人工智能智能体可以扩大量化研究,但实验必须可复现
投资研究的新变化不是让智能体自主下单,而是让它在确定性测试和人工闸门内扩大可验证的实验范围。
量化研究中最有价值的人工智能新角色,不是替研究员决定买什么,而是把一个问题拆成一组可检验的实验。数字仍应由确定性的研究管线产生,不能由模型的流畅叙述代替。
一篇最新的 SSRN 实务指南讨论了智能体如何进入量化投资研究的不同环节,同时强调控制、可复现性和人工判断仍不可缺少(Mihov 与 Treleaven,2026)。这意味着工作分配正在变化:智能体可以检索资料、分类文件、起草代码、建议稳健性检查;但它不应在看过结果后悄悄改写测试,也不应把漂亮的回测变成订单。
研究流程向上游移动了一步
过去,研究员提出假设、选择数据、编写测试、检查输出并记录结果。现在,智能体可以插入假设与测试之间。面对“某类披露特征是否预示之后的风险变化”这样的问题,它可以提出数据字典、寻找候选文件、生成特征提取脚本,并列出不同的模型设定。
但这增加的是探索广度,不是证据强度。研究员仍须冻结信息集和评估区间,在看到结果前写明截止时间,抽查提取标签,在版本化环境中运行代码,并保存提示词、来源文件、代码版本和参数。模型的解释只是流程界面,不是流程有效的证明。
行业材料也应谨慎使用。一份近期行业总结称,资产管理机构对人工智能的试验正在增加,但允许系统无人监督行动的范围小得多(Kanerika,2026)。这属于行业信号而非因果研究,不能证明智能体提升了收益或研究质量。
把智能体放进可复现的循环
团队可以把分工写成六步:人先定义问题、投资范围、时间规则和失败条件;智能体提出有证据链接的资料、变换和替代解释;人冻结数据快照并写下“截至”日期;确定性代码执行提取、特征构造、训练测试分离和评估;智能体再建议安慰剂测试、缺失值检查和替代定义;最后由人记录哪些结果留下、哪些失败以及是否值得进入下一轮。
真正重要的产物不是聊天记录,而是一张研究卡:假设、数据来源、代码哈希、提示词版本、排除规则、指标和被拒绝的替代方案都在其中。这样,智能体可以扩大工作量,研究结论仍然可审计。
在这方面,可参考站内的投资智能体接触研究流程前,先建立权限账本和投资智能体获得更多自主权前,先记录每一次险些出错。权限和失败记录是前置条件,不是事后装饰。
一个 60 分钟的研究练习
选取一组公开且带时间戳的文件,预先写好一个历史问题。基线是人工按照固定标准标注 20 份文件。再让智能体完成同样的标注并提出测试,但不要连接交易账户,也不要据此做实时决策。
记录它与人工基线的一致率、引用覆盖率、缺失字段率、每份文件耗时,以及任何特征是否使用了历史截止时间之后的信息。第二位人工复核全部分歧。如果智能体无法提供逐份文件的引用、无法排除信息泄漏,或人工修正率超过预先设定的 20%,就停止练习。通过只表示“值得再次测试”,不表示“已经有盈利能力”。
不能被流程自动消除的风险
只留下容易解析的发行人或成功实验,会产生选择偏差;排除失败或退市对象,会产生幸存者偏差;批次之间改变标签定义,会制造测量误差。泄漏也可能很隐蔽:看似历史的摘要或许包含后来修订的信息,智能体也可能在看到结果后挑选特征。非平稳性、交易成本、延迟和拥挤交易,都不会因为纸面测试干净而消失。
还有激励问题。一个被要求写出连贯研究备忘录的系统,可能不断产生假设,却少报告死路。因此,团队应统计被拒绝的实验和险些出错的案例,而不能只统计完成的分析。速度更快,或与人工基线更一致,都不能直接证明投资结果更好;这里仍存在很大的因果缺口。
核心判断是:人工智能智能体应先进入研究队列,再考虑进入决策队列。允许它在有限权限内检索、转换、比较和质疑;数据截止、评估代码、发布与执行则应留在明确的人工闸门之后。可持续的优势不是自主性,而是在不丢失答案来源的前提下,提出更多可复现的问题。