需要一个超大参数量的模型才能达到一流业绩，一个不太大的模型就足够了，关键在方法：目标函数的设计、正则化的施加、训练流程的构造。用数学降低硬件门槛——而这正是AI Agent最擅长的数学与工程优化。

选股、执行与日内的协同优化

小资金在日内交易执行与日内动量的利用上天然占优——冲击成本低、进出灵活，这是大资金给不起的奢侈。

我们不仅要利用这种优势，还要把它与日频的截面选股做多频率叠加：让日内信号修正日频权重的实现路径，让执行层面的alpha与选股层面的alpha相互增益，形成”预测—交易”的一体化，而非各管一段的流水作业。

非结构化数据的工业化处理

有了LLM廉价的大带宽处理能力，年报、公告、调研纪要、交易所互动平台——这些过去只能靠昂贵专有数据集间接触达的信息，如今可以直接从原始文本中工业化提取，没有必要再购买专有数据集。

数据的壁垒正在从”是否拥有”转移到”如何提取”。

从1D到2D，再到3D

传统的截面范式是1D建模：以单只股票自身的特征预测其期望收益，股票之间彼此独立。

下一步是2D：在截面上显式建模股票之间的关联结构——产业链上下游、同业竞争、资金联动——在平面上寻找结构，让一只股票的信息为另一只股票的定价服务。

再往前是3D：把时间、股票、特征组织成时空张量，捕捉lead-lag效应、动量的跨股票溢出等时空关联。

维度的每一次升级，都是信息利用率的一次跃迁——这个方向的挖掘尚不充分。

结语

时代的门票，正在从资本与人力，换成认知与品味。

愿我们站在K的上半边。