文艺复兴亏了，D.E.Shaw反手开了主观基金：量化圈正在发生些什么？

作 者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：这篇文章我将从去年量化圈的集体回撤事件聊起，包括AI挖因子的同质化陷阱、D.E.Shaw反常的推出主观基金、贝索斯秘密挖走量化人才，再到整个行业从量化2.0向4.0过渡。干货满满，读完你就明白量化圈到底正在发生什么。

今天这篇是我最近挖到的一篇外网深度长文的精读和延展，原文信息密度极高，我读了两遍才把里面的逻辑理干净。读完之后我有一种感觉：2026年的量化世界，已经不是原来的那个量化世界了。

它更怪，某些地方更脆弱，某些地方又更强大。而最关键的变化是：越来越多的机器，正在制造下一代机器。

下面我按原文的脉络，逐块拆解，补充我自己的理解和额外查到的信息，力求让大家一篇读完，就知道量化圈到底在发生什么。

一、去年10月的”量化地震”不是随机的，但没人愿意说原因

先来看一组数据。时间推回到去年年10月：

• 文艺复兴机构股票基金（RIEF）下跌5.1%；
• 文艺复兴机构多元化阿尔法策略（RIDA）下跌3.9%；
• 这两个基金在6月已经各亏了约6%；
• Qube Research、Engineers Gate、Man Group同期录得负回报。

问题来了：这些基金亏钱的时候，股市按任何传统标准衡量，都是上涨的。

表面上的解释是”量化拥挤”。但真相更具体，也更让人不安。

1.1 拥挤是怎么形成的？

事情要从2025年2-3月说起。当时特朗普关税公告一出来，量化和基本面中性策略的团队同时降杠杆。两边不约而同地做出了同样的防御动作：转向高质量、低贝塔、大盘股。

“七巨头”成了大家的避风港。大量多头头寸在波动率目标规模计算之外，以结构性方式相互关联。高盛后来指出，典型的多头持仓中70%集中在十大最大头寸里。

然后7月份，”最被做空因子”大幅逆转，垃圾资产上演经典挤压。这次回撤不是某一家触发的，而是数百个策略组合——通过相同的数据源和重叠的因子暴露：变成了“一笔交易穿了不同的马甲”。

核心逻辑：当所有人用同样的数据、同样的因子、同样的风控框架做同样的事，市场一旦转向，踩踏不是概率问题，而是时间问题。70%的持仓集中在十大头寸，这不是巧合，这是拥挤阿尔法的几何结构决定的。

1.2 谁在去年活得最好？

原文提到一个关键观察：在2025年表现最好的量化经理，是那些实时监控”实盘与回测漂移”的人。

这里说的不是每天看一次，不是每周复盘，而是逐笔交易（tick-by-tick）地把模型的实时输出跟历史分布做对比。Resonanz Capital把这个叫做”live-vs-backtest drift”监控。能做到这一步的公司，能在毫秒级别捕捉到市场体制的转变，而不是等亏损已经出现在损益表上才反应过来。

做不到的？他们不会告诉你的。

二、Man Group把钥匙交给了AI

2025年7月，Man Group的量化部门Man Numeric确认部署了一套内部开发的AI代理系统，叫AlphaGPT。

这套系统能做什么？

• 自主生成交易假设：不需要人提示方向；
• 编写对应信号的代码：直接出可执行的代码；
• 自动回测：跑完历史数据，给出结果；
• 标记值得人工审核的信号：把最好的挑出来。

据高级基金经理张翔（Xiang Fang）透露，AlphaGPT已经产生了数十个通过审核并投入实盘交易的信号。

请注意，这不是一个聊天机器人加在电子表格上。这是一个大模型（Large Action Model）：个能以最少人工干预执行多步研究工作流的系统。它把一个初级量化分析师一周的工作，压缩到一夜完成。

但每家对AI的管控方式差别很大，这才是关键：

原文特别指出了一个值得关注的分歧：Point72在搞统一平台，D.E. Shaw在分发工具包让各团队自己建代理。这两种架构在压力场景下会产生不同的故障模式，但目前没有实盘数据告诉你哪种更容易崩。

老余解读：这些治理选择不是哲学偏好，而是监管预防。每家公司都清楚，法律上的核心问题不是”模型做了什么”，而是”人知道什么，什么时候知道的”。AI出了事，监管不会找模型，会找签字的人。

