智能體與深度學習：因子投資發展雙范式——海外文獻推薦系列之一百八十九.pdf

本文圍繞“因子投資發展雙范式”這一主線，梳理了因子投資從傳統人工構造轉向智能體和深度學習雙路徑的前沿研究。傳統因子挖掘面臨瓶頸，核心問題轉向構建持續性的系統化Alpha研究框架。

在智能體維度，介紹了三類代表性框架：自主循環Agentic AI框架通過ReAct循環實現自動化閉環，規避數據窺探；LLM-MCTS框架結合蒙特卡洛樹搜索，通過多維度評估和頻繁子樹規避機制引導系統性探索；QuantaAlpha框架引入軌跡級進化機制，通過變異與交叉算子提升因子生成的可控性和多樣性。

在深度學習維度，介紹了多種建模范式：PPO自適應因子加權方法根據市場狀態動態調整因子權重；殘差因子分布預測方法剝離共同風險暴露，學習更接近個股特異性Alpha分布特征；E2EAI算法將因子篩選、深度因子學習、股票選擇與組合構建納入統一訓練目標，實現端到端優化。

結論指出，智能體與深度學習并非相互替代，而是分別從“可解釋信號生成”和“非線性Alpha表達”兩個維度拓展了傳統因子投資方法。未來因子投資的關鍵在于構建兼具可解釋性、泛化能力、動態適應性和工程可落地性的Alpha生產體系，二者的融合有望成為下一階段量化因子投資研究和實踐落地的重要方向。