[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"content-doc-dcio008a2aac":3},{"user":4,"document":8,"mainDocument":27,"columnUrl":29,"subscription":30,"footer":42,"text":80},{"isAuthenticated":5,"isAdmin":5,"displayName":6,"avatarUrl":6,"nid":6,"groupLevel":7},false,"",-10,{"id":9,"fullTitle":10,"subTitle":6,"url":11,"columnId":12,"columnName":13,"columnUrl":14,"summary":6,"contentHtml":15,"mainContentHtml":6,"posterUrl":16,"createDate":17,"displayDate":18,"displayDateSlash":19,"pageviews":20,"tags":21,"hidden":5,"isSubContent":5,"replyDocOrTargetId":6,"contentType":23,"videoId":6,"liveVideoUrl":6,"useContentVideo":5,"duration":24,"price":24,"priceText":25,"priceBadgeText":25,"priceBadgeClass":26,"freeForMinGroupLevel":24,"redirectUrl":6,"readyToStream":5},"dcio008a2aac","Two Sigma 特征平台总监分享量化投资策略中特征生成的复杂之处","\u002Fdoc\u002Fdcio008a2aac","col18178739ee","美股资讯","\u002Fcol\u002Fcol18178739ee","\u003Cp>\n\u003C\u002Fp>\u003Cp>\u003Cspan>前Two Sigma 总监Corey Hoffstein 与 Ben Wellington 讨论了量化投资策略中特征生成的复杂之处。他们探讨了“特征”的定义、特征在量化流程中的作用，以及 Two Sigma 的共享平台模式如何支持特征创意的产生。\u003C\u002Fspan>\u003C\u002Fp>\n\u003Cp>\u003Cspan>对话还深入讨论了如何处理特征之间的共线性、预测时间周期对特征选择的影响，以及在市场逐渐提高效率的过程中，一个特征会经历怎样的生命周期。\u003C\u002Fspan>\u003C\u002Fp>\n\u003Cp>\u003Cspan>他们强调，量化研究团队非常需要创造性思维，也讨论了如何使用 AI 工具进行快速原型开发。本期还涉及 AI 带来的风险、AI 基础设施的取舍，以及如何应对 p-hacking 和过拟合。\u003C\u002Fspan>\u003C\u002Fp>\n\u003Cp>\u003Cspan>美股投资网提炼出以下10 点：\u003C\u002Fspan>\u003Cbr>\u003Cspan>1. 量化投资的 Alpha 主要来自三层：数据、特征、预测算法。Ben 认为过去十五到二十年，单纯“拿到别人没有的数据”这件事的重要性相对下降，因为很多数据已经商品化。今天越来越重要的是，你能不能把同样的数据加工成别人没想到的 Feature，再结合更好的机器学习方法做预测。\u003C\u002Fspan>\u003Cbr>\u003Cspan>2. Feature 不是原始数据，而是“从原始数据中提炼出的、具有经济意义的事实”。股票价格是原始数据，但过去一周涨幅、波动率、分析师是否刚刚上调评级、新闻报道数量是否异常增加、公司是不是周五盘后发布公告，这些才是 Feature。Two Sigma 的核心理念不是把所有原始数据直接扔给机器，而是先通过人类认知把数据变成有意义的特征。\u003C\u002Fspan>\u003Cbr>\u003Cspan>3. 真正的优势往往来自“无数微弱信号的聚合”，而不是找到一个超级指标。比如研究一个分析师，不只看目标价和评级，还可以研究他覆盖这个行业多久、所在地区、教育背景是否与 CEO 重合等。单个信号的预测能力可能只有 50.001%，但如果你能提出 200 个聪明的问题，就可能形成 200 个微弱但有价值的特征，组合起来才形成真正的 Alpha。\u003C\u002Fspan>\u003Cbr>\u003Cspan>4. Feature Engineering 最重要的能力不是数学，而是创造力。Two Sigma 并不是简单地“暴力穷举所有可能变量”，而是先有人类的先验判断。一个好研究员需要不断问：“这个现实世界事件能不能一般化？”比如某家公司因为火车事故下跌，研究员真正要做的不是研究这一次事故，而是把它抽象成一个可以回放十年、覆盖所有相关公司的系统化特征。\u003C\u002Fspan>\u003Cbr>\u003Cspan>5. 正交性比“发现一个新信号”更重要。Ben 讲得非常直接：“共线性是信号的死亡。”你可能觉得自己发现了一个全新的新闻情绪指标，但最后发现它只是在间接复制财报数据，那它就没有多少增量价值。Two Sigma 从研究开始就要求新 Alpha 尽可能与已有信号低相关，而不是等模型完成后才检查相关性。\u003C\u002Fspan>\u003Cbr>\u003Cspan>6. 