在量化投资领域，一个长期存在却愈发尖锐的问题正在凸显：可研究的数据和潜在关系正在指数级增长，而人类研究员的认知带宽却始终有限。无论团队规模多大，研究员每天能够真正思考、验证并消化的想法终究是有限的。
正是在这一背景下，Man Group 内部诞生了AlphaGPT——一套并非用于“辅助提问”，而是可以端到端完成系统化量化研究流程的 agentic AI研究工作流。从提出假设、编写代码到运行回测，再到进入正式的研究与投资委员会审核，它与人类研究遵循完全一致的标准。
围绕这一系统，Man Numeric 高级投资组合经理Ziang Fang给出了一个清晰而克制的判断：AlphaGPT 的价值不在于取代人类判断，而在于让研究流程在速度、覆盖面和一致性上发生质变。
本文基于 Man Group 发布的文章What AI Can (and Can't Yet) Do for Alpha，并结合对Ziang Fang（Senior Portfolio Manager, Man Numeric）的访谈内容整理而成，以“十问”为主线，从数据、建模、研究流程到投资决策，逐层拆解 AI 如何真正融入量化投资体系，以及它为什么还不能替代人类。
如果你关心的不是“AI 能不能炒股”，而是AI 如何被严肃地用于系统化 Alpha 研究，这十个问题值得思考。
1. 为什么量化研究需要 AlphaGPT？
量化研究今天面临的核心矛盾，并不在于“有没有想法”，而在于是否有能力系统性地探索足够多的可能性。
一方面，另类数据、非结构化数据和复杂市场交互关系不断涌现；另一方面，即便是经验最丰富的研究员，也只能在有限时间内测试极小的一部分假设空间。
无论个人能力多强，人类研究员都只能探索整体可能性中的一个极小子集。
AlphaGPT 的出发点正是弥补这一结构性瓶颈：在保持既有研究标准不变的前提下，显著扩大可被验证的研究空间。
2. AlphaGPT 到底是什么，而不是什么？
AlphaGPT 并不是一个用于对话的聊天机器人，也不是一个“自动生成交易信号的黑箱模型”。它被定义为一套严格遵循 Man Group 系统化投资方法论的 AI 研究工作流。
在实际设计中，团队将其抽象为一个“数字化三人研究小组”，每个角色对应量化研究中的一个关键阶段，并由统一的流程调度器进行管理。
3. AlphaGPT 是如何完成一项完整研究的？
从结构上看，AlphaGPT 更像是一支高度分工、永不疲倦的研究小组。系统被拆分为三个彼此协作的“角色”，并由一个统一的工作流调度器进行协调。
角色1：负责提出想法的研究员
第一个模块专注于投资假设与研究命题的生成。AlphaGPT 会像人类研究员一样，围绕市场微观结构、公司行为或经济变量提出问题，例如某类订单行为是否具有预测力，或某些经营特征是否与未来收益相关。
不同之处在于，它能够在极短时间内系统性扫描大量潜在关系组合，并主动覆盖那些因认知成本过高而常被人类忽略的区域。
实践中，团队观察到，AlphaGPT 可以在几分钟内生成数十个具有研究价值的假设，而这一过程在传统流程中往往需要数天。
角色2：将想法落地的实现者
一旦假设被提出，第二个模块会负责将其转化为生产级 Python代码。这些代码直接调用 Man Group 内部的研究工具与专有数据库，完成数据清洗、特征构建和回测逻辑。
在传统流程中，研究员往往需要花费大量时间在调试和反复修改代码上。AlphaGPT 在这一环节显著压缩了周期，使研究人员能够将更多精力投入到判断“这个想法是否值得继续”上，而不是“代码为什么又报错了”。
角色3：严格把关的评估者
第三个模块承担的是评估与筛选职责。所有 AI 生成的研究结果，都会进入严格的评估阶段。统计显著性、风险特征和经济逻辑缺一不可。
