过去几年，AI 正在改变量化研究的工作方式。从早期基于遗传规划、强化学习的自动化因子挖掘，到如今大模型驱动的代码生成与智能体系统，AI 已经能够生成程序、运行回测，并参与更复杂的研究流程。因子的表达空间由公式扩展到代码，自动化研究的效率和复杂度也随之提升。
但生成能力的增强并不等同于研究能力的提升。多数系统仍以搜索和筛选为核心：它们可以提出大量候选并执行实验，却缺乏对研究动机、失败原因和后续方向的系统记录与利用。结果是，系统积累了代码和指标，却未形成可复用的研究经验，每一轮任务仍近似从零开始。
这也是 XALPHA 试图解决的问题。与其继续强化因子生成效率，XALPHA 关注机器是否能够像研究员一样，从外部材料中提炼问题、形成假设、完成验证，并将经验沉淀为可持续调用的记忆。
从这个意义上说，XALPHA 关注的不只是寻找更多 Alpha，而是推动自动化投研从扩大搜索空间，转向组织和积累研究。
01 / 当表达空间打开，AI 量化研究面临新的挑战
回顾近年来自动化因子挖掘的发展，其技术路线大致经历了两个阶段。
第一阶段主要围绕公式空间展开。遗传规划、强化学习等方法显著提升了算子组合与候选搜索的效率。但公式搜索也有天然限制：系统只能在已有算子组合空间中寻找答案。能够被当前规则描述的市场规律，往往已经被大量探索；而无法被现有表达方式覆盖的新机制，仅靠扩大搜索规模也难以发现。
第二阶段则从公式生成转向代码生成。我们此前的 CogAlpha，以及 AlphaAgent、AlphaJungle、RD-Agent(Q) 等相关研究，让因子从公式走向程序，使系统能够表达更加复杂的研究逻辑。代码能力的提升，也进一步拓展了自动化因子挖掘的边界：机器不再只是搜索已有公式组合，而开始能够生成、执行和验证更复杂的策略结构。
然而，表达能力的提升并未自动带来研究能力的提升。系统可以更快生成代码并运行实验，但如果缺乏对研究主题、机制假设和历史反馈的组织，其本质仍是更高效的搜索，而非真正的研究过程。
相比之下，人类研究员通常从阅读材料出发，识别潜在机制，提出可验证的假设，再进行实现与回测，并根据结果调整认知与方向。这一过程强调连续性与反馈，而非单次搜索。
研究的价值，不只来自一次实验找到有效结果，更来自持续积累对市场的理解。因此，XALPHA 的问题定义从一开始就不是「怎么生成更好的因子」，而是：一个 AI，怎样才算在做研究。
02 / 研究的最小闭环：读、想、写、验、记
把一个量化研究员的真实工作压到最短，可以概括为五个环节。
阅读材料，从中识别值得验证的研究线索；将线索转化为可以被证伪的研究假设；把假设实现为代码；通过实验验证有效性；最后将结果沉淀为研究经验，影响下一轮探索。
现有自动化系统往往集中在其中的中间环节：代码生成和实验验证。前端的“读”和“想”经常被压缩成一段 prompt，后端的“记”则长期缺失。
XALPHA 的架构正是围绕这五个环节构建：RMA 层负责读，Macro Brain 负责想，Micro Brain 负责写和验，Cross Brain 负责记。不同模块之间流动的不只是文本，而是一套持续更新的研究记忆。
下面按顺序讲这条链上最重要的三段。
03 / 读：从“读过”到“理解”，AI 如何吸收研究知识
让模型处理研究材料，最直接的方法是将论文、报告等文本输入上下文窗口，再要求模型生成因子。但这种方式本质上只是信息调用，而不是研究吸收。
研究材料中通常包含多层信息：背景描述、数据事实、市场观察、理论假设以及真正具有研究价值的机制线索。如果缺少筛选和理解过程，模型虽然“读过”材料，却无法判断哪些内容值得保留，哪些内容与当前研究目标无关。
XALPHA 通过 Report-to-Memory Absorption，将外部研究材料转化为结构化研究记忆，这一过程主要包含三个层次。
A 层判断可行性：这条线索能不能用当前数据域表达。论文里有个直接的例子——一段基于现金流、存货和毛利率的会计比率线索，被判 DROP，因为日频 OHLCV 里根本没有这些变量；而一段把收益拆解成过去收益、隔夜收益和日内收益的线索，被判 KEEP，因为开盘价和收盘价就能算。
B 层回到机制：这段材料在讲哪一类研究母题——趋势与动量、反转与均值回归，还是量价结构。
C 层则将这些机制进一步归纳为 48 类 Research Archetype（研究原型），相当于为不同类型的市场规律建立了一套研究地图。同样是动量线索，系统会进一步区分其背后的市场状态，例如趋势启动、趋势延续或动量衰减阶段，并匹配相应的研究路径。
这一层做完，报告里真正可复用的东西——机制，而不是原句——才进入记忆库。材料从「输入」变成了「研究历史的一部分」。
04 / 想与写：从生成代码到验证假设，AI 需要先“想清楚”再“动手”
很多系统的问题不是不会生成，而是太快进入生成。拿到线索就组合算子、跑回测，看起来效率很高，实际上是随机搜索。