三、LLM因子悖论：你用得越多，它死得越快

这一段，可能是整篇文章最值得每个量化从业者认真看的内容。

大语言模型通过相同的训练数据、相同的金融文献、相同的经济直觉来生成阿尔法因子。当多个量化团队独立用大语言模型挖因子的时候，他们会收敛到结构相似的因子上——因为模型共享了同一个先验知识。这就是阿尔法拥挤，而且是被自动化加速的阿尔法拥挤。

KDD 2025上，Ziyi Tang等人发表的论文正式阐述了这个问题。他们提出的AlphaAgent框架证明：在没有显式正则化的情况下，标准的大语言模型驱动因子挖掘，会产生在抽象语法树（AST）层面同质化的因子。

什么意思？就是说那些公式表面上看各不相同，但在结构上和已知的因子几乎一模一样。

结果就是：因子衰减速度比历史基线更快。

3.1 AlphaAgent怎么解决的？

AlphaAgent的方案是在因子生成过程中强制实施AST相似度检查。如果提议因子的代码结构和数据库里已有的因子太接近，自动拒绝，强制系统去探索真正新的市场结构。

回测数据说话：

这个数据非常清晰：加了AST约束的因子挖掘，IC（信息系数）能一直稳定在0.02到0.025之间；而传统因子和标准LLM生成的因子，IC会衰减到接近零。

现实影响：如果每个量化团队都部署大语言模型挖因子，而这些模型又共享相同的架构和训练集，那整个行业就是在工业级规模上制造”相关性因子衰减”。聪明的公司知道这一点，正在请物理学博士在AST层级写正则约束——这是在挖护城河。而那些只会用提示词工程接入彭博终端的公司，是在埋定时炸弹。

3.2 用代码理解AST相似度检查

AlphaAgent的核心思路，可以用一段简化的伪代码来理解：

# AlphaAgent AST相似度检查 - 简化示意 def generate_factor(hypothesis, existing_factors): # 步骤1：将市场假设解析为因子的AST表示 factor_ast = parse_to_ast(hypothesis) # 步骤2：与数据库中已有因子做AST相似度比对for existing in existing_factors: similarity = ast_similarity(factor_ast, existing.ast) # 步骤3：相似度超过阈值，直接拒绝 if similarity > THRESHOLD: return "REJECTED: 与已有因子结构过于相似" # 步骤4：通过检查，进入回测流程 backtest_result = run_backtest(factor_ast) return evaluate_and_flag(backtest_result) # 关键参数：THRESHOLD通常设为0.7~0.85# 越低越严格，产出因子越差异化 THRESHOLD = 0.75

思路很直观：你的新因子和已有因子的代码结构不能太像。像了就不让过，逼你去找新的市场结构。这是对抗因子同质化的第一道防线。

四、D.E. Shaw：最系统化的公司，反手开了一只主观基金

这个消息确实让我吃了一惊。

D.E. Shaw，David Shaw创建的公司，建公司的前提就是系统模型优于人类判断。结果2025年底，他们推出了Cogence Fund，目标募资30到50亿美元，用于纯粹的主观交易，决策过程中不用任何算法。完全由人类交易员做判断。

表面看，这是自相矛盾。但实际上，这不是哲学上的转向，而是一次对冲。

D.E. Shaw自己的研究团队几乎肯定提供了理论依据：

• 在系统信号衰减速度超过回测预测的市场环境下。
• 在模型拥挤正在压缩整个机构环境中因子溢价的情况下。
• 针对特定交易子集，主观判断可能拥有不相关的优势。

Cogence Fund不是承认量化失效，而是关于”当前不相关阿尔法存在于哪里”的资产配置决策。

值得深思的是时机：当所有其他公司都在增加算法自主权的时候，业内最老牌的系统化交易公司，正悄悄把人类判断重新引入部分资本结构。这个信号，值得好好琢磨。

老余观点：这就像一家全自动驾驶公司突然招聘了一批老司机。不是自动驾驶不行了，而是在某些特定路况下，老司机的经验确实能补上算法的盲区。真正聪明的做法从来不是”全押一边”，而是在不同环境下用不同的工具。

五、贝索斯正悄悄挖走量化人才

2025年11月，贝索斯的秘密AI项目Prometheus（普罗米修斯）正式启动，承诺资金62亿美元。后来我查到，新一轮融资正在推进，目标100亿美元，投后估值可能达到380亿美元。

这个实验室从对冲基金和交易公司挖人的方式，在eFinancialCareers之外几乎没有引起关注。已确认的成员包括：

• 来自Citadel Securities的前FICC和股票量化专家
• 曾在摩根士丹利从事结构化信贷交易、后转行软件开发的前交易员

实验室有数百名员工，但LinkedIn上公开关联信息的不到80人。员工签署严格的保密协议。

Prometheus的公开使命是航空航天、制造业和工程领域的”物理AI”。但量化人才的背景并不直接对应这些领域。结构化信贷专长和FICC量化背景指向的是更偏向”金融架构”的能力：

