智能体与深度学习：因子投资发展双范式

因子投资研究背景与范式分化

近年来，传统因子挖掘与因子投资正面临着愈发明显的瓶颈。一方面，经典量价和基本面因子的拥挤性和Alpha衰减问题日益突出；另一方面，传统人工假设驱动的研究流程高度依赖经验，存在搜索空间有限、生成效率低等问题。同时，资产收益中的非线性关系和动态状态切换更加显著。因此，当前因子投资研究的核心问题已经从“如何寻找某个有效因子”，逐渐转向“如何构建一套具备持续性的系统化Alpha研究框架”。

在这一背景下，因子投资出现了两类极具代表性的新范式。第一类是以LLM Agent为代表的智能体因子挖掘方法，将大语言模型嵌入因子研究流程中，实现自动化闭环，在扩展因子搜索空间，提高研究效率的同时，保留因子的可解释性。第二类是以深度学习算法为代表的建模方法，其优势在于能够从高维、多源、非线性数据中学习新的Alpha表达，并将因子生成和组合构建更紧密地连接起来。

智能体因子挖掘：从简单生成到自主研究系统

智能体因子挖掘代表了传统因子挖掘的智能化延伸，旨在解决人工探索效率有限、因子空间覆盖不足等问题。代表性研究包括自主循环Agentic AI框架、LLM-MCTS框架以及QuantaAlpha框架。

自主循环Agentic AI框架通过推理-行动-反思（ReAct）循环，内生生成可解释因子。该架构包含约束化假设生成器、确定性执行层、统一评估器、透明筛选器和记忆更新策略。全程实施经济正则、严格统计门槛和样本外隔离，从源头规避数据窥探，聚焦流动性、关注度、交易拥挤、价格动量/反转等经济驱动因子，实现从“数据拟合”到“经济规律挖掘”的转变。

LLM-MCTS框架将公式化因子挖掘建模为蒙特卡洛树搜索问题。该框架以LLM作为生成与推理核心，蒙特卡洛树搜索作为系统性探索框架，真实回测数据作为量化反馈依据。通过UCT算法平衡探索与利用，结合多维度量化评估（有效性、稳定性、换手率、多样性、过拟合风险）和频繁子树规避机制，引导模型在广阔因子空间中进行高效探索，生成具备清晰金融逻辑的因子。

QuantaAlpha框架则引入轨迹级进化机制，将因子挖掘建模为“轨迹级进化”问题。通过多样化规划初始化、可控因子构建（引入符号化中间表示和AST）、多维度评估、轨迹级进化（变异与交叉算子）以及有效因子池构建，解决现有LLM因子挖掘可控性弱、可信度不足、探索受限等痛点，提升因子生成的可控性、多样性和泛化能力。

深度学习Alpha表达：因子合成与端到端优化

深度学习路径提供了新的Alpha表达方式，强调非线性高维、多源数据建模与端到端组合优化的能力。代表性研究包括基于PPO的自适应因子加权、残差因子分布预测以及E2EAI端到端深度学习框架。

基于PPO的自适应因子加权方法采用“LLM因子生成+PPO权重优化”的双层架构。首先由大语言模型生成多样化公式化因子，随后构建PPO强化学习交易环境，将市场行情、持仓状态等整合为状态空间，以因子权重向量为动作空间。PPO智能体依据实时市场状态动态调整因子权重，加权合成综合因子信号，实现动态调仓和风险适配的交易决策，有效解决传统因子衰减和静态权重适配性差的问题。

残差因子分布预测方法不再直接预测股票原始收益，而是先将收益拆解为共同风险因子部分与个股残差部分，再利用深度学习模型预测残差因子的分布。通过谱分解提取残差信息，剥离共同风险暴露，使模型学习对象从原始收益转向更纯粹的Alpha成分。结合具有幅度不变性和时间尺度不变性的神经网络结构，将预测得到的残差分布输入投资组合构建过程，使最终策略围绕风险调整后收益进行配置。

E2EAI框架首次实现从原始因子输入、动态因子筛选、深度因子学习到自动股票选择与组合构建的全链路联合优化。该框架包含因子筛选、深度多因子建模、组合构建和损失设计与优化四大核心模块。通过门控注意力机制动态筛选高贡献因子，利用图注意力网络剥离行业和市场整体影响，设计方向注意力机制增强模型可解释性，实现端到端联合训练，打破传统模块割裂瓶颈。

双范式融合与未来展望

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。智能体更像是传统人工因子挖掘的智能化延伸，强化了因子生成与研究闭环能力；深度学习则提供了新的Alpha表达方式，强调非线性高维、多源数据建模与端到端组合优化的能力。

未来因子投资的关键在于构建一套兼具可解释性、泛化能力、动态适应性和工程可落地性的Alpha生产体系。混合式因子投资框架可能成为现实方向：用Alpha Mining提供可解释、可审计、经济含义明确的基础信号，用深度学习捕捉复杂非线性关系、动态状态和高维另类数据特征，再通过统一的组合优化和风险控制层将两类信号整合为最终投资组合。LLM Agent则可能成为连接两类路径的研究自动化层，在Alpha Mining端辅助生成研究假设和回测代码，在深度学习端协助设计特征和解释模型归因。