文章核心观点 - QuantaAlpha团队联合上海财经大学AIFin Lab等机构，提出了一种全新的自进化Agent Alpha因子挖掘框架，名为QuantaAlpha [1] - 该框架旨在解决自动化因子挖掘的传统难题：传统遗传规划（GP）存在过度拟合和黑盒问题，而大语言模型（LLM）则容易产生语义漂移和逻辑破碎 [1] - 其核心目标是构建一个兼具机器进化探索能力和人类程序员严谨逻辑控制力的智能体，实现从“生成代码”到参与“假设形成、失败诊断与经验组合”的研究流程转变 [1][35] 核心框架解析：基于轨迹的自进化范式 - QuantaAlpha的核心创新在于将因子挖掘过程视为一条完整的“轨迹”（Trajectory），并追求轨迹级的进化 [2] - 框架不依赖盲目的随机搜索，而是通过“变异”（Mutation）修正逻辑漏洞，通过“交叉”（Crossover）继承有效结构 [3] - 框架引入了严格的语义与复杂度约束，确保进化出的不仅是高收益代码，更是逻辑自洽的经济学假设 [3] - 当市场环境发生剧烈切换时，该框架展现出了惊人的韧性，标志着向Agentic Science迈出重要一步，让AI在真实金融市场中实现自我适应与生存 [2] 框架核心机制 多样化规划初始化 - 在初始化阶段即显式引入多样化规划机制，而非依赖单一或少量种子因子，以从源头上缓解因子同质化与局部最优问题 [5] - 初始化Agent通过planning算子，同时生成多个彼此差异显著的研究方向（如“短期微观结构动量”与“长周期基本面异象”），并将其分别展开为独立轨迹 [5] 轨迹变异 - 变异算子的目标不是随机扰动，而是有针对性地修正导致性能下降的关键失效决策节点 [6] - 变异仅作用于被判定为失效的局部片段，而对轨迹中已被验证有效的其余部分进行“冻结”，实现了在保留历史有效经验的同时探索新机制 [6][7] 轨迹交叉 - 交叉算子关注如何复用成功经验，发生在轨迹层面，识别不同轨迹中表现稳定、逻辑互补的高价值片段并将其重组为新的研究路径 [8] - 案例显示，通过将一个捕捉散户羊群效应的逆向因子与另一个刻画机构动能的顺向因子进行交叉，生成了能融合两类机制的新因子Institutional Momentum Score 20D [8] - 这种机制使得有效研究结构得以跨轨迹继承，而非在每轮搜索中被反复“重新发现” [9] 结构化约束 - 为应对LLM可能产生的“语义漂移”风险，框架引入了多层结构化约束 [11] - 约束包括：1) 中间符号表示（AST），确保算子来自预定义库，数学与金融语义明确 [12]；2) 语义一致性验证，强制校验“投资假设—语言描述—符号表达—可执行代码”之间的一致映射 [13]；3) 复杂度与冗余过滤，通过符号长度约束与AST相似度匹配拒绝过度复杂或冗余的候选项 [14] 案例复盘：一个因子的进化史 - **迭代1（多样化初始化）**：生成基于微观结构反转逻辑的因子RegimeFiltered Reversal 5D，回测年化超额收益（ARR）为5.22%，但夏普比率低，抗回撤能力差 [17][18][19] - **迭代2（机制变异）**：系统触发机制变异，从“反转”转向“多尺度动量对齐”，生成因子Nested Momentum Alignment 1 5 20，回测ARR提升至7.06% [20][21][22] - **迭代5（逻辑重组/交叉）**：系统将“动量对齐”逻辑与另一个专注于“散户参与度”的轨迹进行交叉，生成核心因子Institutional Momentum Score 20D [23] - **最终因子解析**：该因子表达式结合了量价相关性捕捉机构协同交易信号，以及日内收益结构捕捉零售情绪反转窗口，并辅以波动率加权 [24] - **最终回测表现**：该因子不仅提升了预测准确度，更在复杂多变的市场中展现了极强的防御能力，成为最终因子池的核心成分 [25] 实证表现 巅峰性能指标 - 基于GPT-5.2的QuantaAlpha框架，其挖掘因子的预测效能信息系数（IC）达到0.1501，RankIC达到0.1465 [28] - 策略年化超额收益（ARR）高达27.75%，最大回撤（MDD）仅为7.98%，卡玛比率（CR）达到3.4774 [29] - 性能对比表格显示，QuantaAlpha（GPT-5.2）在IC、Rank IC、IR、CR、ARR等关键指标上均显著优于传统的线性机器学习、深度学习模型、因子库以及其他LLM-based Agentic Factor Mining方法 [30] 零样本迁移能力 - 在CSI 300上挖掘出的因子，直接迁移至中证500（CSI 500）和标普500（S&P 500），在四年测试期内分别创造了160%和137%的累积超额收益，证明了其捕获的是跨越国界与市值的通用市场逻辑 [31] 市场韧性考验 - 在2023年A股剧烈波动的市场环境中，多数传统量价因子（如Alpha158库）出现严重性能坍塌 [33] - QuantaAlpha通过挖掘“隔夜与拍卖信息”等微观结构因子，维持了极高的信号强度，其表现显著优于AlphaAgent和RD-Agent [33] - 示例明星因子GapZ10 Overnight vs TR的Rank IC达到0.0793，该因子通过捕捉隔夜跳空与真实波幅的关系，精准识别了市场在风格切换期间的非理性波动 [33] 行业意义与团队背景 - QuantaAlpha框架的价值在于提出了一种LLM与金融研究方法深度融合的可行路径，将因子生成过程转化为一个可追溯、可修正、可积累经验的研究流程 [35] - QuantaAlpha公司成立于2025年4月，团队由来自清华、北大、中科院、CMU、港科大等名校的成员组成，致力于探索智能体研究的前沿 [36] - 合作方上海财经大学AIFin Lab由张立文教授发起，深耕AI+金融交叉领域，汇聚多校前沿学者 [37]

天才少年职业轨迹 - 16岁Kairan Quazi离开SpaceX加入Citadel Securities担任量化开发者 负责全球交易系统基础设施 [1][13] - 14岁成为圣克拉拉大学172年历史上最年轻的计算机科学与工程专业毕业生 [5] - 10岁起参与英特尔实验室人工智能项目 在Blackbird.AI担任机器学习实习生时设计异常检测统计学习管道 [5] 教育背景与专业选择 - 非传统教育路径：9岁加入门萨俱乐部 跳级进入社区大学 11岁转入圣克拉拉大学 [4][5] - 专业选择计算机科学与工程 具备战略性地覆盖量化行业所需的抽象建模能力 高效编程实现和系统级优化思维 [16][17] - 圣克拉拉大学地处硅谷中心 计算机科学专业突出 国际生比例仅3% 商学院和工程学院留学生最多 [8][9] 行业人才需求特征 - 量化金融行业青睐计算机科学 数学 工程背景人才 需兼具金融理论 数学建模 统计分析和计算机编程能力 [16] - 顶尖科技与金融公司均寻求极致问题解决者 需扎实数学基础 接近底层编程能力 复杂系统控制力 [20] - 金融工程专业侧重衍生品定价和Python/VBA编程 金融数学专业侧重概率论和统计建模 起薪常高于普通金融岗 [18][19] 职业发展逻辑 - 从SpaceX转向Citadel因量化工作能更快获得成果反馈 兼具AI研究的智力挑战与严谨性但结果更直观 [13] - Citadel Securities CEO赵鹏14岁就读北大数学系 23岁获UC伯克利统计学博士 十年量化研究员从业经历 [13] - 职业成功关键要素包括早期认知自我 保持学术与职业方向一致性 敢于进入挑战性环境实践迭代 [24]