编者按：8月1日，在PandaAI第三届因子大赛颁奖典礼暨AI交易峰会上，PandaAI创始人兼CEO李昱琦发表题为《从因子到Agent：Harness范式下的AI交易》的主题演讲，围绕AI交易的发展路径、Agent在金融领域的能力演进，以及未来AI如何参与交易决策等话题进行了分享。
本次分享围绕两大核心问题展开：
第一个问题是：从因子到 Agent，AI 在整套交易系统中，究竟已经走到了哪一步？
第二个问题是：当写代码、挖因子、跑回测这些能力逐渐普及以后，未来的超额收益，也就是 Alpha，还会来自哪里？
这两个问题，其实指向的是同一件事：AI 给量化交易带来的变化，已经不再只是某一个工具变得更好用，而是整套研究方式、生产方式，以及人与机器之间的分工正在发生变化。
一、因子大赛让 AI 量化的变化变得可见
在讨论 AI 的演进路径之前，我想先从第三届 PandaAI 因子大赛讲起。
本届大赛共有 12,960 人报名，其中社会组选手 11,943 人，校园组选手 1,017 人；共提交因子 7,438 条，本届赛事曝光超过 430 万，累计曝光超过 1 亿。
这些数字背后，有一个非常值得关注的变化：量化研究正在走出传统的专业圈层。
从社会组选手填写的职业背景来看，技术、研发和 IT 从业者达到 1,839 人，金融、量化和交易背景的选手为 1,565 人。技术研发人员的数量，已经超过了传统金融和交易背景的人群。
这意味着，参与量化研究的人，不再只是传统意义上的基金经理、交易员和金融工程师。越来越多原本不懂金融交易、没有专业量化背景的人，开始借助 AI，把自己的交易想法变成因子、代码和可以被检验的策略。
校园组也呈现出类似的趋势。
1,017 位校园组选手中，除了金融、金融工程等泛商科专业，还有大量计算机、人工智能、数学、统计、大数据、数字经济、智能制造、电子信息，甚至生物科技等交叉学科的参与者。
这说明，AI 正在降低量化研究的技术门槛，也在重新定义量化人才的边界。
过去，一个人想进入量化行业，可能首先需要掌握金融理论、数学建模和编程能力。今天，他可以先从一个真实的交易问题出发，通过自然语言与 AI 协作，再逐渐进入数据、因子、策略和回测。
AI 不是让专业变得不重要，而是让更多人有机会进入专业。
二、AI 已经能够完成研究动作，但还没有形成完整系统
本届大赛共有 7,312 条因子记录进入完整的量化检验。
检验区间为 2026 年 4 月1日至6月30日，共 60 个交易日。所有因子记录的累计收益率均值为 0.7959%，年化收益率均值为 3.3429%，IC 均值为负 0.0072，IR 均值为负 0.0689，夏普均值为负 0.3049，最大回撤均值为 13.49%。
这些数据首先说明，AI 已经真实进入了量化研究。
一个人的交易判断，可以被表达为研究假设；研究假设可以进一步变成因子公式；因子可以进入工作流，并通过回测和指标进行检验。
这已经不是简单地让 AI 回答一个金融问题，而是让 AI 参与一次完整、可运行、可验证的研究任务。
但这些数据也说明了另外一件事：完成一次任务，并不等于拥有一套持续有效的交易系统。
今天，大模型可以帮助我们写代码，可以帮助我们生成因子，也可以帮助我们完成一次回测。但是，交易不是一次性的任务。
交易是一套持续运行、不断反馈的系统。
它包括数据、研究、风控、执行、复盘，以及基于上一轮结果展开的下一轮研究。当前的市场状态需要被保留，实验结果需要进入下一轮，研究路线也需要根据新的反馈持续更新。
所以，判断 AI 在量化交易中走到了哪一步，不能只看它能不能完成某一个动作，而要看三个问题：
AI 能做什么？
AI 能够进入交易流程的哪些位置？
哪些权力和责任，仍然需要由人掌握？
基于这三个维度，我们把 AI 交易的发展过程整理成了从 L0 到 L4 的五个阶段。
三、从 L0 到 L4：AI 在交易系统中的位置变化
L0：纯人工投研
L0 是纯人工投研阶段。
