AI时代，Alpha为何加速消亡

近二十年来，量化领域一直秉持着一个简单直白的逻辑：

数据越丰富、算力越充沛、模型越精进，超额收益理应越丰厚。

然而当所有基金公司都配备同等智能的AI时，会发生什么？

设想某模型捕捉到一条规律：特定类型的新闻发布后，相关股票在数日内大概率走高。

最先洞察这一规律的人自然能够获利。

但若数十乃至数百家机构依托相近的数据源与雷同的模型同步发掘该规律，它们便会集体涌入。价格瞬时被推高，原本可延续数日的超额收益，或许数小时内便荡然无存。

于是催生了一个极为违背直觉的结论：

AI应用越广泛，市场有效性越强；而市场越高效，Alpha反而越难攫取。

这正是纽约大学的Shuchen Meng与Xupeng Chen在论文AI-Driven Alpha Decay中深入探讨的核心议题。

两位作者提出，AI驱动型投资内嵌一种天然的"自我消亡机制"：当AI从个别机构的专属利器演变为整个行业的底层架构，Alpha将沿着三条路径加速衰减——信号拥挤、反身性侵蚀以及红皇后效应。

AI纪元下最严峻的风险，或许并非模型智能化不足，而是：

各方的策略同质化过于严重。

当前头部机构所使用的数据存在高度重叠：

行情数据、财务报表、新闻舆情、电话会议纪要、卫星遥感、另类数据……

模型架构也日益汇聚于相近的技术路径：

Transformer、机器学习、深度学习、强化学习。

尽管各机构团队各异，最终输出的预测却趋于雷同。

以往100位基金经理面对同一条新闻，或许会衍生100种解读。

未来100个AI审视同一信息，可能有80个会输出：

买入。

后果便是，所有参与者同步交易同一信号。

作者将此现象命名为Signal Crowding——信号拥挤。

任何规律一旦被AI锁定，便会以更快的速度被套利殆尽。

论文给出的基准估算颇为惊人：

过去一个中频Alpha的生命周期约为5至7年；

在当前较高的AI普及程度下，这一周期或已压缩至约18个月。

换言之，过去研究员挖掘出一个优质因子，可享受多年的红利。

未来或许产品方才问世，Alpha便已折损过半。

若仅仅是"知悉者众则Alpha衰"，这并无新意。

论文真正引人深思之处在于第二层：

AI的交易行为本身，会重塑其下一次训练所摄取的数据。

举例而言。

假设模型洞察到：

某类利好消息释出后，股票次日倾向于上涨。

于是大批AI在消息发布即刻便蜂拥买入。

逐渐地，上涨时点不再出现于次日，而是前置至消息公布后一小时、十分钟乃至数秒。

随后问题浮现。

AI进行下一轮训练时，面对的已然是被上一代AI交易过的数据。

模型会察觉：

"咦，该信号的效力缘何持续衰减？"

然而这未必意味着底层经济逻辑已失效。

更可能的解释是：

AI自身已将未来的收益提前透支。

作者将其定义为Performative Signal Erosion——反身性的信号侵蚀。

由此形成一个闭环：

AI发掘规律 → AI执行交易 → 市场结构改变 → AI重新训练 → 规律效力减弱 → Alpha持续萎缩。

AI并非置身市场之外的旁观者。

它本身就是市场生态的有机组成部分。

论文还引介了一个颇具洞察力的概念：

Signal Extinction Cascade——信号灭绝级联。

假设市场中存在五个Alpha信号。

竞争最激烈的那一个率先被AI彻底套利殆尽。

随后将发生什么？

聚焦于该信号的研究资源、模型配置与算力投入不会凭空蒸发。

它们会迅速转向探寻其余Alpha。

于是原本集中于单一信号的竞争压力，开始向其他信号蔓延。

后果是：

某一因子的消亡，会加速其他因子的衰亡。

竞争最白热化的率先出局，随后资金涌向次优标的；次优者覆灭后，又转攻第三名。

Alpha并非匀速递减，而是可能呈现一波接一波的"因子消亡潮"。

这对量化研究具有一项至关重要的启示：

未来评估一个因子，不能仅仅追问：

它过往创造了多少收益？

还需探究：

该Alpha缘何能够持续再生？

依托暂时性统计规律的Alpha，最易被AI蚕食。

但如果收益