一个信号必须在经济上说得通，而不仅仅是在历史数据中表现良好。
评估标准与人类研究完全一致，任何无法通过这些门槛的信号都会被直接淘汰。
4. 为什么“推理过程透明”如此重要？
在量化研究中，一个回测结果本身并不足以构成可信证据。关键在于，这个结果是如何一步步产生的。
AlphaGPT 的设计强调全过程记录。每一次决策、每一个参数选择、每一项过滤条件，都会被清晰地记录下来。这种透明度不仅有助于后续审查，也为团队提供了一个反思既有研究流程的机会。
有趣的是，AI 并不会像人类团队那样逐渐形成集体盲区。它从研究员那里学习方法，但并不“坐在同一个房间里思考”，反而可能暴露一些被长期忽略的假设前提。
5. 高速研究会不会放大统计风险？
速度的提升不可避免地带来新的风险。AlphaGPT 可以在短时间内测试大量模型组合，这会显著提高“偶然显著”的概率，也就是经典的多重检验问题。
Man Group 并未为 AI 放宽标准。相反，所有 AI 研究都被强制纳入原本用于约束人类研究的数据纪律体系中。统计方法、验证流程和风险评估标准保持完全一致。
此外，还存在模型幻觉和逻辑漂移的风险，例如研究假设与实际代码实现不一致。对此，系统内置了多重一致性校验，并结合自动化与人工审核进行双重验证。
6. 如何应对幻觉与逻辑漂移？
在构建 AI 研究系统的过程中，Man Group遇到了诸如“幻觉”（Hallucination）和逻辑不一致等典型技术难题。例如，AI 可能构思了一个好的创意，但在实际编写代码时却出现了偏差。
为了应对这些风险，团队采用了提示工程（Prompt Engineering）和多阶段验证流程。AlphaGPT的工作流内置了多重一致性检查系统，自动化地验证创意生成、实现与评估之间的逻辑是否闭环。Ziang Fang将这些问题视为工程挑战，通过系统化的校验机制，将 AI 风险控制在可接受的范围内。
7. 在这一流程中，人类还扮演什么角色？
在 AlphaGPT 的当前阶段，human-in-the-loop 并非权宜之计，而是核心设计原则。
AI 生成的信号需要同时通过投资委员会和技术团队的审查。前者关注经济含义与投资逻辑，后者负责代码质量、测试覆盖和实施风险评估。
无论信号来自人类还是 AI，进入实盘交易的门槛完全一致。
8. 这种能力会不会很快被行业“复制”？
Man Group 并不认为 agentic AI 本身构成长期护城河。LLM 和相关工具在行业内的普及几乎不可避免。
真正难以复制的，是多年积累的专有数据、技术基础设施、研究文化和方法论。AlphaGPT 的架构被刻意设计为模块化、技术无关，以便在模型能力演进时持续升级，而无需重构核心系统。
9. AlphaGPT 能否扩展到更多资产类别？
目前，AlphaGPT 在系统化股票研究中最为成熟。但从研究流程本身来看，不同资产类别之间存在高度共通性。
扩展的关键在于，在保留核心工作流的同时，对数据源、研究方法和风险框架进行定制。这正是其模块化设计的初衷。
10. AlphaGPT 的长期定位是什么？
AlphaGPT 的目标并不是消除人类判断，而是放大人类判断的有效作用范围。人类研究员依然负责战略方向、市场理解和最终决策，而 AI 则承担高强度的数据处理、假设生成和初步验证工作。
量化研究的未来，更可能是一种人机协作的范式，而不是单方面的替代。
在这一范式下，AlphaGPT 更像是一位永不休息、严格遵循流程的研究员，与人类共同构建一个更广阔、更系统的研究视野。
参考资料
"Inside Man Group’s AlphaGPT." AI Street.
"What AI Can (and Can't Yet) Do for Alpha?" Man Group.
发表于 昨天 19:58
|
查看: 4|
回复: 0
