AI时代的Alpha荒，顶级千亿私募开始向全行业重金买脑子
以下文章来源于量化岛 ，作者岛主
量化岛 . 量化交易者的引航灯和瞭望塔，穿越因子与算法的波涛，驶向更广阔的阿尔法。
最近在墙外闲逛时，在彭博社（Bloomberg）的官网上，看到了一条确实还挺有意思的新闻。
新闻链接：https://www.bloomberg.com/news/articles/2026-06-02/citadel-set-to-pay-for-trading-ideas-from-other-hedge-funds
城堡基金Citadel，作为全球最大的多策略对冲基金之一，当下正在积极筹备去推出一个全新的买方Alpha捕获（Buyside Alpha Capture）项目。简而言之，就是向其他对冲基金购交易想法与信号，再将外部基金经理观点接入自己的量化体系来交易。
这个新闻它本身其实并不复杂，但是在看完之后，盯着屏幕，足足愣了好一会儿。我突然意识到，这事儿背后所反映的或许比新闻本身更有意味。
很多小伙伴对Citadel的印象多为“量化巨无霸”“华尔街印钞机”“全球最赚钱对冲基金之一”。在很多人的观念之中，像Citadel这类的机构，理应具备着全世界最为顶尖优秀的研究员，最为先进发达的计算集群，最为丰富繁多的数据资源以及最为复杂高深的量化模型。属于那种别人还在研究小学数学题的时候，它已经在解偏微分方程组的存在。
按理说这类机构最不缺的就是Alpha，可如今却向外买交易想法，这事儿颇让人意外。
一、Alpha这东西，真的在变少
如果把时间往前拨十几年，这种事情其实很难想象。
在那个时候的量化行业，正处在高速扩张的阶段当中，各式各样有效的因子不断地涌现出来，而市场里的信息效率和现如今相比，远远没有达到像今天这样高的程度。要是研究员能找到一个全新的市场异象，或者从财务数据中发掘出一个他人没注意到的规律，那通常就能获取相当不错的Alpha。那个时代最大的烦恼，可能就是资金不足导致策略很难放大，而非Alpha不够难以去消化资金。
但是今天的这种状况，很明显已经和以往不太一样了。
过去十余载，量化行业历经多轮军备竞赛。从最开始的时候的价格数据以及财务数据，到后来的另类数据，机器学习，高频交易，深度学习，再到最近这几年的大模型和AI Agent。几乎每一次技术革命，都会吸引大量资金和人才涌入这个行业。
大家都在拼命寻找新的Alpha来源，拼命提高预测精度，拼命挖掘别人还没有发现的规律。但是残酷现实是，参与竞争人渐多，市场中Alpha更稀缺。
很多刚刚踏入行业的萌新研究员或许并不会有这样的感受，原因就在于当他们去接触量化相关领域的时候，整个行业已经呈现出当下这样的状态了。可对于部分老研究员，这种变化确实非常明显。
在十年之前，感觉一个不错的因子，或许它能够稳定地使用上好几年。五年前发现一个不错的因子，可能一年之后就开始衰减；今天很多因子刚发布，还没实盘三个月就被全市场吃透。
在前段时间和一个朋友聊了聊，他目前是在国内的一家头部私募机构里做量化研究。他半是打趣地讲，当下搞因子研究越发好似在河边淘金子，过去，就是拿把铲子随便挖挖就能瞧见金砂，可现在，是好多人开着挖掘机，推土机还有盾构机在同一块地里头抢着干。工具渐优，算力渐强，数据渐丰，然可挖之金渐稀。
如果从这个角度来讲，Citadel去买外部Alpha，就一点也不稀奇了。对于管理规模680亿美元（约合4500亿人民币）的超级机构，其核心问题不再是资金不足，而是Alpha产能不足。
二、钱多也是一种烦恼
其实，这是很多人容易忽略的一个事实。
在金融领域，资金规模并不总是贯穿始终的绝对优势。
试想一下，要是你拥有一个年化收益为20%的策略，策略的容量是10个小目标，那你去管理1个亿和10个亿的基金问题不大，handle得了，但突然往里面塞进100个亿，你想想那个时候的场景，市场冲击成本、流动性约束和交易拥挤度分分钟吞掉原本的超额收益。
对于城堡基金Citadel、千禧年基金Millennium和Point72这些超级机构，他们真正苦恼的问题恰恰是如何找到与巨额资金相匹配的Alpha。
于是，这个有意思的现象就浮现了。
过去大伙儿认为量化机构最大的竞争优势来自于数据、模型和算力，但今天越来越多的机构开始意识到，市场上还有一种资源同样重要，那就是人的认知。
一个在半导体行业长期深耕的基金经理，一个在医药行业浸淫了十几年的投资专家，一个专门交易能源市场的宏观交易员，他们脑海里所拥有的知识、经验以及做出的判断，从本质来看，也同样是一种Alpha源，但这种Alpha过去很难标准化、量化，故而难以被大规模利用。