真正的量化研究并不是从代码开始，而是从问题开始。
这也是 XALPHA 设计 Macro Brain 的原因。Macro Brain 负责立题。它读取已有研究记忆，识别当前值得探索的研究主题，匹配对应的研究路径，并形成待验证的 Hypothesis Pool（研究假设集合）。
当研究假设确定之后，Micro Brain 才进入代码实现阶段。
但代码生成本身也并非简单的执行过程。自动生成代码最大的风险，并不是无法运行，而是在实现过程中逐渐偏离最初想验证的机制：代码看似有效，却验证了另一个问题。
因此，Micro Brain 通过 AST 检查、假设—代码逻辑—金融合理性的三方对齐验证、执行检查和数值校验，以及后续的变异、交叉和优化机制，确保最终生成的代码始终对应原始研究假设。
换句话说，XALPHA 并不是让 AI 更快地写代码，而是让代码成为研究假设的可验证表达。
05 / 记：成功和失败，都是 AI 研究的资产
对于自动化研究系统而言，实验结果通常意味着一次排序：哪些因子表现更好，哪些因子被淘汰。
但对于真正的研究过程而言，失败同样重要。一个成熟的研究员不会只记住成功的策略，也会记住哪些方向曾经失败、为什么失败，以及未来应该避免什么。
XALPHA 中，Cross Brain 负责将实验结果重新沉淀为研究记忆：哪类机制这次有效，哪种失败在重复出现，哪些研究路径值得继续投入，哪些方向应该降权。
论文里的记忆路由案例把这个过程展示得很具体。GOOD memory 记录的是「条件在波动率和流动性状态上的自适应滞后结构」这类被验证过的机制；BAD memory 记录的是「孤立的成交量尖峰信号、僵硬的固定滞后窗口、堆叠过度的状态调整」这类反复失败的模式。
下一轮立题时，Macro Brain 会同时参考已经验证有效的机制和反复失败的模式。它输出的不只是一个新的研究关键词，而是一条机制约束：滞后响应仍可能蕴含有效信息，但需要放在不同市场状态下重新理解，而不是简单重复过去容易失效的纯量价模型。
在这里，失败不再只是被丢弃的结果，而成为下一轮研究的重要约束。系统每跑一轮，多出来的不是一批候选，而是一段研究历史。
06 / 从指标领先到研究质量提升，XALPHA 验证了什么
在 CSI300、10 日 open-to-open 收益预测的设定下，XALPHA 在七项核心指标上均取得最佳表现。
最能说明差距的是组合层面的 IR：XALPHA 1.5368，此前最强的 agent 路线 AlphaAgent 是 0.9516，机器学习一侧最强的 MLP 是 0.5965。
这一版论文新增的累计收益曲线（Figure 2）把结论从表格推进到了收益路径：在统一的 held-out 组合评估协议下，XALPHA 挖出的因子库不只是统计指标更强，而是确实转成了更好的收益曲线。
但比「赢了多少」更值得看的，是两个关于「为什么赢」的证据。
第一个是多样性。单一研究主题下的 50 个 elite 因子，平均绝对相关 0.234；跨六个主题采样的 60 个因子，平均绝对相关降到 0.142，87.1% 的因子对相关性低于 0.3。这说明 Macro Brain 的主题路由确实在把搜索引向因子空间的不同区域——多样性不是撒网撒出来的，是立题立出来的。
第二个是可读性。论文里展示的 elite 因子 regime_overshoot_pressure_decay_20d_ma20_vol20，是一段可以直接读的代码：下跌超调形成反转压力，压力在高波动状态下衰减得更快。它不是一个无法追溯的黑箱分数，而是一个可以继续讨论、质疑和变异的研究对象——像研究员交出来的东西，而不是搜索器吐出来的东西。
07 / 当 AI 拥有研究历史，量化投研会发生什么变化
如果用一句话总结 XALPHA：它不是让 AI 更快生成因子，而是让 AI 开始积累研究。
过去阶段，自动化投研竞争的核心是搜索效率：谁能够探索更多公式、生成更多候选、完成更多实验。
但随着大模型和智能体技术的发展，生成能力正在快速普及。未来真正形成差异的，可能不只是系统能够找到多少候选，而是能否理解为什么研究、如何总结经验，以及如何让过去的探索影响未来。
XALPHA 所探索的方向，正是建立这样一套持续积累的研究机制：读进来的材料变成记忆，立出来的 hypothesis 有主题归属，代码实现对应明确机制，实验反馈反向更新下一轮探索。
当 AI 系统开始拥有自己的「研究历史」——知道自己探索过什么、验证过什么、哪些路径值得继续、哪些方向应该避免——它与传统自动化工具之间的区别也会逐渐显现。
未来的 AI 投研系统，不只是一个更强大的搜索器，而是一种能够持续学习和演化的研究基础设施。
本文基于我们的论文《XALPHA: A Memory-Driven AI Quant Researcher for Hypothesis-to-Code Alpha Discovery》整理，不构成任何投资建议。