XALPHA：内存驱动的 AI 定量研究员，用于从假设到代码 Alpha 发现

金融市场充满噪音、非平稳且高维，因此很难发现预测性且稳健的交易信号。 Alpha发现已经从手动因子设计发展到机器学习、进化搜索以及最近基于LLM的框架，提高了因子生成、搜索和评估的效率。然而，现有的方法仍然主要自动化孤立的步骤，而不是充当端到端的定量研究人员，可以吸收外部知识，关闭假设到代码验证循环，并从积累的发现反馈中学习。为了填补这一空白，我们引入了 XAlpha，这是一个内存驱动的 AI 定量研究员，用于持续从假设到代码的 alpha 发现。 XAlpha 维护着一个多源研究记忆系统，该系统将基于报告的金融知识与前几代和研究周期的发现反馈相结合。在这个记忆系统的指导下，宏观大脑规划研究主题并选择合适的原型；微大脑将计划的假设池转化为可执行的因子代码，并验证假设想法、代码逻辑和财务合理性之间的事前三重一致性；跨脑将经验结果整合为代级反馈、周期级总结和原型级研究线索，以供未来探索。通过这种方式，XAlpha将alpha挖掘从孤立因素生成变成了一个不断读取、假设、实现、验证、反映和演化的闭环研究过程。 CSI300 上的实验表明，XAlpha 实现了比代表性基线更强的整体 alpha 发现性能。