全球顶级量化基金Two Sigma特征引擎负责人Ben Wellington近日在接受访谈时，系统阐述了AI在量化投资领域的应用逻辑与前沿方向。Wellington认为，量化投资中Alpha的获取正从数据优势转向特征与预测层面的深度挖掘，而AI技术的演进正在重塑投资研究的成本结构与人才标准。
Wellington将量化投资的Alpha来源划分为三个层次。第一是数据层，即获取其他机构不具备的另类数据，例如通过卫星图像分析沃尔玛停车场车位占用情况、利用信用卡数据跟踪销售公司当季营收、通过招聘信息判断公司扩产节奏等。第二是特征层，即从相同数据中提炼出独特的特征信号，例如从上市公司业绩交流会中提取高管回避型回答次数等行为指标。第三是预测层，即基于相同的数据和特征，通过更先进的机器学习算法提取有效预测信息，例如从线性回归升级到GBDT以捕捉因子与收益的非线性关系。
在三大Alpha来源的重要性排序上，Wellington给出了明确判断。数据层的权重正在逐年下降——过去15至20年间数据大幅商品化，Two Sigma曾作为第一批要求数据供应商进行全市场标的覆盖的买家，承担了市场教育角色，彼时数据优势的相对权重较大，但如今这一优势已明显收窄。相比之下，特征层的权重最大，将同样的数据以巧妙、独特的方式转化为特征，是当前最大的Alpha来源。Wellington强调，一个好的特征背后往往蕴含着经济意义和投资直觉，例如“上市公司是否选择在周五盘后发布新闻稿”这类时间选择指标，就具备独特的信息含量。
特征的有效性并非来自单一信号的强度，而在于规模化聚合。Wellington以分析师研究为例，Two Sigma不仅关注分析师评级，还会考察分析师与被覆盖公司CEO是否毕业于同一所高校。单个特征的有效性可能十分微弱，胜率仅为50.001％，但当团队提出200个类似问题、生成200个角度各异的特征后，聚合效应会非常显著。在预测层，Two Sigma专门设立了Techniques团队，研究机器学习算法如何发挥最大效用。
关于如何从高度商品化的数据中构思出独特特征，Wellington的回答是依靠持续性和科学方法，而非算力堆砌。所有因子必须经过人工先验筛选，分析师身高、瞳色这类低先验指标不值得投入时间，反而会引入噪音。他总结了三个有价值的灵感来源：一是学术研究成果，例如有论文通过分析师的社交发帖推断其是否有子女，再以此预测其选股能力；二是培养认知多样性的团队，Two Sigma的研究团队包含物理学家、数学家、计算机科学家等不同背景成员，思考方式的差异往往能碰撞出有价值的特征；三是从现实个案出发做泛化，例如看到“某地火车脱轨导致某股下跌”的新闻，立刻思考能否将其抽象成覆盖全市场所有公司的通用特征，并回溯十年进行回测。
特征挖掘面临的一个核心难点是共线性问题。Wellington指出，团队可能产出成百上千个看似独立有效、实则高度共线的信号。有些看似是“低垂的果实”实则毫无价值，比如“新闻情绪因子”，很多时候只是在跟踪财报发布后的新闻报告，这些新闻本质上只是“脏版的盈利数据”，并未带来新信息。Two Sigma的建模团队设有明确的正交性阈值，新特征只有达标后才会纳入因子库。此外，每个特征都有其内在的预测周期，该周期取决于经济传导路径。以沃尔玛客流数据为例，该数据不可能在5秒内被市场定价，必须经由同店销售数据披露等渠道传导，周期为数月级别。
大语言模型（LLM）的引入正在急剧降低新想法的探索成本。Wellington举例称，过去要检验“CEO在财报电话会上眨眼频率”这类另类特征，需要专门的计算机视觉团队投入半年时间，投资回报率过低，即便直觉判断该特征可能有效也只能搁置。如今借助LLM进行分析，新特征的研究成本大幅下降，相当于把科学家的实验预算变为无限，实现难度不再构成思维约束条件。对于案头堆积着2000个未深入研究特征想法的团队而言，这在AI时代就是一座金矿。
Wellington特别警示了AI投研工具的核心风险——“降低投资决策输出的熵”。自动化对标准生产流程是好事，但投资组合的超额收益恰恰依赖正交性与原创性。如果给所有投资者一个“一键决策”的按钮，决策产出速度虽快但会高度同质化，对投资组合而言相当危险。正确的方法是把AI定位为每个投研人员独特研究能力的放大器而非替代品，通过上下文、Skill等机制让AI理解使用者各自的背景和思考方式，使不同分析师面对同一问题仍能得出不同答案。
在技术应用节奏上，Wellington建议投资者不要等待技术成熟后再行动。量化投资竞争极度激烈，12至18个月就相当于永恒。反复在技术能力边界“撞墙”本身具有价值，亲手体验“技术还做不到”的边界，等于拿手电筒照清了挡路的墙。当新工具出现时，只有此前持续探索的人才能立刻知道它能解决什么。只要判断自己处于领先位置，就应将研究范围推到AI当前能力的边界之外，趁市场尚未跟上时充分利用窗口期获取Alpha。
Wellington在访谈中提出了“规模化的特异性”（idiosyncrasy at scale）这一概念，并称其为Two Sigma当前最重要的研究方向。从直觉看，只能覆盖一家公司的因子远不如能覆盖一百家的因子诱人，但AI打开了一种独特能力，使投资者既能深挖某家公司极其特殊的细节、构建高度个性化的特征，又能将该类特征的范式泛化到其他公司。AI的推理路径可以完全因公司而异，落点却是可归纳的统一问题，例如“公司对未来的销售展望如何”。这本质上是主观投资者的优势所在——依靠对标的公司的深度认知，捕捉不会出现在财务报表里的独特特征，而AI正在使这种特异性实现规模化。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