每个 Feature 都有自己的预测时间周期，而且 Alpha 会随着市场效率提高不断衰减。比如线下客流数据可能几个月后才通过同店销售反映出来，不会在五秒钟内完全定价。但当越来越多机构拿到相同数据以后，市场消化信息的速度会越来越快，预测周期不断缩短，最后这个信号可能彻底失效。因此真正的量化系统必须持续监控 Alpha Decay，并动态降低失效信号的权重。\u003C\u002Fspan>\u003Cbr>\u003Cspan>7. LLM 最大的革命，不只是“帮你写代码”，而是让以前无法规模化的数据变成可研究的 Feature。Ben 的一句话很关键：“以前 NLP 是把语言变成数字，现在 LLM 可以把数字变成语言，任何东西都可以成为语言。”Excel、财务数据、视频、非结构化信息，都可以先被 AI 转化成文本或结构化解释，再进入量化研究流程。换句话说，AI 正在扩大“可计算数据”的边界。\u003C\u002Fspan>\u003Cbr>\u003Cspan>8. AI 最大的价值，是把 Feature Research 的试错成本降低 10 倍甚至 100 倍。以前研究“CEO 财报电话会眨眼次数是否异常”可能需要计算机视觉团队做六个月，ROI 太低，所以根本不会立项。现在 AI 可以快速完成原型，这意味着研究员以前脑子里那 2,000 个“很有意思但没时间做”的想法，突然大量变得可测试。真正的变化不是 AI 替你思考，而是实现成本不再限制你的想象力。\u003C\u002Fspan>\u003Cbr>\u003Cspan>9. 但 AI 也可能让所有人的模型越来越相似，这是 Ben 最担心的风险。他把它称为“降低输出熵”。传统工业自动化追求每次输出都一样，但量化投资恰恰需要相反的东西：原创性、异质性和低相关性。如果所有研究员都把数据丢进同一个 AI 按钮，得到类似模型，那么整个组合会失去多样性。因此 Two Sigma 希望 AI 放大每个研究员原有的独特思维，而不是把所有人标准化。\u003C\u002Fspan>\u003Cbr>\u003Cspan>10. 未来最值钱的 Quant，不一定是最会写代码的人，而是最会“提出好问题”的人。Ben 的判断是，随着 AI 发展，把想法写成代码、搭建网站、实现某个具体功能的相对价值会下降。真正越来越重要的是：你有什么别人没有的知识和洞察，你能不能提出独特的问题，再利用 AI 把自己的能力规模化。未来代码会减少，Prompt 和自然语言交互会增加，最终“想法本身”会成为更稀缺的资产。\u003C\u002Fspan>\u003Cbr>\u003Cspan>━━━━━━━━━━━━━━━━━━━━━━\u003C\u002Fspan>\u003Cbr>\u003Cspan>【原创声明】\u003C\u002Fspan>\u003C\u002Fp>\n\u003Cp>\u003Cspan>本文由美股投资网（TradesMax.com）量化团队原创完成。\u003C\u002Fspan>\u003C\u002Fp>\n\u003Cp>\u003Cspan>原创机构：美股投资网\u003C\u002Fspan>\u003Cbr>\u003Cspan>英文品牌：TradesMax\u003C\u002Fspan>\u003C\u002Fp>\n\u003Cp>\u003Cspan>本文基于公开财报、SEC文件、市场数据、机构资金、期权交易及产业链信息进行独立分析\u003C\u002Fspan>\u003C\u002Fp>\n\u003Cp>\u003Cspan>如需引用本文，请注明：\u003C\u002Fspan>\u003Cbr>\u003Cspan>“美股投资网（TradesMax.com）原创研究”。\u003C\u002Fspan>\u003C\u002Fp>\n\u003Cp>\u003Cspan>━━━━━━━━━━━━━━━━━━━━━━\u003C\u002Fspan>\u003C\u002Fp>\n\u003Cp>\u003C\u002Fp>","https:\u002F\u002Fwww.tradesmax.com\u002Fimages\u002Fa_Stock\u002FS\u002FSPY\u002FSPY.jpg","2026-09-19T21:43:08","2026.09.19","2026\u002F09\u002F19",30100,[22],"SPY","Article",0,"免费","success",{"id":9,"fullTitle":10,"subTitle":6,"url":11,"columnId":12,"columnName":13,"columnUrl":14,"summary":6,"contentHtml":15,"mainContentHtml":6,"posterUrl":16,"createDate":17,"displayDate":18,"displayDateSlash":19,"pageviews":20,"tags":28,"hidden":5,"isSubContent":5,"replyDocOrTargetId":6,"contentType":23,"videoId":6,"liveVideoUrl":6,"useContentVideo":5,"duration":24,"price":24,"priceText":25,"priceBadgeText":25,"priceBadgeClass":26,"freeForMinGroupLevel":24,"redirectUrl":6,"readyToStream":5},[22],"\u002Fcol\u002Fstocknews",{"visible":5,"marketingHtml":31,"services":32,"recentDocuments":41},"\u003Cfigure