夜雨聆风一句话导读：全球最大上市对冲基金Man Group的量化部门Man Numeric，正在用一套名为AlphaGPT的AI系统自主生成交易信号。这不是聊天机器人，而是一个"永不睡觉的三人研究小组"——它会自己提假设、写代码、做回测。几十条AI产出的策略已经通过投委会审核，即将投入实盘。
一、量化研究的"带宽危机"
当代量化投资面临一个悖论：数据和分析维度的增长速度，远超人类研究者的认知带宽。
无论你多聪明，在任何时间点，你真正能覆盖的研究路径和假设空间都只是冰山一角。Man Numeric的高级投资经理Ziang Fang和Jason Moore在2025年11月的一篇内部文章中直言："人类研究者只能检查有限的可能性子集，无论他们多么熟练。"
这正是为什么对冲基金、资管机构和投行近年来疯狂涌入大语言模型（LLM）——不是为了聊天，而是为了把AI从'实习生'升级为'研究员'。
二、AlphaGPT：一个"永不睡觉的三人研究小组"
Man Numeric的解决方案叫AlphaGPT——一套基于大语言模型的Agentic AI研究工作流。它不是简单的问答机器人，而是一个能执行端到端量化研究的数字团队。
这个团队有三个"成员"：
1. 创意人（The Idea Person）
负责头脑风暴投资假设。就像人类研究员会问"买单多于卖单的股票是否倾向于跑赢"，AlphaGPT会自主生成这类可验证的命题。
但它比人类走得更远——它能探索看似不相关的市场因素之间的微妙关系，系统性地覆盖人类因认知局限而忽略的领域。几分钟内就能产出数十个可行概念，而非人类所需的数天。
2. 实施者（The Implementer）
把研究想法翻译成可执行代码。它用Python编写生产级代码，调用Man Group的专有数据库和工具。
人类研究员可能需要几小时甚至几天来编码和调试，AlphaGPT能在几分钟内完成。这意味着可以快速测试多个想法，消除传统研究中消耗大量时间的迭代编码周期。
3. 评估者（The Evaluator）
严格评估研究是否有效。它应用与人类研究相同的严格标准：统计显著性检验、风险评估、经济逻辑检查。
每一条AI生成的信号必须展示清晰的经济逻辑，并通过与人类研究相同的评估阈值，才能被考虑用于实盘。
三、AI真的有"创造力"吗？
一个常见的质疑是：LLM只是在预测下一个token，并非真正"思考"，何来创造力？
Man Numeric的答案是：AI的创造力体现在"互补视角"而非"超越人类"。
并排对比实验显示，AlphaGPT经常探索人类研究员未曾覆盖的投资概念——不是因为人类能力不足，而是因为认知带宽的硬约束。AI能同时考虑海量潜在关联，识别出原本不会被探索的有前景研究方向，填补经验研究员未曾考虑的空白。
关键区别不在于想法的质量，而在于假设生成的数量和速度——这既是机会，也是风险。
四、最大的风险：P值黑客与幻觉
AlphaGPT的速度带来了特定的统计风险。它能快速测试大量变体和组合，增加了发现"看起来显著但只是统计伪影"的模式的概率。这些"幸运结果"在研究期内可能很有说服力，但在实盘交易中会失效——这就是多重检验问题（p-hacking）。
Man Numeric的应对策略是流程纪律：
应用与防止人类p-hacking相同的严格研究方法论
扩展监控基础设施以处理增加的产出量，同时保持监督
通过高级提示工程确保研究目标和约束的清晰传达
在创意生成、实施和评估之间建立多重验证阶段和一致性检查
另一个风险是幻觉和漂移：AI可能概念化一个研究想法但实施出不同的东西，或在代码生成中误解研究概念。
Man Numeric将这些视为工程挑战而非根本性障碍，用处理传统量化风险管理的系统性方法来管理AI风险。
五、人类角色：从执行者变为"战略导演"
AlphaGPT目前采用"人在回路中"（human-in-the-loop）的运作模式，保持全面的人工监督。
日志系统：捕获从初始假设到最终实施的完整过程，每个决策点、假设和逻辑步骤都可记录和审查
双轨验证：投委会用与人类信号相同的分析框架审查假设、经济逻辑和研究结果；技术团队进行代码审查、单元测试、集成测试和情景分析
统一门槛：无论人类还是AI生成，进入实盘交易的策略必须通过完全相同的阈值
Man Numeric的结论是：AlphaGPT不替代人类判断，而是放大它。最有效的使用方式是人类研究员与AI并肩工作——人类提供战略方向、市场语境和最终决策，AI承担数据处理、假设生成和初步回测的繁重工作。
六、会被 commoditized 吗？
Man Numeric对此很清醒：LLM和Agentic工作流很可能在投资行业被广泛使用，先发技术优势本质上是短暂的。
但他们认为可持续优势在于超越任何单一技术的系统性投资基础：
数十年积累的专有数据源和技术基础设施
历经多个市场周期打磨的组织原则和研究哲学
无法轻易复制的机构记忆和成熟方法论
AlphaGPT的架构是模块化且技术无关的，可以随着LLM的演进利用最佳可用模型，提示工程流程可以适应新模型能力，系统可以在不重建核心系统的情况下整合突破性技术。
七、未来：从"人在回路中"到"可扩展监督"
AlphaGPT目前需要大量人工监督，但长期愿景是通过可扩展监督平衡自动化与问责。
建立更强大的自动化监督系统以处理AI生成信号量
AI系统保持透明度，并在需要时允许人工干预
通过改进技术能力而非降低审查标准来维持同等水平的审查
写在最后：Quant 4.0的隐喻
Man Numeric的AlphaGPT实验，揭示了量化投资的下一个范式：
不是AI替代人类，而是AI把人类从"重复劳动"中解放出来，去做只有人类能做的事——提出真正重要的问题，判断什么值得研究，以及在不确定中做出最终决策。
当一个AI系统能在几分钟内完成一个初级量化分析师一周的工作，人类研究员的角色将不可避免地向上迁移：从"写代码的人"变成"定义研究方向的人"，从"回测策略的人"变成"判断哪些策略值得信任的人"。
这或许是整个金融行业正在经历的缩影：AI负责效率，人类负责意义。
本文基于Man Numeric 2025年11月发布的内部研究文章《What AI Can (and Can't Yet) Do for Alpha》整理，作者为Ziang Fang（高级投资组合经理）和Jason Moore（客户投资组合管理负责人）。
Man Group是全球最大的上市对冲基金，管理资产约1,500亿美元。Man Numeric是其量化股票部门。
