量化投研（Finance）综述
本主题关注如何把价格、成交量和新闻等市场信息转化为可执行、可复核的投资研究结论。六篇核心论文分别覆盖研究先验、信号与预测模型、历史验证和投资组合构建；只有 R&D-Agent(Q) 形成了结果会影响下一轮研究的自动反馈环，且仍停留在历史回测中。
定义与边界
量化投研是把市场数据转化为可计算的研究假设，再用历史数据检验它是否可能形成收益。本页纳入直接定义研究空间、生成交易信号、预测收益、验证策略、构建投资组合，或自动化这些阶段的工作。
支付、信贷、保险、反欺诈和金融问答等泛金融应用不在本页范围内；只生成市场评论、没有可执行研究产物或时间一致验证的系统也不纳入。是否使用 AI 不是分类依据：TimesFM-Fin、News Shock 和 R&D-Agent(Q) 分别回答预测、资产定价和研究编排问题。当研究反馈真正改变下一轮假设或实现时，它才同时属于 自动科研。
阅读提示
- 阿尔法（alpha）：相对市场基准希望获得的超额收益，也常指用来获取这种收益的交易信号。
- 因子（factor）：由价格、成交量、基本面或文本等数据计算得到的特征，用来解释或预测资产收益。
- 回测（backtest）：在历史数据上重放一套策略，估计它过去的收益、风险和交易成本。回测结果不等于未来可实盘复现的收益。
- 时点一致（point-in-time）：每个历史决策只能使用当时已经可见的数据，防止未来信息泄漏到过去。
- 样本外（out-of-sample，OOS）：用于最终评估、且未参与训练或调参的数据。它能减少过拟合，但反复查看同一份样本外结果仍会引入选择偏差。
- 投资组合（portfolio）：多种资产或因子按权重合成的整体仓位，用于平衡预期收益、风险和交易约束。
- 夏普比率（Sharpe ratio）：单位波动风险对应的超额收益；数值越高通常代表风险调整后表现越好，但不自动代表可交易。
- 换手率（turnover）：组合在相邻调仓期间更换仓位的程度，往往直接影响交易成本和策略容量，即在明显推高成本前可投入的资金规模。
核心论文
研究空间与可执行基准（2 篇）
- 101 Formulaic Alphas — 公开 101 条 WorldQuant 生产公式，报告平均持仓期、相关性和换手率等统计。它提供可执行的研究起点，但性能数字来自私有数据和未扣交易成本的环境。
- 151 Trading Strategies — 用统一符号整理 150 多类交易策略、550 多个公式和约 2,000 条参考文献。它适合作为研究先验和分类参考，但没有统一数值回测，也不承诺策略盈利。
信号与预测模型（2 篇）
- TimesFM-Fin — 在金融价格序列上继续训练时间序列基础模型（foundation model）TimesFM，并用对数变换损失和动态遮罩改善部分市场预测。它在外汇（FX）和加密货币上仍不及简单的一阶自回归模型 AR(1)。
- News Shock — 将 Reuters 新闻社的报道转成嵌入表示（embedding），再剔除可由传统股票特征预测的部分，把剩余信息视为「新闻冲击」，并构建同时做多看好资产、做空看弱资产的多空组合。该信号的预测力持续约 18 个月，但强结果依赖新闻许可、剔除已知特征成分的方法和递归估计协议。
自动研究反馈环（1 篇）
- R&D-Agent(Q) — 用智能体（agent，能调用工具并根据结果继续操作的模型驱动程序）串联规格、假设、代码、回测和分析，再用汤普森采样（Thompson Sampling）选择下一轮优化因子还是模型。它证明历史回测内环可以运行，但样本外窗口短，也没有实盘与故障恢复证据。
投资组合与风险控制（1 篇）
- UPSA — 混合多种岭回归（ridge regression）收缩强度；这里的「收缩」是主动压低不稳定估计，以减少有限样本噪声被组合优化放大。它在 JKP 异常因子库（汇集大量资产定价因子的研究数据）的 153 个因子上学到非线性收缩，但主目标尚未纳入交易成本、市场冲击（交易本身推动价格）、借券和杠杆约束。
