智能体与深度学习：因子投资发展双范式——海外文献推荐系列之一百八十九.pdf

本文围绕“因子投资发展双范式”这一主线，梳理了因子投资从传统人工构造转向智能体和深度学习双路径的前沿研究。传统因子挖掘面临瓶颈，核心问题转向构建持续性的系统化Alpha研究框架。

在智能体维度，介绍了三类代表性框架：自主循环Agentic AI框架通过ReAct循环实现自动化闭环，规避数据窥探；LLM-MCTS框架结合蒙特卡洛树搜索，通过多维度评估和频繁子树规避机制引导系统性探索；QuantaAlpha框架引入轨迹级进化机制，通过变异与交叉算子提升因子生成的可控性和多样性。

在深度学习维度，介绍了多种建模范式：PPO自适应因子加权方法根据市场状态动态调整因子权重；残差因子分布预测方法剥离共同风险暴露，学习更接近个股特异性Alpha分布特征；E2EAI算法将因子筛选、深度因子学习、股票选择与组合构建纳入统一训练目标，实现端到端优化。

结论指出，智能体与深度学习并非相互替代，而是分别从“可解释信号生成”和“非线性Alpha表达”两个维度拓展了传统因子投资方法。未来因子投资的关键在于构建兼具可解释性、泛化能力、动态适应性和工程可落地性的Alpha生产体系，二者的融合有望成为下一阶段量化因子投资研究和实践落地的重要方向。