数据获取、数据处理、因子研究、策略开发、回测、仓位管理和交易执行，全部由人完成。
在这个阶段，人的经验就是核心壁垒。研究效率高度依赖个人能力，专业资源也集中在少数机构和资深从业者手中。
L1：Prompt 加大模型
L1 的变化非常直接：AI 开始参与交易研究。
人可以通过 Prompt，把一个交易想法交给大模型，让大模型把想法转化为代码、因子或者可运行的策略。
包括 Claude Code、Codex 等代码工具，都让一个人从想法到代码的距离大幅缩短。
但在这一阶段，研究目标仍然由人提出，交易规则仍然由人设定，下一步做什么也仍然由人决定。
AI 可以完成动作，却没有真正进入研究决策。
所以，只把 AI 当作代码生成工具，提升的主要是执行效率，而不是思考效率。
如果 AI 集成了人类大量的知识和智慧，那么它最终应该提升的，不只是“把事情做得更快”，而是帮助我们“更高效地思考”。
L2：可被 SOP 化的流程由 Agent 承担
当一次次独立任务被连接成可复用的流程，AI 才开始进入 L2。
在这个阶段，数据处理、因子挖掘、建模与回测、组合优化、风险控制以及部分交易执行，都可以逐渐交给 Agent 完成。
支撑这一阶段的基础，是 Skills。
Skills 的价值，是把过去一次性的能力，整理成可以被重复调用、自由组合和持续复用的专业流程。
例如，一个因子挖掘 Agent 可以持续生成因子，根据检验结果自动调整公式，再进入下一轮实验。它每天甚至可以批量产生数百个或者上千个候选因子。
但为什么我们仍然把这样的 Agent 放在 L2？
因为它替代的主要还是人的执行力。
因子采用什么检验方式，实验轨迹如何留存，哪些指标作为评价标准，研究路线是否需要调整，这些关键判断仍然来自人设定的研究框架。
Agent 可以在这个框架中高速运行，但它还没有真正参与框架本身的形成。
这也是 L2 的边界：AI 可以完成复杂的标准化任务，却还没有获得足够的研究判断权。
L3：AI 开始参与深度思考与市场博弈
从 L2 到 L3，变化不再只是任务数量变多，而是 Agent 之间的关系发生了变化。
在 L2 阶段，重点是编排：人设计流程，让不同的 Agent 按照既定顺序完成任务。
到了 L3，重点开始从编排走向协作。
数据 Agent、投研 Agent、风控 Agent、执行 Agent和复盘 Agent，不再只是分别完成一个孤立任务，而是共享一段连续的 Context 与 Memory。
过去做过哪些实验，采用过哪些研究路线，出现过什么样的回撤，策略在什么市场状态中失效，模型为什么被保留或被停止，这些信息都会被系统持续保存。
上一轮的结果会进入下一轮研究，不同 Agent 可以基于共同的研究状态提出判断、相互验证、持续迭代，并逐渐形成自进化能力。
一张回测图，只能告诉我们一个模型过去表现如何，却不能独立回答“这个模型接下来是否应该继续运行”。
这个判断需要结合策略回撤、IC 变化、具体资产、市场状态、已有模型以及长期研究经验。
AI 要真正参与这样的判断，系统就必须能够保留、调用并不断更新一段连续的 Context。
到了这个阶段，人类的职责也会发生变化。
人不再参与每一个具体动作，而是更多负责系统设计、约束制定和最终确权。
L4：全自主 Agent
再向前一步，就是 L4。
L4 是全自主 Agent 参与资产管理、投研与交易的阶段。
在这一阶段，Agent 可能进一步承担标准化研究、资产配置、交易执行和动态风控，人类更多保留顶层投资约束、独家信息、独创交易思路，以及系统的最终控制权。
但我要强调，L4 不是今天可以轻易承诺已经实现的状态。
判断一个系统是否进入 L4，不能只看它能不能自动下单，而要看它是否真正具备了自主研究、持续反馈、动态调整和风险控制的完整能力。
同时，还必须解决启停机制、权限控制、Context 隔离、过程追溯、动态风控以及人机责任确权等问题。
从 L3 到 L4，不只是一次技术升级，更是一次组织架构和权责体系的变化。
