作者: 随机森林之外
同样是产出有效因子，传统做法需要 3 个月的探索，验证和迭代。而 AI Agent 矩阵可以在几天内完成大量候选因子的探索。
效率的提升确实诱人。
但上手调教过量化投研 Agent 的人，都清楚：
很多跑出来“看起来有效”的因子，实盘却用不上。
一边是投研周期大幅缩短，一边是 token 成本在持续燃烧。
效率的瓶颈并没有消失，而是在不断迁移。从早期的“因子怎么生成”，逐渐转向“哪些方向值得搜索、哪些结果值得保留，以及如何验证它们能否穿越样本外和真实交易成本”。
前者是计算问题，加算力就能缓解；后者是判断问题，算力也帮不上忙。
Agent 可以把候选因子的生成速度提高几个数量级，但如果搜索空间没有被约束，评价体系又只有 IC、IR 这样的单一指标，那么生成得越快，堆积的候选因子废品也越多。
那到底能否提升 Agent 因子挖掘的效率？
我们需要解决的，不只是让 Agent 生成得更快，而是让它更早地知道哪些方向不值得继续。
Agent 的学习门槛
先看 Agent 学习中，到底会遇到哪些问题？
1. 无法对失败做因果归因
Agent 迭代过程中会生成大量的废品因子：
•未来函数•过拟合•逻辑荒谬如果反复踩同样的坑，效率还是会打折扣。我们自然想让 Agent 记住这些失败，避免重复犯错。
但这个愿望从一开始就碰了壁：
当前 Agent 缺少自主发现高层语义失败模式的能力，很难稳定地把一次失败压缩成可迁移的失败模式。**它的反馈机制更容易识别的是数值标签。**既然这样，那我们把低分因子存进记忆库，是不是就能让 Agent 记住教训？
事实上，简单记录失败结果并不能解决问题。问题并不在于记忆库是否能够存储这些信息，而是 Agent 是否能够把一次失败转化为可迁移的结构化知识。
一个低分因子的价值，不只是告诉 Agent“这个表达式效果不好”。更有价值的信息可能是：它为什么失败——是因为数据泄漏、过度拟合、交易成本侵蚀，还是某种市场状态发生变化导致失效？
如果记忆中只保存：
“因子表达式 → IC 低”
那么 Agent 得到的只是一个孤立结果，无法迁移到下一轮探索。
人类研究员看到一条死路，会进一步抽象为：“这类短周期价格动量信号在高波动环境下容易失效”。这种关于失败模式的抽象认知，才是可以指导未来搜索的经验。
未来 Agent 需要的并不是简单的历史记忆库，而是能够沉淀失败原因、市场环境和失效模式的“失败知识库”。
那我们就试着让 Agent 学会区分失败的原因，帮它建立失败模式的因果抽象层。举例来说：
1.先把失败原因分成“数据泄漏型”“统计幻觉型”“逻辑无意义型”。2.然后在知识库的记录上打失效模式标签。检索时可以根据市场状态做过滤，高波动期就把“波动率敏感型”的记录挡在外面。3.最后在生成流水线上加一道质检工序，把表达式解析成语法树，拦截“日期戳作为数值输入”“非线性嵌套层数超阈值”这类违规模式。值得记忆的不是“这个表达式失败了”，而是：什么类型的假设，在什么市场环境下，以什么方式失败。
2. 经验难以有效传递
记住失败是一回事，把它变成能指导未来探索的判断是另一回事。
如果指令给得具体，Agent 就像照着菜谱做菜，只能执行已有规则，很难迁移到新的市场环境；但如果指令给得抽象，它又像被扔进陌生厨房的实习生，不知道哪些经验可以应用。
问题并不只是指令粒度的问题，主要在于量化经验本身具有高度的情境依赖性——它需要从抽象描述转化为具体的市场状态、行为模式和决策规则。
人类研究员的经验通常不是一句简单的规则，而是一套隐含的判断体系。比如：
“震荡市不要追趋势。”
这句话背后可能包含：
•当前波动率环境•趋势持续性的变化•市场参与者行为•历史上类似状态下因子的失效模式人类研究员会自动完成这些情境匹配，但 Agent 如果只接收到一句文本规则，就很难知道何时应该触发、何时应该忽略。
所以，我们要做的不是简单地把经验告诉 Agent，而是如何把经验转化为可计算、可检索、可执行的知识结构。
例如，将：
“高波动环境下趋势因子容易失效”
转化为：
|
|
只有当经验完成类似上述这种结构化，Agent 才可能很好地利用它。否则 Agent 一读取到知识库中的人类经验，就开始用自己的方式来曲解。
3. 模型的“偷懒”与奖励最大化
设定 IC 和 IR 最大化的目标，Agent 不会正面研究复杂的因果逻辑，而是优先寻找能够提升评价指标的统计路径。比如，利用某些时间结构、样本特征或者复杂非线性变换提高样本内 IC，却未必对应真实可交易的市场规律。
AlphaBench 的研究发现：LLM 能够稳定生成合法因子表达式，但在评估任务上仍面临较大挑战。
这背后的原因其实是，Agent 对“好”的理解来自评价体系。如果奖励函数主要由单一数值指标定义，那么 Agent 优化的目标自然会偏向这些指标本身，而不一定等同于我们真正关心的目标。