这次Alpha捕获（Alpha Capture）所做之事，实质上就是将原本不可量化的认知转化为数据。
三、Alpha Capture不是新概念
很多小伙伴第一次听到Alpha Capture这个词的时候，会以为它是什么新概念。
但实际上，这套特定的模式已经是有年头儿了，最著名的案例就是，英国对冲基金Marshall Wace早在二十多年前，就已经搭了一个名为TOPS（Trade Optimised Portfolio System，交易优化组合系统））的系统，遍邀全球金融分析师向TOPS平台提交投资观点，然后持续跟踪这些观点的表现。
假如上千个分析师扎堆一块儿荐股，在经过一段考察期之后，系统自然就知道哪些人的长期预测是靠谱的，而哪些人的长期预测比较拉胯。那些持续创造Alpha的人会获得更高权重，而那些表现拉胯的人则会逐渐被淘汰。系统采纳的的并不是某个分析师的单一观点，而是一个由大量优质投资观点构成的Alpha池。
仔细想来，别有一番意味，因为从传统层面来看，比如价格数据、成交数据、信用卡数据、卫星数据、招聘数据等等。Alpha Capture收集的却是人的判断本身，它关注的不是发生了什么，而是谁更擅长预测将要发生什么。
也就是说， 在过去，是人研究数据，而如今，人正在变成数据。
这个变化咋一听有些绕口，不过它极有可能代表着另类数据发展的下一个阶段。过去十几年，金融行业一直在想办法把现实世界数字化，把无法量化的信息转化为结构化数据。卫星照片能统计停车场汽车数，信用卡数据可追踪消费者支出，手机定位数据可分析商场客流量。而现如今，基金经理的投资决策、研究员的行业判断以及交易员的市场直觉，也都开始被纳入到同样的投资交易框架当中。
如果继续沿着这个思路往下思考，一个更加有意思的问题就出现了~
当人的认知也能够被量化之后，那量化和主观投资之间的边界是否还存在？
四、量化和主观投资的大融合
要是将时间回拨到十年之前，量化投资和主观投资差不多可以算是两个平行世界。
量化投资者认为主观投资过度依赖个人经验，决策时不时就靠拍脑袋，缺乏严格的统计验证。但是很多主观基金经理觉得，量化模型不过是对历史数据的机械重复罢了，那真正重要的产业逻辑与市场情绪，压根儿就没办法用公式去描绘。双方虽然都在同一个市场里赚钱，但彼此之间总带着一种若有若无的优越感。
然而最近几年，一个趋势越来越明显了，那就是这两条原本平行的道路正在逐渐交汇。
主观基金开始大量使用程序化、机器学习、另类数据和量化风控系统，而量化基金则开始招募行业专家、产业顾问和资深主观基金经理，希望将人的经验和认知与机器算力有机结合起来，原本泾渭分明的两种投资方法，正在慢慢演变成同一种东西。
由于金融市场它自身原本就是一个极为复杂的系统，其中存在着一部分是可以被数字化以及结构化的，同时还存在着大量没办法去进行量化的部分。例如企业财报可以转化成量化因子，市场价格可以转化成交易信号，但产业链上下游的微妙变化，监管层态度的边际转向，以及企业家个人风格的变化，却很难被直接写进模型之中。优秀主观基金经理对行业景气度的判断，或许比100个量化因子更早察觉拐点。
过去量化机构之所以能够高速发展，就是由于在市场之中，存在着众多还没有被开发和利用的数据资源。而现如今，当大部分公开数据都已经被研究得差不多的时候，机构开始把目光投向那些更难获取、更难复制的东西。
Citadel重金采购外部Alpha，干的就是同样的事儿，表面咋一看它的确是在购买交易信号，但实际上，购买的是那些隐藏在信号背后的行业认知。
从这个角度来说，未来最给力的投资机构，或许既不是纯量化机构，也不是纯主观机构，而是一家同时拥有顶级研究员、顶级工程师与顶级行业专家的混合体。
五、AI时代，人的认知愈发重要
看到Citadel这条新闻的时候，脑子里还蹦出了另外一个问题。
为什么偏偏是在AI大爆发的时代，顶级机构开始更加重视人的认知？
可能很多小伙伴觉得，当下的大模型越来越NB，已经可以自动去写代码、生成因子、搞研究报告，啥都玩得转，在未来，甚至可能自动去完成整个量化研究和投资交易的流程，在这背景下，人的作用应该越来越小才对头。
可惜啊，现实有刚好相反的趋势，越来越多机构开始意识到，真正稀缺的资源并不是算力，而是独特认知，算力易得，认知难求。
在过去的两三年时间里，但凡参加过量化行业相关交流会的人，大抵都会有着差不多类似的感受，逢会必谈AI，AI成了绕不过去的话题，各种工具层出不穷，各种框架不断出现，仿佛整个行业都在进入一个全自动化时代。
