QIML独家专访Marcos López de Prado：因子投资新范式！

量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、金融科技、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业40W+关注者，曾荣获AMMA优秀品牌力、优秀洞察力大奖，连续4年被腾讯云+社区评选为“年度最佳作者”。

近日，在WAIC世界人工智能大会期间，QIML对阿布扎比投资局（ADIA）全球量化研发主管、康奈尔大学工程学院实践教授Marcos López de Prado进行了独家专访。ADIA当前正面向全球招聘量化研究员和开发工程师，诚邀有志于长期量化投资的优秀人才加入。

作为量化投资领域的先驱人物之一，López de Prado教授深入分享了他对人工智能与量化金融融合的前沿思考，探讨了高质量研究团队如何驱动长期投资优势。

Marcos López de Prado写给QIML的祝福寄语

QIML向Marcos先生提问了一些全网量化从业者都比较关心的热点问题，现将访谈内容进行脱水整理。同时我们也将英文版附上，供大家参考阅读。

问题一：构建可靠机器学习信号的关键步骤

金融数据是嘈杂的，预测性很弱。在您看来，构建可靠的机器学习信号时，哪些步骤最为关键却常被忽视？

投资是一项高度竞争的人类活动。随着越来越多市场参与者追逐相似机会，信号往往在变得明显前就被识别，导致信号与噪声比值持续下降，多数机会趋于“微观化”。

我几年前提出“微观阿尔法（microscopic alpha）”这一概念，描述当前投资新范式——从独立小团队转向专业化协作流水线。正如现代黄金开采依赖复杂工业流程提取肉眼不可见的微粒，今天的阿尔法也需系统化、分工明确的研究流程来发现与提炼。

建议从业者明确自身在“阿尔法流水线”中最擅长的环节，并深耕具体问题。完整方法论可参考《Advances in Financial Machine Learning》第一章。

问题二：控制回测过拟合的实用方法

在大因子库和AutoML流行的当下，传统绩效指标如Sharpe Ratio易被高估。有哪些工具或方法可控制研究自由度并防止大规模回测过拟合？

机器学习领域对“过拟合”存在误解。实际上有两种主要类型：训练集过拟合和测试集过拟合。

训练集过拟合指模型将噪声误认为信号，可通过交叉验证缓解；而测试集过拟合发生在多次使用测试集进行策略筛选时，例如进行N次回测后选择最优结果，随N增加，选中伪信号概率上升。

2014年，我和同事在《The Journal of Portfolio Management》发表论文《The Deflated Sharpe Ratio》，专门解决测试集过拟合问题，提供统计修正方法。

问题三：因子研究中的因果识别作用

许多因子通过统计手段发现但缺乏经济因果机制，一旦环境变化或策略拥挤即失效。因果识别应在因子研究中发挥何种作用？如何将“仅具相关性”的信号转化为稳定Alpha？

交叉验证与夏普比率修正只是起点，远不足以应对全部建模风险。另一个常被忽视的风险是“因果风险（causal risk）”。

相关性有助于预测，但投资本质是组合构建。由于信噪比低，即使算法能估计期望收益，其波动仍巨大，投资者不会全仓押注最高收益资产。

近期研究中，我与Vincent Zoonekynd、Alex Lipton指出，资产配置必须基于因果因子建模。这才是投资研究的新前沿——利用机器学习识别金融变量背后的隐藏因果结构。

若缺乏此能力，策略可能无意中暴露于无风险补偿甚至负收益的风险敞口。更多资源可访问www.QuantResearch.org。

问题四：构建稳健的因子筛选体系

当前中国许多量化团队使用机器学习7×24小时挖掘因子，依赖统计指标而忽略经济逻辑。如何构建更稳健的因子筛选体系？应优先考虑RMSE、AUC等预测指标，还是IC、IR等金融有效性指标？二者如何权衡？

黑箱式统计套利是一场危险游戏，如同开车只看后视镜——急转弯时极易撞车。

经济学理论表明，每个统计套利机会都是某种风险的补偿。黑箱策略短期盈利，往往因其暴露于未来可能爆发的重大亏损风险。否则，套利就成了“免费午餐”。

我的建议是：务必理解算法所承担的风险及其对应的风险溢价。若无法解释机制，则不是投资，而是赌博。

系统化投资的核心在于归因——识别哪些风险因子带来风险溢价。相关定量方法详见我们关于因果因子投资的研究文章。

问题五：大语言模型在量化中的应用与偏差防范

大语言模型（LLMs）越来越多用于舆情分析、K线识别、因子生成等场景。LLMs相较传统方法真正优势在哪？如何系统防范前视偏差（look-ahead bias）？

LLMs已成为不可或缺工具，但其价值并非许多人想象的“预测价格”。即便能预测，也属于赌博范畴，因投资核心在于因果归因——判断风险溢价由何种风险驱动。

LLMs的优势在于特定任务：数据生成与结构化，如自动打标签、文本转数值特征。然而需谨慎使用，因其训练数据非“实点数据集（point-in-time, PIT）”，可能导致用当前信息解释历史事件，引入前视偏差。

例如，模型可能将过去某股票错误标记为“IT”而非“金融”，从而在回测中泄露未来信息。解决方案是训练基于PIT数据集的LLM——即在每一个历史时点仅使用当时可用数据进行训练与推断，技术难度较高但至关重要。

回顾过去，量化投资曾被视为“玩票”而不被主流认可。如今我们能在投资界立足，源于长期努力。每一位量化研究者都应铭记责任：我们是科学家，不是赌徒。使命是提升市场效率，实现资本最优配置，这对社会具有深远正面影响。

一旦忘记这一社会责任，整个量化群体都将面临危机。正因如此，现在正是成为量化研究者的黄金时代！

ADIA量化研发团队诚邀优秀人才加入

阿布扎比投资局（ADIA）是全球最具影响力的机构投资者之一，其量化研究与开发团队（QRD）正在全球范围内快速扩张，现积极招募量化研究、数据科学与工程方向人才，欢迎各经验层级候选人申请。

QRD团队专注于构建前沿投资模型、高效技术系统及规模化数据基础设施。团队汇聚量化研究、软件工程、数据科学、机器学习等领域专家，在开放协作环境中推动系统化投资创新，开发具有实际影响力的策略与平台。

团队已有众多具备丰富经验的华人成员，包括前HRT量化工程师Cheng Yan、Jane Street Kaggle竞赛第2名Patrick Yam、牛津大学博士前Man Group研究员Stacy Pu、南洋理工博士前阿里云工程师Ya Nan、前彭博数据科学家Kaiqi Lu、前高盛研究员James Shen等。

欢迎中国优秀人才提交英文简历申请。

岗位申请链接：

• https://jobs.adia.ae/_/j/F18DA76604/
• https://jobs.adia.ae/_/j/4CFA7E24F7/