说来有点讽刺：Agent 在奖励函数下找捷径，我们说它“偷懒”，但奖励函数是我们自己选的。IC 和 IR 之所以被广泛使用，是因为它们计算简单、比较方便，但它们只是 Alpha 质量的一部分。
**如果用有限的统计指标去评价一个需要长期验证的交易假设，再要求 Agent 自动发现经济含义，就相当于要求它从一个不完整的评价体系中推导完整答案。**只要奖励函数还锁在这有限的几个指标上，Agent 就一定会找到最省力的统计捷径。
破局
1. 真正的突破，不在“高分”里
Fama-French 从三因子走到五因子，市场微观结构因子的崛起，都不是因为某个新因子在旧框架下 IC 更高，是旧框架留下的市场异象无法被解释，暴露出评价体系本身的结构性漏洞。
一流量化研究员的核心工作，并不在于挖出高 IC 的因子，而是盯着主流模型的定价误差问：为什么这个残差这么顽固？
我们给 Agent 设定的目标函数，奖励“拟合”，惩罚“质疑”。这等于把 AI 训练成了一个精于事后解释、拙于事前质疑的工具。
人类研究员看到定价误差时，调动的不止是统计知识。他会想：
•财报季有没有数据口径变化？•做空机制会不会扭曲这个信号？这是对市场运作方式的直觉性参照，源于实盘交易中反复试错所积累的情境化市场直觉。
而 Fama-French 提出新因子时，他们不是先“看到”统计显著性，而是先有了“公司投资决策会影响未来收益”的经济学直觉，再用数据验证。
所以这里的问题是，我们很少给 Agent 定义：什么值得质疑、如何判断一个定价误差值得追查，以及追查之后应该如何验证。
2. 从“高分猎手”到“矛盾侦探”
一个自然的想法，是让 Agent 不再只围绕“哪个因子分数更高”进行搜索，而是主动寻找现有模型解释不了的异常。
从强化学习的**“好奇心驱动”**机制可以借一个思路：当 Agent 发现某个因子结构让基准模型的预测误差突然变大时，可以给予额外的探索奖励。
这里的难点是定义什么样的异常值得 Agent 继续研究，且基准定价模型的质量也会决定好奇心的质量。如果用 CAPM 做基准，Agent 会发现大量没有意义的残差；而用 Fama-French 五因子加动量，能解释的部分多一些，但残差依然庞大。
说到底，量化投研 Agent 需要成为一个“矛盾侦探”。不是简单地把 IC 换成预测误差，我们需要增加一层因子的评价标准，也就是考察新因子对现有模型的增量解释能力。
量化研究员的新坐标
事实上，未来 Quant 的核心竞争力，不在于比别人多挖了多少因子，而是能否给自己的 Agent 设计一个合理的研究边界：
•哪些方向值得探索？•哪些方向需要约束？•什么样的异常值得进一步追问？•什么样的结果应该被淘汰？这些设计动作对应三种核心能力：
1.知道“基准”在哪里，才能知道“残差”在哪里；2.判断一个残差究竟代表经济逻辑变化，还是单纯的统计波动；3.区分真实信号和过拟合，区分值得继续研究的异常和应该被过滤的噪声。这些能力依赖研究流程中的评价体系、经验积累和反馈机制。
对 Agent 而言，挑战并不在于生成一个因子，是在大量可能路径中形成类似研究员的筛选能力——知道什么值得继续探索，什么应该及时停止。
在日常开发中，因子挖掘与 IC 统计仍然是基础操作。但未来流程中，我们该更多投入的是观察模型和因子的失败模式。
•模型定价误差是否持续存在？•某类因子是否在特定市场状态下系统性失效？这些问题往往比在全样本上继续刷高 IC 更值得追问。
# 从挖因子到设计研究边界
量化研究员的护城河正在从“挖因子”转向“设计 Agent 的研究边界”。
这意味着我们需要面对一些具体的问题：
•用哪个评价框架来定义“值得探寻的方向”？•在哪些维度设置硬约束？•如何定期审计 Agent 的探索路径是否偏离了设定意图？这些都没有固定的答案。市场在变化，评价体系需要调整，研究边界也需要不断更新。
未来优秀的 Quant，不仅作为 AI 工具的使用者，更是 Agent 研究系统的设计者。他们需要决定 Agent 在哪里探索、如何评价、如何记忆，以及如何从一次失败中学习。
至于 AI 有一天会不会自己学会设计认知边界，那可能是下一个话题了。
今天我们能做的，不是期待通用 Agent 自动拥有量化研究经验，而是把坐标系设计好，然后把 Agent 放进去。
让它跑得更快，更聪明、且不浪费算力。
算力穷尽遍历，体系决定上限。
星球当前整理了一些量化因子 skills 实战体系，后续持续更新。
提供可直接复用的 Agent 部署方案，帮你高效设定探索边界，让 Agent 知道哪些研究方向值得继续、哪些该及时止损。欢迎加入我的星球。
用标准化研究范式，告别噪声试错，沉淀可落地的量化壁垒。
✦ 更多学习交流、干货分享
主页回复「星球」，了解更多详情。
Looping因子挖掘：Agent量化的迭代尽头，真实Alpha有多少？
来源: 微信公众号