四、Alpha 不会消失，但会从一个因子迁移到一套系统
当越来越多的人都可以使用 AI 写代码、挖因子、做回测，一个非常现实的问题就出现了：
未来的 Alpha 还会存在吗？
我们的判断是，Alpha 不会消失，但 Alpha 的载体会发生变化。
过去，我们可能希望找到一个别人不知道的因子，或者发现一条尚未被市场定价的规律。
但 AI 正在快速压缩研究链路。
找数据、清洗数据、写代码、做回测、完成部署，这些过去需要数天甚至数周才能完成的工作，正在被压缩到数小时，甚至更短。
一条规律被发现、复制和定价的速度会越来越快。
因此，那些依赖公开信息、单一标的和静态逻辑的低维 Alpha，会更快进入拥挤，也会更快失效。
未来的 Alpha，会逐渐从“一个因子”迁移到“一套系统”。
当基础工具能力逐渐被拉平，差异可能更多来自三个方面。
第一，是独家信息。
产业链调研、线下渠道、企业经营反馈，以及无法公开获得的另类数据，本质上来自人与真实世界的连接。
二、是 Harness。
Harness 不是一个单独的模型，而是如何把同一组数据、模型、Skills 和 Agent，组织成一套不同的研究系统。
采用哪些能力，按照什么顺序调用，设置什么约束，在什么市场状态中切换策略，这些系统设计会形成新的差异。
第三，是跨资产、跨周期的动态系统。
未来的竞争不会只停留在一个信号或者一个因子上，而会进一步进入资产配置、动态轮动、风险对冲和组合管理。
当然，这三类差异也不会永远固定。
跨资产组合优化可能继续被 A2A 协作压缩；今天由人设计的 Harness，也可能逐渐被能够根据实时反馈自主调整 SOP 的 Adaptive Agent 所替代。
所以，Alpha 的边界不会消失，但会持续移动。
五、为什么 PandaAI 现阶段选择先把 L2 做扎实
PandaAI 目前选择优先建设 L2，并不是因为我们对 L3、L4 没有判断，而是因为从一次生成走向一条真正可运行的投研流程，首先需要扎实的专业基础设施。
这套基础设施必须能够覆盖行情、财报、新闻、研报、K 线、订单流等不同类型的数据处理能力；能够处理因子研究、组合构建、模型开发、策略回测和风险控制等业务逻辑；也必须理解交易规则、流动性以及风险边界。
更重要的是，这些能力必须可以被调用、组合、约束和追溯。
只有当一项项专业能力被整理为 Skills，流程能够被稳定编排，实验结果可以完整留存，不同 Agent 才可能在同一个持续更新的 Context 中展开协作。
L2 是 L3 的基础。
没有稳定、专业、可追溯的 L2，就不存在真正可靠的多 Agent 协作，更谈不上自进化。
所以，PandaAI 当前正在做的，是先把 L2 的专业 Skills、Agent 编排、流程约束和研究追溯能力做扎实，再为 L3 的共享 Context、A2A 协作和自进化能力做好准备。
六、结语：AI 交易正在进入一段更长的人机协作进程
回到今天最开始的两个问题。
从因子到 Agent，AI 在交易系统中走到了哪里？
我们的答案是：AI 已经从单一的代码工具，进入了因子挖掘、研究工作流和复杂任务执行；它正在从一次任务走向一套持续运行、不断反馈的交易系统。
未来的 Alpha 又会来自哪里？
我们的答案是：Alpha 不会消失，但会从单一因子和静态策略，逐渐迁移到独家信息、系统组织能力、持续 Context、跨资产协作以及动态风险管理之中。
AI 的价值，不只是让人少写几行代码，也不只是让研究速度变得更快。
真正的变化，是 AI 正在重新划分人与机器在交易系统中的分工、协作和权责。
未来，所有可以标准化、可以公开获取、可以重复执行的工作，都会逐渐被 AI 压缩。
而人类真正稀缺的能力，会更多集中在系统设计、研究审美、现实世界的信息连接、顶层约束和最终决策上。
从因子开始，AI 交易正在进入一段更长的人机协作进程。
这就是 PandaAI 正在探索的 AI 交易进程。
