XAlpha：记忆驱动AI实现假设到代码Alpha发现

背景

金融市场具有高噪声、非平稳、高维度的特点，使得发现具有预测能力和稳健性的交易信号（即Alpha）极为困难。Alpha发现（Alpha Discovery）的历史进程经历了从手工因子设计到机器学习、进化搜索，再到近期基于大语言模型（LLM）的框架，这些方法在因子生成、搜索和评估的效率上取得了显著进步。然而，现有方法大多停留在自动化孤立步骤上，例如仅负责因子生成或仅负责因子评估，未能实现端到端的量化研究员功能——即缺乏对外部知识的吸收、假设到代码的验证闭环，以及从累积的发现反馈中学习的能力。这种碎片化的工作流使得Alpha发现过程难以持续迭代和自适应改进。

核心内容

为填补这一空白，论文提出了XAlpha，一个由记忆驱动的AI量化研究员（AI Quant Researcher），专门用于持续进行假设到代码（Hypothesis-to-Code）的Alpha发现。XAlpha的核心是一个多源研究记忆系统（Multi-Source Research Memory System），该系统整合了基于报告（report-grounded）的金融知识与来自先前生成周期和研究周期的发现反馈。在该记忆系统的引导下，XAlpha由三个智能模块（称为"大脑"）协同工作：

• 宏观大脑（Macro Brain）：负责规划研究主题，并选择合适的研究原型（Archetype）。它基于记忆系统中的全局知识，决定当前研究周期应聚焦哪些假设方向，从而指导后续的因子探索。
• 微观大脑（Micro Brain）：将宏观大脑规划的假设池转化为可执行的因子代码，并验证事前三元一致（ex-ante tri-alignment），即确保假设想法、代码逻辑与金融合理性三者之间的对齐。这一步是假设验证的关键，防止生成的因子在逻辑上脱节或财务上不合理。
• 跨脑（Cross Brain）：将经验结果整合为不同层次的反馈——生成层级反馈（generation-level feedback）、周期层级总结（cycle-level summary）以及原型层级研究线索（archetype-level research cues），为未来的探索提供结构化知识。

通过这种架构，XAlpha将Alpha挖掘从孤立的因子生成转变为闭环研究过程：持续地阅读（读取外部知识）、假设（生成假设）、实现（编写因子代码）、验证（检验一致性与性能）、反思（分析结果）和进化（更新记忆系统）。在CSI300（沪深300指数）上的实验表明，XAlpha在整体Alpha发现性能上显著优于代表性基线方法。

关键要点

• 多源研究记忆系统：整合报告金融知识与历史发现反馈，形成持续进化的知识库，驱动后续研究决策。
• 宏观大脑 → 微观大脑 → 跨脑的三层协作架构：分别负责研究主题规划、假设验证执行以及经验知识整合。
• 事前三元一致验证：确保假设想法、代码逻辑和金融合理性三者对齐，减少无意义或虚假的因子。
• 闭环研究流程：从阅读、假设、实现、验证、反思到进化，形成一个可自动持续迭代的Alpha发现循环。
• 实验验证：在CSI300数据集上，XAlpha的整体发现性能超过代表基线方法（如传统机器学习和LLM方法），展示了更强的鲁棒性和有效性。

意义与影响

XAlpha代表了AI在量化金融领域从“辅助工具”向“自主研究员”迈进的重大一步。其创新在于将Alpha发现从孤立、静态的因子生成任务提升为一个具备记忆和反馈机制的动态闭环系统。这种设计能够：

• 持续吸收外部知识：利用金融报告、市场新闻等非结构化信息丰富假设来源，使因子发现更贴近实时市场环境；
• 自我进化：通过跨脑的反馈机制，每轮研究周期产生的经验被结构化存储，为后续研究提供线索，减少重复探索，加速收敛到高质量的Alpha；
• 可解释性与可控性：宏观大脑规划主题、微观大脑验证对齐，使得整个过程具有可追踪的研究路径，而非黑盒搜索；
• 推动量化研究范式变革：未来有望在更大规模、更多资产类别上应用，甚至结合强化学习和多智能体协作，实现更复杂的策略发现。

尽管目前论文仅展示了在单指数（CSI300）上的实验，但其框架设计具有通用性。随着金融知识的持续注入和记忆系统的不断扩展，XAlpha有潜力成为量化机构中一个高效、自驱动的Alpha生产引擎。