从研究先验到实盘
研究问题与先验
→ 形成信号、因子或预测模型
→ 编写可执行实现
→ 时点一致的回测与样本外检验
→ 候选选择、收益归因与组合构建
→ 模拟盘与实盘部署
→ 监控、降级与策略退出
→ 反馈到下一轮研究| 论文 | 主要输入 | 研究产物 | 验证方式 | 尚未覆盖 |
|---|---|---|---|---|
| 151 Strategies | 交易文献与行业知识 | 策略分类、公式与文献索引 | 无统一数值验证 | 策略是否仍有效、如何执行 |
| 101 Alphas | 价格、成交量与私有生产统计 | 101 条可执行公式 | 2010–2013 年 WorldQuant 生产统计 | 公开数据独立复现、净交易成本 |
| TimesFM-Fin | 多市场价格序列 | 经金融数据调整的预测模型 | 一次时间留出与模拟交易 | 多次滚动检验、市场变化导致的模型失效与实盘 |
| News Shock | Reuters 新闻与 JKP 股票特征 | 新闻冲击信号与多空组合 | 1996–2022 年递归样本外检验与多类稳健性检查 | 实时新闻延迟、数据许可、成本与容量 |
| UPSA | 153 个 JKP 因子组合收益 | 多种收缩强度混合后的组合权重 | 1981–2022 年滚动样本外检验；留一法（leave-one-out，LOO，每次留出一个样本验证） | 留一法的时序假设、成本、市场冲击与借券 |
| R&D-Agent(Q) | Qlib（开源量化研究平台）数据结构、研究状态与历史结果 | 假设、因子或模型代码、回测和下一轮选择 | 执行与相关性检查、Qlib 样本外回测 | 长期独立重复、反复选择偏差、实盘和故障恢复 |
这张表的关键不是给论文排等级，而是指出它们证明了链路中的哪一段。前五篇分别提供知识、信号、预测或组合方法；R&D-Agent(Q) 首次把多个阶段连成自动反馈环，却仍没有证明这个环可以安全接入实盘。
主题综述
手写公式从研究成果变成搜索先验
101 Alphas 和 151 Strategies 代表行业研究者对公式与策略知识的有限披露。到 R&D-Agent(Q)，这些公式不再只是最终成果，也成为自动系统的语法参考、对照基准和失败案例。自动化没有消除旧知识，反而更依赖能按历史时点恢复的高质量研究语料。
价量、时间序列与新闻提供三种互补信息
R&D-Agent(Q) 在价格和成交量特征上搜索因子与预测模型，TimesFM-Fin 直接从价格序列学习预测，News Shock 则试图从新闻中分离传统股票特征尚未反映的信息。三者不是互斥路线：价量因子、序列预测和文本信号可以同时进入一个研究环。
真正的障碍是比较协议。三篇论文使用不同市场、时间跨度、成本假设和组合方法，因而尚不能推出「自动搜索优于序列模型」或「新闻优于价量」。只有在同一份时点一致数据、同一交易成本模型和同一份封存样本外数据上重做实验，才能判定它们的相对价值。
候选越多，组合构建与选择偏差越重要
自动生成因子、预测和高维嵌入表示会同时扩大候选数量与参数维度。UPSA 表明，即使每个信号单独看起来有效，对平均收益和共同波动关系（协方差）的估计误差仍可以在组合优化中被放大。R&D-Agent(Q) 的反馈环又会反复查看验证结果，从而让验证集逐步变成搜索过程的一部分。
因此，发现速度越高，越需要记录生成和丢弃了多少候选、预留从未参与搜索的最终数据，并在投资组合目标中纳入换手率、策略容量和交易成本。否则，自动化只是更快地扩大了过拟合空间。
自动化与实盘之间的缺口
- 研究产物需要版本化。 数据快照、代码版本、运行环境、随机种子、结果、论断和组合决策应当形成可追溯的依赖链，而不是只保留最高分的一次回测。
- 生成与最终验证要分离。 智能体可以根据回测生成新候选，但封存样本外数据、独立重新执行和成本风险检查不能被同一反馈通道反复调参。