class=\"image\">\u003Ca href=\"https:\u002F\u002Fstockwe.com\u002Fdoc\u002Fdcio537efad5\" rel=\"noopener noreferrer\">\u003Cimg src=\"\u002Fimg\u002Fstockwewebfiles\u002Fweb-202408-stk\u002F1586109431mceclip0.jpg\">\u003C\u002Fa>\u003C\u002Ffigure>\u003Cdiv class=\"text-center\">\u003Ch2 class=\"card-title mx-auto\">\u003Cbr>\u003Ca rel=\"noopener noreferrer\" href=\"https:\u002F\u002Fstockwe.com\u002Fdoc\u002Fdcio537efad5\">案例介绍：英伟达深度研究报告\u003C\u002Fa>\u003C\u002Fh2>\u003C\u002Fdiv>",[33,37],{"productId":34,"serviceName":35,"priceText":36},"prod_PPxdDdK87QaiLv","月付","$12.95美元",{"productId":38,"serviceName":39,"priceText":40},"prod_PPxeMs3bix1da5","年付","$149.00美元",[],{"links":43,"images":71,"summaryHtml":76,"aboutTitle":77,"aboutHtml":78,"copyrightHtml":79},[44,47,50,53,56,59,62,65,68],{"label":45,"url":46},"深度报告","\u002Fcol\u002FdepthReport",{"label":48,"url":49},"VIP会员","\u002Fvip",{"label":51,"url":52},"期权推荐","\u002FOption",{"label":54,"url":55},"低价暴涨股","\u002FPenny",{"label":57,"url":58},"AI智能体","\u002FAiAgent",{"label":60,"url":61},"常见问题","https:\u002F\u002Fstockwe.com\u002FFAQ",{"label":63,"url":64},"美股课程","\u002Fcol\u002Fvideos",{"label":66,"url":67},"免责声明","\u002Fdisclaimer",{"label":69,"url":70},"联系我们","\u002FContactUs",[72,73,74,75],"\u002Fimg\u002Fstockwebsiteblob\u002Fweb-202509-stk\u002FUploaderzic2tuwsol2_2025_09_11_18_21_07.gif","\u002Fimg\u002Fstockwebsiteblob\u002Fweb-202509-stk\u002FUploadercakzdvydksw_2025_09_03_09_00_56.png","\u002Fimg\u002Fstockwebsiteblob\u002Fweb-202509-stk\u002FUploadergtjyagwvoyk_2025_09_14_08_32_05.png","\u002Fimg\u002Fstockwebsiteblob\u002Fweb-202509-stk\u002FUploader3u0tt4jhlqh_2025_09_23_22_30_48.png","邮箱: buy@TradesMax.com 美国电话 626-378-3637","公司介绍","\u003Cp class=\"MsoNormal\">美股大数据 \u003Ca href=\"https:\u002F\u002Fstockwe.com\" rel=\"noopener\">StockWe.com\u003C\u002Fa> 是一个美国领先的金融和美股信息大数据提供商，紧盯华尔街金融市场和行情，2008年成立于美国硅谷，创始人是前纽约证券交易所资深分析师Ken，联合多位摩根斯坦利分析师，谷歌 Meta工程师利用AI和大数据，配合十多年美股实战经验和业内量化交易模型，每天处理海量股票数据：挖掘潜力大牛股，捕捉期权异动大单，实时主力资金流向、机构持仓变化、川普突发新闻，美股买卖信号第一时间发到您手机APP。\u003C\u002Fp>","专业美股投资者都在这里",{"loading":81,"search":82,"searchPlaceholder":82,"hotContent":83,"draft":84,"noData":85,"searchNoData":86,"courseContent":87,"more":88,"buyNow":89,"subscribeNow":90,"encoding":91,"paidContent":92},"Loading...","搜索","热门内容","草稿","目前没有任何内容公布","当前检索内容没有数据","课程内容","更多","立即购买后观看","- 立即订阅 -","视频编码中...","付费内容"]