量化研究遇瓶颈？大模型化身研究员团队，自动挖掘超额收益信号！

如果把量化投资里最难的一件事挑出来，很多人都会指向同一个词：Alpha。

说白了，就是那些能提前告诉你"这只股票后面大概率怎么走"的有效信号。

问题也恰恰出在这里。市场噪声太大，数据维度太高，真正有用的信号又少得可怜。人手搓因子，慢；遗传编程容易在局部打转，产出一堆长得差不多、经济意义也不强的东西；深度学习虽然猛，但很多时候你知道它有效，却说不清它为什么有效，换个市场、换个周期，就不一定稳了。

现在，一篇来自香港大学和 Grace Investment Machine（GIM）的工作想把这件事换个做法。

他们做了一个叫 CogAlpha 的框架，入选 ACL 2026 推荐 Oral。

一句话概括：不再让大模型只当"写公式的助手"，而是把它当成会分工、会反思、会迭代、还会自己改代码的研究员团队，去自动挖掘 Alpha。

在来自中美港三个市场的 5 个数据集上，这套方法稳定跑赢了 21 个基线方法。主实验 CSI300、10 天预测任务上，年化超额收益达到 16.39%，信息比率1.8999。

这事有点意思了。

CogAlpha 的第一个关键变化，是把 Alpha 从"公式"升级成了"代码"。

这不是小改动。用公式表达因子，表达能力受限。一旦换成 Python 代码，因子的搜索空间会一下被打开——大模型不再只是吐一个数学表达式，而是能写出带注释、带逻辑、能执行、能检查的候选因子程序。

整个系统里最抓眼球的部分，是一个7 层、21 个智能体的探索体系。这 7 层不是随便分的，而是按量化研究的思考方式，从宏观到微观一路拆下去：

你可以把它理解成：不是让一个大模型闷头想因子，而是让一整个分工明确的研究团队，同时从不同角度去挖。

CogAlpha 走了一条很像研究员反复打磨的路径：先生成一批候选 Alpha，再检查代码能不能跑、逻辑有没有问题，然后用 IC、RankIC、ICIR、RankICIR 和互信息 MI 五个指标做筛选，接着把好的候选拿去做变异、交叉和进化，最后不断迭代，把差的淘汰，把更有潜力的留下来。

筛选分两档：超过同代 65 分位的算合格因子，超过 80 分位的算精英，后者进入下一轮演化。

这个设计很关键。Alpha 挖掘最怕的，不是找不到一个好因子，而是老在同一类因子里绕圈。

在这里，CogAlpha 相比 21 个基线方法拿到了最好的整体表现。

换句话说，CogAlpha 在这项核心实验里，年化超额收益大约翻倍，IR 也明显拉开。

量化圈一个老问题是：很多因子能跑，但解释不清。

不复杂，但讲得通。

对机构来说，这点很重要。真正能进研究流程、进交易流程的，不只是高分因子，而是能被理解、能被复核、能被追责的因子。

这篇工作更大的价值，可能在于它给出了一种新范式：让大模型不只是生成内容，而是参与研究流程本身；不只是给答案，而是组织探索、筛选、反思和进化。

放在量化里，这叫自动化 Alpha 发现。再往外看，更像一种 Agentic Research 的落地案例——把研究任务拆成层级化认知单元，给每个单元设定职责，再让系统通过反馈做持续演化。

如果这套方法能在 Alpha 挖掘里成立，那别的高噪声、低信号、需要创造性探索的研究任务，是不是也可以这么干？材料发现、策略生成、实验设计、复杂工业优化，这个问题值得继续看。

但这不妨碍它的重要性。很多真正改变行业的东西，第一步都不是立刻商用，而是先证明一件此前没人证明清楚的事：

原来这条路，真的走得通。

量化投资过去几十年，一直在和同一个问题缠斗：怎么在充满噪声的市场里，持续找到新信号。现在，大模型以另一种身份加入了这场游戏——不是聊天机器人，也不是写摘要的工具，而是一个会分工、会写代码、会自查、会进化的研究系统。

CogAlpha 让人第一次比较具体地看到：AI 也许真的可以参与"发现"本身，而不只是参与"表达"与"执行"。

在 GIM（Grace Investment Machine）我们相信，AI技术正处在在重塑资本市场的关键节点。因此，我们致力于融合最前沿的AI与大模型技术，打造新一代智能投资范式——不仅是量化方法的升级，更是投资决策逻辑的重构。

我们希望通过智能分析师与交易系统，将金融市场洞察与执行效率提升至全新量级。 我们核心团队来自全球顶尖对冲基金、DeepMind、Meta、Anthropic 等前沿AI实验室，以及牛津、清华、北大、港大等知名高校。