- 上游变化应使下游证据失效。 数据修订、交易成本模型或评估方法改变时，依赖旧输入的回测、论断和组合决策也应标记为待重新验证；EviGraph 提供了可迁移的依赖图思路。
- 实盘发布需要人工关口和恢复机制。 人类至少需要确定资产范围、风险偏好、数据许可和最终数据解封，并验证进程重启、过期结果和重复下单不会破坏状态；详细检查框架见 长程智能体可靠性。
当前六篇核心论文都没有完整覆盖这四点。R&D-Agent(Q) 最接近长时自动循环，但它证明的是历史回测内环可运行，不是进程重启后仍可恢复、或策略可安全上线。
共同观察
- 自动化速度不等于证据强度。 R&D-Agent(Q) 能更快生成和筛选候选，但其短样本外窗口和反复选择会增加过拟合风险；151 Strategies 则提醒读者，策略会随市场结构变化而失效。
- 对照基准必须能够重新执行。 101 Alphas 和 Qlib 的 Alpha 158/360 让自动系统有可比较的目标，但旧公式的私有生产统计不等于现代公开数据上的可复现结果。
- 信号生成不能与组合构建分开评价。 News Shock、TimesFM-Fin 和 R&D-Agent(Q) 产生的预测，最终都要经过相关性、换手率、策略容量、风险收缩和交易成本的检验；UPSA 说明了下游估计误差可以改变上游信号的排序。
- 当前最大的空白是运行治理。 六篇论文都没有同时覆盖数据与代码追溯、策略退出、恢复、模拟盘发布和实盘监控。
假设冲突与脆弱点
- 可解释因子与直接收益预测，哪种更适合自动研究？ R&D-Agent(Q) 的因子便于审计和组合，TimesFM-Fin 则减少人工特征设计；两者尚无同数据、同成本和同组合方法的比较。
- 更多候选究竟提高发现率，还是加重选择偏差？ R&D-Agent(Q) 鼓励持续生成，UPSA 则说明候选维度接近历史样本数时，均值和协方差噪声会更容易被放大。
- 价量信号与文本信号是互补，还是重复定价？ News Shock 试图隔离传统特征已可预测的新闻成分，但尚未与 101 Alphas 或 R&D-Agent(Q) 的因子库联合剔除重叠信息，再做组合评估。
- 历史样本外结果能否代表实盘正确性？ News Shock 和 UPSA 提供长历史检验，R&D-Agent(Q) 提供自动反馈环，但交易成本、市场冲击、借券、数据延迟和执行故障都可能逆转历史排序。
值得关注的方向
1. 建立时点一致、成本感知的公式复现基准
在统一数据快照、历史成分股名单（避免只保留后来仍存活的公司）、每次只用过去训练再向未来测试的滚动前推验证，以及交易成本模型下，重新执行 101 Alphas 和 151 Strategies 中的代表公式，公开每条公式的有效期、相关性、换手率和失效原因。这主要是数据和回测工程，小团队可以先覆盖一个公开市场和少量代表公式。
2. 构建同时使用价量、时间序列与新闻的研究环
让智能体在公式因子、TimesFM-Fin 预测和 News Shock 表示之间生成、组合与淘汰候选。实验应固定数据、组合构建方法和总搜索预算，才能区分新信息带来的增益与反复尝试带来的幸运收益。两端均有公开实现，小团队可从离线日频数据开始。
3. 联合因子发现与成本感知的投资组合构建
将 R&D-Agent(Q) 产生的高维因子库接入 UPSA 式组合方法，在目标中显式纳入交易成本、策略容量和风险暴露约束。评估不只报扣费前的夏普比率，还要报扣费后表现、换手率、峰值杠杆和因子数增长时的变化。两个系统都有公开代码，主要工作是协议对齐，以及逐项移除组件、确认收益来源的对照实验。
4. 构建可恢复的量化研究智能体
将数据、代码、实验、论断和组合决策建成版本化依赖图，注入进程重启、过期结果、虚假高分、损坏的中间状态和模拟交易重试，测量恢复率、证据失效传播和重复副作用。这类实验不需要大规模训练集群，但能检验当前历史回测内环能否升级为可审计、可安全发布的研究系统。