用智能体复刻顶尖对冲基金分析师，先得花百万美元买token

如何训练一名数字对冲基金分析师？说实话，我也不确定。但我正在做实验。我正在推进一个项目，为对冲基金打造并训练可用于生产环境的数字投资分析师。

在这个过程中，我一直在问自己：“顶尖 5% 的对冲基金分析师具备哪些特质与技能？”以及，我能在多大程度上通过智能体复刻这套技能组合？我甚至不确定这条路能不能走通，而且现成的大语言模型显然极不适合这项任务（RLHF 惩罚 / 目标一致性、难以校准的谄媚倾向与近因偏差、依赖开放网络数据的不完整训练语料、低质量数据与研究背景、二阶与三阶反事实推理的挑战、在不确定性下缺乏信念……不胜枚举）。更不用说，要在不烧掉 100 万美元以上 token 成本的前提下完成这套系统设计，本身就是个难题。

显然，精通 Excel 是必备技能之一，也就是能对任何情境进行建模的能力（这也是我最近对 AI Excel 如此兴奋的原因）。建模测试几乎是所有对冲基金面试流程的核心环节。不过这个我们稍后再谈。

但在更深的层面上，最优秀的分析师拥有经验。他们经历过多个周期，身上带着“这种情况我以前见过”的伤疤，那是无数次惨痛错误留下的印记。交易员的直觉大多来自多次见过相似的模式与结构，而最优秀的投资者知道模式何时成立、何时失效。

这对成长中的对冲基金分析师来说一直是个难题：在交易台前只待了 18 个月，如何综合出多年的经验？我一直在顺着“综合经验”这条线用力往下挖。如何综合公开记录，来训练人类和智能体？在我看来，有三个层次：

1）通识教育：对学生来说，这发生在大学阶段。对智能体来说，这发生在预训练、SFT 和 RLHF / 对齐阶段。两者都能产出极高的智力水平，但远不足以成为独立的 alpha 生成器。

2）专项 / 应用实践：这是这门手艺的具体实操方式。就像医生在医学院学不到、必须在住院医师阶段学会的东西。这正是我们在分析师学院（Analyst Academy）里做的事（60 小时基本面分析课程，是大学课程里学不到的）。我一直在把分析师学院的课程转化为一个插件，来补上这根支柱。

3）行业知识与文化适应：“科技 / 医疗 / 金融行业是怎么运作的”以及“我们这里是怎么做的”。一个行业具体如何运作、如何交易，以及一家公司内部的部落知识。其中一部分可以从外部观察（我们正在用 13F 文件和其他数据搭建系统来做这件事），但另一部分必须在内部完成（尽管大批 FDE 很希望对冲基金坐下来分享他们高度专有、不外传的流程知识……）。