当越来越多的人采用相同的大模型，相同的数据集以及相同的研究框架的时候，最后所得到的结果通常也会越发相近。在这个时候，真正能够使得彼此之间拉开显著差距的东西，反倒变成了除了AI之外的部分。
一个长期研究半导体产业的人，看到某家设备厂商订单变化时能够迅速联想到未来两年的行业周期。一个持续跟踪航运市场十几年的交易员，见到港口拥堵的照片时，能推演未来运价变化趋势。一个深耕创新药行业多年的投资经理，甚至可以通过一次学术会议，就能判别某个药物研发方向到底有木有商业价值。
这些能力都不是简单数据处理就能做到的，而是冰冻三尺非一日之寒积累起来的认知体系。
AI能够帮助咱更为迅速地去处理数据和信息，但是它目前却极难去替代来自现实世界的经验。因为认知并不是数据本身，而是理解数据的方式。当所有人都拥有相同的数据时，不同的认知框架才是真正决定收益差距的关键因素。
所以从这个角度来看，Citadel购买的并不仅仅是交易信号，它购买的是一种AI暂时还无法批量生产的资源，那就是人的长期经验和独特视角。
六、这对量化研究员意味着什么
每当底层小兵看到海外顶级机构出现新动作的时候，情不自禁地在想，这些事儿对于普通量化研究员来说，是不是太远了？
实际情况恰好相反。
很多行业发生的变化，通常都是从头部机构率先开始的，之后慢慢地朝着整个行业进行全面扩散。未来几年里，国内量化行业很可能会出现今天Citadel所经历的很多事儿。所以相比关注Citadel赚了多少钱，更该思考此事对普通研究员的意义？
要是把过去十年里的量化研究工作掰开了揉碎了去看，那大部分的时间实际上都是耗费在洗数据、挖因子、搭特征、优化模型以及验证策略这几个方面。伴随AI工具变得越发成熟，好多工作慢慢开始自动化。未来大模型或许比研究员更快完成因子挖掘、策略开发和回测验证这些常规工作。
这听起来好像有一点儿悲观，可实际上，却未必如此。
因为工具的进步往往不会消灭研究员，而是重新定义研究员的价值。过去大家拼的是谁能发现更多规律，未来大家拼的可能是谁能提出更好的问题，因为规律可以被机器搜索出来，但问题往往来自对现实世界的理解。
对于量化研究员来说，未来越来越重要的能力可能不是编写某个模型，而是理解某个行业；不是优化某个参数，而是构建某种认知框架；不是发现一个因子，而是发现一个别人尚未注意到的现象。
因为模型最终会被模仿，因子最终会被复制，但独特的观察视角往往更难被竞争对手复刻。
过去几年里，咱经常讨论"数据即资产"，但未来也许会出现另一句话： 认知即资产 。
七、一个新时代正在到来
要是把量化行业的发展历史简单概括一下的话，大致是可以划分为这几个阶段。
最初的时候，比拼的是数学模型，接着较量的是数据资源，随后较量的是计算能力，而到了当下，越来越多的机构开始较量的是认知资源。各阶段核心竞争力不同，然而背后逻辑却始终相同，那就是寻找未被发现的Alpha。
从这个角度看，Citadel这条新闻真正值得关注的地方，并不是它推出了一个崭新的业务，而是它向整个行业释放了一个信号。
这个信号并不是“未来将会去购买更多的交易信号”，而是“未来最为稀缺的资源很有可能不再是数据，反而是认知”。
在过去的二十年间，量化行业始终都在努力积极把整个世界数据化，把现实世界转变成为模型可以理解的形式。而未来二十年，可能会开始尝试另一件事情，那就是把认知资产化，把优秀投资者的经验、判断和思考过程转化为可以交易、可以组合、可以放大的资源。
这咋一听起来好像有些儿玄幻，但实际已经发生并且正在发生，Marshall Wace已经干了二十多年，Citadel正不断加大投入，越来越多的大型机构也在琢磨类似的模式。当人的判断被记录、评估、定价时，新的Alpha市场或已悄然形成。
对于普通投资者而言，这或许仅仅是一条普通的行业新闻，可对于量化从业者来说，它更像是一块矗立在不远处的路标。
因为它提醒着咱，在AI高速发展的时代，在因子越来越拥挤的时代，在数据越来越廉价的时代，真正能够创造长期价值的东西或许正在发生变化。
未来的Alpha或许会越来越像商品，任何人都能够通过技术手段快速获取，但认知将越来越像资产，因为它需要时间积累，需要现实验证，也需要长期沉淀。
这或许才是Citadel向全行业“买脑子”背后最值得思考之处。
下期见~
★
往期回顾
★
------量化社群------
------量化策略------
------心得杂谈------
_ Tip：点击关键字可以直接查看对应文章。 _
END
如果对本文有疑惑，或是想聊聊
亦或是围观朋友圈当点赞之交
戳我，让我们一路同行
吃瓜吐槽写代码
原文作者：岛主；来源：量化岛。版权归原作者所有。
在微信公众号阅读原文 ↗
