如果把量化投资里最难的一件事挑出来，很多人都会指向同一个词：Alpha。
说白了，就是那些能提前告诉你"这只股票后面大概率怎么走"的有效信号。
问题也恰恰出在这里。市场噪声太大，数据维度太高，真正有用的信号又少得可怜。人手搓因子，慢；遗传编程容易在局部打转，产出一堆长得差不多、经济意义也不强的东西；深度学习虽然猛，但很多时候你知道它有效，却说不清它为什么有效，换个市场、换个周期，就不一定稳了。
现在，一篇来自香港大学和 Grace Investment Machine（GIM）的工作想把这件事换个做法。
他们做了一个叫 CogAlpha 的框架，入选 ACL 2026 推荐 Oral。
一句话概括：不再让大模型只当"写公式的助手"，而是把它当成会分工、会反思、会迭代、还会自己改代码的研究员团队，去自动挖掘 Alpha。
在来自中美港三个市场的 5 个数据集上，这套方法稳定跑赢了 21 个基线方法。主实验 CSI300、10 天预测任务上，年化超额收益达到 16.39%，信息比率1.8999。
这事有点意思了。
- 论文标题：
- Cognitive Alpha Mining via LLM-Driven Code-Based Evolution
- 论文作者：
- Fengyuan Liu, Yi Huang, Sichun Luo, Yuqi Wang, Yazheng Yang, Xinye Li, Zefa Hu, Junlan Feng, Qi Liu, Grace Investment Machine
- 论文链接：
- https://arxiv.org/abs/2511.18850
这篇论文到底做了什么？
CogAlpha 的第一个关键变化，是把 Alpha 从"公式"升级成了"代码"。
这不是小改动。用公式表达因子，表达能力受限。一旦换成 Python 代码，因子的搜索空间会一下被打开——大模型不再只是吐一个数学表达式，而是能写出带注释、带逻辑、能执行、能检查的候选因子程序。
然后，作者又在这个基础上，给大模型搭了一个"研究组织架构"。
整个系统里最抓眼球的部分，是一个7 层、21 个智能体的探索体系。这 7 层不是随便分的，而是按量化研究的思考方式，从宏观到微观一路拆下去：
- 第 1 层看市场结构与周期，比如长期趋势和阶段切换；
- 第 2 层盯极端风险和脆弱性，比如尾部风险和崩盘前兆；
- 第 3 层研究价量关系，流动性、买卖失衡；
- 第 4 层看趋势延续、短期反转、波动聚集；
- 第 5 层处理多尺度复杂性，比如回撤结构和分形粗糙度；
- 第 6 层做稳定性和状态门控，让信号按不同市场状态决定要不要激活；
- 第 7 层负责几何特征和融合，K 线形态、多因子合成、非线性改写。
你可以把它理解成：不是让一个大模型闷头想因子，而是让一整个分工明确的研究团队，同时从不同角度去挖。
它不是生成一次就完了，而是会"进化"
这篇论文最像人类研究流程的地方，不在生成，而在后面那套迭代机制。
CogAlpha 走了一条很像研究员反复打磨的路径：先生成一批候选 Alpha，再检查代码能不能跑、逻辑有没有问题，然后用 IC、RankIC、ICIR、RankICIR 和互信息 MI 五个指标做筛选，接着把好的候选拿去做变异、交叉和进化，最后不断迭代，把差的淘汰，把更有潜力的留下来。
筛选分两档：超过同代 65 分位的算合格因子，超过 80 分位的算精英，后者进入下一轮演化。
为了防止系统越来越保守、最后只会围着几个套路打转，作者还设计了多样化提示策略：轻度改写保证稳定，中度改写引入自然变体，创造性改写则鼓励模型从不同研究角度重新理解同一个方向。
这个设计很关键。Alpha 挖掘最怕的，不是找不到一个好因子，而是老在同一类因子里绕圈。
结果有多强？消融实验说得很清楚
论文最硬的一组结果，来自 CSI300 成分股、10 天预测任务。
在这里，CogAlpha 相比 21 个基线方法拿到了最好的整体表现。
换句话说，CogAlpha 在这项核心实验里，年化超额收益大约翻倍，IR 也明显拉开。
值得一提的是，论文里有个不符合直觉的发现：闭源模型并没有天然更强，推理型模型表现甚至偏弱。Alpha 挖掘不是单纯比"谁更聪明"，而是比谁的结构更适合探索、筛选和演化。真正拉开差距的，是这套认知式工作流本身，而不是底层模型的能力上限。
可解释性，量化圈真正在意的
量化圈一个老问题是：很多因子能跑，但解释不清。
CogAlpha 生成的每个 Alpha 不只是一个数字结果，而是附带详细注释、完整代码实现，解释这个因子的逻辑和想法。论文展示的一个例子，是用"价格上行幅度除以成交量"衡量流动性冲击——如果股票价格冲得快但成交量并不大，意味着流动性很薄、价格冲击更大，短期收益也许更值得关注。
不复杂，但讲得通。
对机构来说，这点很重要。真正能进研究流程、进交易流程的，不只是高分因子，而是能被理解、能被复核、能被追责的因子。
这篇 ACL，真正有价值的地方是什么？
如果只把它理解成"又一篇用大模型做量化的论文"，有点低估它了。
这篇工作更大的价值，可能在于它给出了一种新范式：让大模型不只是生成内容，而是参与研究流程本身；不只是给答案，而是组织探索、筛选、反思和进化。
放在量化里，这叫自动化 Alpha 发现。再往外看，更像一种 Agentic Research 的落地案例——把研究任务拆成层级化认知单元，给每个单元设定职责，再让系统通过反馈做持续演化。
如果这套方法能在 Alpha 挖掘里成立，那别的高噪声、低信号、需要创造性探索的研究任务，是不是也可以这么干？材料发现、策略生成、实验设计、复杂工业优化，这个问题值得继续看。
当然，作者自己也写得比较克制：回测全在 Qlib 框架里完成，和真实交易环境还有距离；LLM 输出有随机性，数据规模越大执行时间越长。CogAlpha 现在更像一个很强的研究引擎，而不是能无脑接到交易端的即插即用系统。
但这不妨碍它的重要性。很多真正改变行业的东西，第一步都不是立刻商用，而是先证明一件此前没人证明清楚的事：
原来这条路，真的走得通。
量化投资过去几十年，一直在和同一个问题缠斗：怎么在充满噪声的市场里，持续找到新信号。现在，大模型以另一种身份加入了这场游戏——不是聊天机器人，也不是写摘要的工具，而是一个会分工、会写代码、会自查、会进化的研究系统。
CogAlpha 让人第一次比较具体地看到：AI 也许真的可以参与"发现"本身，而不只是参与"表达"与"执行"。
About GIM
在 GIM（Grace Investment Machine）我们相信，AI技术正处在在重塑资本市场的关键节点。因此，我们致力于融合最前沿的AI与大模型技术，打造新一代智能投资范式——不仅是量化方法的升级，更是投资决策逻辑的重构。
我们希望通过智能分析师与交易系统，将金融市场洞察与执行效率提升至全新量级。 我们核心团队来自全球顶尖对冲基金、DeepMind、Meta、Anthropic 等前沿AI实验室，以及牛津、清华、北大、港大等知名高校。