数学框架基本一致，转换成本很低。这就是为什么AI实验室发现：在交易场里花了十年构建信号管道的研究者，正是他们需要的人。

更值得注意的是资本结构：据报道，Prometheus正在探索类似伯克希尔哈撒韦的永久性资本结构：收购他们计划用AI改造的行业股份，再利用这些业务作为训练数据管道。新加坡和海湾国家主权财富基金的讨论据称也在进行中。这个模式，跟30年前文艺复兴科技的低调崛起，有惊人的相似之处。

六、”容量紧缩”已经来了，只是没人敢大声说

据Verified Market Research的数据，量化基金市场2024年估值16万亿美元，预计到2032年以10.09%的复合年增长率增长至31.4万亿美元。资金还在持续流入，但真正不相关的阿尔法收益池是有限的，而且随着更多参与者共享相同的数据基础设施、因子库和大语言模型，这种状况可能正在恶化。

6.1 Millennium vs Citadel：为什么Pod模式赢了？

2025年，Millennium Management（管理约834亿美元）以10.5%的回报超过了Citadel Wellington基金的10.2%。部分原因在于：Millennium的330多个独立团队，各自构建独特的信号体系并设置不同的头寸限制，天然产生更低的内部相关性。

Pod模式的本质就是针对拥挤的结构性对冲。但它运营成本高、操作复杂，越来越多公司在学，但很多根本负担不起做好它需要的组织开销。

6.2 人才争夺的双向拉扯

容量紧缩正在重塑人才格局。AQR、Two Sigma、D.E. Shaw不再主要争夺资本，而是在争夺日益稀缺的能构建真正新型因子结构的研究人员。

而招聘压力是双向的：

• 贝索斯的Prometheus把量化人才拉向AI基础设施领域。
• AI实验室发现，在对抗性非平稳环境中构建过信号管道的人，正是他们需要的。

结果就是：量化行业花十几年培养的顶级人才，正在被AI公司高薪挖走。这不是简单的跳槽潮，这是金融史上最奇特的人才外流——从一个高薪行业流向另一个更高薪的行业，而且带走的不是普通从业者，是最核心的研究能力。

七、当前量化交易体系到底处于什么阶段？

我想直接说清楚2026年5月系统化交易所处的位置，因为市场上关于这个的评论一直不够尖锐。”量化2.0″时代：通过自动化阿尔法工厂批量生产数千信号，—曾在因子尚未拥挤、数据基础设施仍具差异化的时期创造了惊人回报。那个时代已经结束了。

我们现在处于一个过渡阶段：

在这场转型中获胜的不是GPU集群最大的公司，而是解决治理问题的公司：如何为自主生成和执行研究的系统维护监督、审计轨迹和监管可辩护性？

• Man Group从第一天就把人类否决权写进了架构。
• D.E. Shaw在工具包自治的同时集中策略执行。
• 桥水要求基金经理签字批准。

这些不是效率约束，而是竞争护城河。因为跳过治理层的公司，最终会在实盘交易中遭遇灾难性模型失效，而监管的反应将不成比例地严厉。

文章总结

2025到2026年的量化世界正经历一场深层变革：因子拥挤导致集体回撤，大语言模型挖因子加速了同质化，最系统化的公司反而重新引入人类判断，科技巨头在悄悄抽走量化人才，整个行业正从批量生产信号的时代过渡到自主智能体系统时代。谁能解决治理和差异化问题，谁就能活到下一个周期。

• 量化拥挤不是新问题，但2025年关税冲击让它变成了一场系统性崩塌。
• 大语言模型挖因子会产出结构相似的因子，导致阿尔法衰减速度比历史基线更快。
• AST相似度检查和正则化约束是当前已验证的应对方案。
• D.E. Shaw推出主观基金不是认输，是对冲——在信号衰减加速时寻找不相关收益。
• 治理架构（人类否决权、审计链、策略退出机制）才是真正的竞争护城河。

风险提示：本文仅供参考，不构成投资建议。投资有风险，入市需谨慎。

版权声明：本文为原创内容，转载请注明出处。

#量化投资 #AI因子挖掘 #量化拥挤 #对冲基金 #因子衰减 #算法交易 #AlphaGPT #量化4.0 #贝索斯Prometheus #D.E.Shaw #金融科技 #大模型