智能體與深度學習：因子投資發展雙范式

因子投資研究背景與范式分化

近年來，傳統因子挖掘與因子投資正面臨著愈發明顯的瓶頸。一方面，經典量價和基本面因子的擁擠性和Alpha衰減問題日益突出；另一方面，傳統人工假設驅動的研究流程高度依賴經驗，存在搜索空間有限、生成效率低等問題。同時，資產收益中的非線性關系和動態狀態切換更加顯著。因此，當前因子投資研究的核心問題已經從“如何尋找某個有效因子”，逐漸轉向“如何構建一套具備持續性的系統化Alpha研究框架”。

在這一背景下，因子投資出現了兩類極具代表性的新范式。第一類是以LLM Agent為代表的智能體因子挖掘方法，將大語言模型嵌入因子研究流程中，實現自動化閉環，在擴展因子搜索空間，提高研究效率的同時，保留因子的可解釋性。第二類是以深度學習算法為代表的建模方法，其優勢在于能夠從高維、多源、非線性數據中學習新的Alpha表達，并將因子生成和組合構建更緊密地連接起來。

智能體因子挖掘：從簡單生成到自主研究系統

智能體因子挖掘代表了傳統因子挖掘的智能化延伸，旨在解決人工探索效率有限、因子空間覆蓋不足等問題。代表性研究包括自主循環Agentic AI框架、LLM-MCTS框架以及QuantaAlpha框架。

自主循環Agentic AI框架通過推理-行動-反思（ReAct）循環，內生生成可解釋因子。該架構包含約束化假設生成器、確定性執行層、統一評估器、透明篩選器和記憶更新策略。全程實施經濟正則、嚴格統計門檻和樣本外隔離，從源頭規避數據窺探，聚焦流動性、關注度、交易擁擠、價格動量/反轉等經濟驅動因子，實現從“數據擬合”到“經濟規律挖掘”的轉變。

LLM-MCTS框架將公式化因子挖掘建模為蒙特卡洛樹搜索問題。該框架以LLM作為生成與推理核心，蒙特卡洛樹搜索作為系統性探索框架，真實回測數據作為量化反饋依據。通過UCT算法平衡探索與利用，結合多維度量化評估（有效性、穩定性、換手率、多樣性、過擬合風險）和頻繁子樹規避機制，引導模型在廣闊因子空間中進行高效探索，生成具備清晰金融邏輯的因子。

QuantaAlpha框架則引入軌跡級進化機制，將因子挖掘建模為“軌跡級進化”問題。通過多樣化規劃初始化、可控因子構建（引入符號化中間表示和AST）、多維度評估、軌跡級進化（變異與交叉算子）以及有效因子池構建，解決現有LLM因子挖掘可控性弱、可信度不足、探索受限等痛點，提升因子生成的可控性、多樣性和泛化能力。

深度學習Alpha表達：因子合成與端到端優化

深度學習路徑提供了新的Alpha表達方式，強調非線性高維、多源數據建模與端到端組合優化的能力。代表性研究包括基于PPO的自適應因子加權、殘差因子分布預測以及E2EAI端到端深度學習框架。

基于PPO的自適應因子加權方法采用“LLM因子生成+PPO權重優化”的雙層架構。首先由大語言模型生成多樣化公式化因子，隨后構建PPO強化學習交易環境，將市場行情、持倉狀態等整合為狀態空間，以因子權重向量為動作空間。PPO智能體依據實時市場狀態動態調整因子權重，加權合成綜合因子信號，實現動態調倉和風險適配的交易決策，有效解決傳統因子衰減和靜態權重適配性差的問題。

殘差因子分布預測方法不再直接預測股票原始收益，而是先將收益拆解為共同風險因子部分與個股殘差部分，再利用深度學習模型預測殘差因子的分布。通過譜分解提取殘差信息，剝離共同風險暴露，使模型學習對象從原始收益轉向更純粹的Alpha成分。結合具有幅度不變性和時間尺度不變性的神經網絡結構，將預測得到的殘差分布輸入投資組合構建過程，使最終策略圍繞風險調整后收益進行配置。

E2EAI框架首次實現從原始因子輸入、動態因子篩選、深度因子學習到自動股票選擇與組合構建的全鏈路聯合優化。該框架包含因子篩選、深度多因子建模、組合構建和損失設計與優化四大核心模塊。通過門控注意力機制動態篩選高貢獻因子，利用圖注意力網絡剝離行業和市場整體影響，設計方向注意力機制增強模型可解釋性，實現端到端聯合訓練，打破傳統模塊割裂瓶頸。

雙范式融合與未來展望

智能體與深度學習并非相互替代，而是分別從“可解釋信號生成”和“非線性Alpha表達”兩個維度拓展了傳統因子投資方法。智能體更像是傳統人工因子挖掘的智能化延伸，強化了因子生成與研究閉環能力；深度學習則提供了新的Alpha表達方式，強調非線性高維、多源數據建模與端到端組合優化的能力。

未來因子投資的關鍵在于構建一套兼具可解釋性、泛化能力、動態適應性和工程可落地性的Alpha生產體系。混合式因子投資框架可能成為現實方向：用Alpha Mining提供可解釋、可審計、經濟含義明確的基礎信號，用深度學習捕捉復雜非線性關系、動態狀態和高維另類數據特征，再通過統一的組合優化和風險控制層將兩類信號整合為最終投資組合。LLM Agent則可能成為連接兩類路徑的研究自動化層，在Alpha Mining端輔助生成研究假設和回測代碼，在深度學習端協助設計特征和解釋模型歸因。