文溪投资谈因子假设工程
量化研究平台一次生成上千条公式，看起来像是把研究速度提高了几个数量级。打开结果却会发现，许多候选只是在同一条价格均线外换了窗口，或把成交量算子重新嵌套。公式数量迅速增加，真正的新问题并没有同步增加。搜索更快了，研究却可能仍在原地打转。
文溪投资认为，因子挖掘正在从公式生产转向假设工程。所谓假设工程，是先说明市场中可能存在什么关系、这一关系为何尚未被完全定价，再把它翻译成能够计算和证伪的表达。大模型的价值，是帮助研究者连接语言与公式;它不能替代经济含义，也不能用流畅叙述替回测结果背书。
因子研究应从问题而非算子起步
传统遗传规划通常从变量和算子随机组合开始，经由选择、交叉和变异寻找表现较好的公式。方法可以覆盖很大的结构空间，但市场数据噪声高，适应度差异又常被偶然波动掩盖。若没有方向约束，计算资源会反复消耗在缺少经济含义的区域，留下复杂却难以解释的表达式。
假设工程把顺序倒过来。研究者先提出可讨论的问题，例如短期成交扩张是否只在流动性改善时具有持续性，或价格反转是否受到行业共同波动影响。随后明确数据时点、适用范围和反证条件，再让系统寻找公式。文溪投资强调，问题越具体，搜索空间越容易被有效压缩，失败结果也更有信息。
大模型承担先验导航而不是最终裁判
大语言模型能够理解动量、反转、波动聚集等金融概念，也能把自然语言假设拆成变量、窗口和算子。它因此适合充当搜索先验，为候选公式提供起点和修改方向。相比完全随机的变异，这种语义导航更容易避开明显无意义的组合，也有助于保留公式与研究问题之间的对应关系。
但模型会受到训练材料和提示方式影响，可能偏爱常见公式，甚至把熟悉表达误当成新发现。文溪投资不会让大模型自己评判公式是否有效。候选必须交给确定性的计算引擎，检查字段、时间窗口、算子合法性和未来信息，再由冻结数据上的回测反馈决定是否继续展开。语言模型提出可能性，统计证据负责淘汰。
蒙特卡洛树搜索让探索留下路径
2025年发布并进入AAAI论文集的相关研究，将公式构造视为树搜索问题。每个节点代表一条候选公式，大模型根据回测反馈提出局部改进，蒙特卡洛树搜索在继续深挖已有高分路径与尝试新分支之间作出平衡。与一轮生成大量互不关联的公式相比，这种结构保留了公式如何一步步变化。
路径记录对研究治理很重要。若某条公式从低换手改造开始，随后加入波动约束，团队可以分别观察两次修改改变了什么;若一次同时改动数据、窗口和算子，结果即便改善，也无法定位贡献。文溪投资主张限制单步修改范围，让搜索树既是探索工具，也是可供复盘的实验日志。
奖励需要同时反映收益和代价
若搜索只追逐样本内信息系数，系统会自然靠近最容易拟合的表达。一个适合研究的奖励应同时观察预测方向、跨期稳定性、换手、交易成本、复杂度和与现有因子的重复程度。指标不宜简单相加后隐藏细节，因为高分可能来自某一项极端占优，而其他约束已经恶化。
分层反馈更有助于定位。候选先通过语法和数据时点检查，再看信号是否具有稳定方向，随后评估成本后组合贡献，最后才进入更昂贵的压力测试。文溪投资认为，这种顺序不是人为降低效率，而是在不同失败原因之间建立清楚的出口，避免把非法公式、偶然相关和难以交易的信号放在同一排名中。
公式语法决定搜索边界
大模型能生成代码，也可能生成不存在的字段、错误嵌套或缺乏时间逻辑的表达。2026年提出的AlphaCFG用面向因子的上下文无关文法定义有边界的搜索空间，并以语法感知的树搜索推进发现。它提示行业，所谓认知型挖掘并非让模型自由发挥，而是把自由限制在可执行、可解释的语言中。
文法还应表达金融约束。截面排序不能误用未来全样本，滚动统计必须明确最短观察期，缺失值处理不能在不同阶段悄悄改变。文溪投资会把这些要求放进公式生成之前，而不是等回测异常后补救。好的搜索空间不追求包罗万象，它要排除那些从一开始就不应被检验的路径。
验证速度不会随生成速度同步提升
AI可以在一天内提出过去数周才能完成的候选，却不能创造更多独立市场历史。候选数量越多，多重检验带来的偶然显著越严重。Harvey等人的研究早已提示，在大量因子被反复尝试时，传统显著性门槛可能过低。生成环节提速之后，研究机构反而需要更严格地隔离验证数据。
文溪投资把冻结测试集、前向观察和实盘影子验证视为不同证据。冻结测试集检查搜索过程是否污染样本，前向观察检验关系能否延续，影子运行则暴露成本、容量与数据延迟。三者不能互相替代。回测反馈可以导航搜索，却不应反复观看最终考卷，否则树搜索也会沿着测试集的噪声前进。
文溪投资分析 建立假设账本
文溪投资建议为每个因子保存一份假设账本，记录问题来源、经济机制、首次可得数据、公式版本、每次修改、否决原因和适用边界。账本不只保留胜出的公式，也保存失败分支。后者能够说明哪些想法已被检验、为何不成立，防止新一轮模型换一种说法后重复消耗资源。
评估研究能力时，因子数量和最高回测值都不够。更有意义的指标包括有多少候选来自不同经济问题，有多少修改能够被单独归因，有多少结论在冻结样本上保持，以及失败原因是否沉淀为后续搜索约束。AlphaForgeBench等近期研究也把大模型定位为量化研究者而非直接执行者，强调可执行代码和标准化回测的重要性。
从盲目搜索到认知型挖掘，真正的变化不是机器终于会写公式，而是研究问题、搜索路径和验证证据能够被连接起来。文溪投资认为，大模型可以照亮丛林中的若干方向，树搜索可以记录走过的岔路，但决定一条路径是否值得继续的，仍是清楚的假设、克制的验证和允许失败留下痕迹的研究制度。