十八个月：一个盈利信号的半衰期，和城堡正在抢的那批人

十八个月：一个盈利信号的半衰期，和城堡正在抢的那批人

一个能换算成职业长度的数字

一个有效的研究员，职业生涯大约三十年。一个能赚钱的交易信号，按纽约大学两位研究者的模型，现在大约十八个月就掉一半超额收益。AI 普及之前，这个数字是五到七年。

同一天，彭博系媒体报道城堡投资（Citadel）正在扩量化团队，并把招人的手伸进了 AI 实验室。这两件事放在一起看，比分开看清楚得多。

城堡在做什么

全球量化策略负责人 Navneet Arora 给的数字：约 180 人的团队，包含金融研究员和数据工程师，计划未来一年以稳健的两位数增速扩编。

新成立的一支团队由 Alexey Poyarkov 领衔，专做全球股票系统化交易，他近期从 TGS Management 加盟。招聘渠道除了传统的大学毕业生，还多了一条：Google DeepMind 这类 AI 实验室。首席运营官 Gerald Beeson 说，这让他们在部分招聘里要和 OpenAI、Anthropic 直接竞争。【直引，彭博报道转述，2026-09-25】

Arora 对 AI 会不会取代研究员这个问题给了一个不太一样的回答。他说 AI 没有取代人类研究员，它降低了编程能力的重要性，同时抬高了另一类人的价值：能提出投资想法，并能指导机器把想法变成盈利交易的人。原话是，现在一个人可以有效管理两项、四项，在某些情况下甚至更多流程，人类正在成为机器的管理者，而这类人不像机器那样容易被取代。

业绩背景也给了：旗下 Tactical Trading 基金把基本面股票投资与量化策略结合，今年截至 8 月上涨 24.7%，自 2008 年成立以来年化回报约 20%。城堡管理约 760 亿美元资产，目前为量化策略配置了数十亿美元。【直引，彭博报道转述】

十八个月是怎么算出来的

那篇被反复引用的论文是纽约大学 Shuchen Meng 与 Xupeng Chen 的《AI-Driven Alpha Decay: Algorithmic Homogenization, Reflexive Signal Erosion, and the Paradox of Intelligent Markets》，arXiv:2605.23905，SSRN 版本日期 2026 年 2 月 28 日。

核心是一个半衰期公式，\(h(\phi) = \ln 2 / [\theta + \delta(\phi)]\)。\(\theta\) 是信号本身的自然均值回归速率。\(\delta(\phi) = N\phi\rho a / \lambda(\phi)\)，取决于 AI 采用率 \(\phi\)、算法信号相关性 \(\rho\)（反映训练数据与模型架构的共享程度）、以及内生的价格冲击 \(\lambda(\phi)\)。

研究者取当前采用水平 \(\phi\) 约 0.7、\(\rho\) 约 0.6，算出信号半衰期 18 个月，对照 AI 之前的 5 到 7 年。

三条通道互相加强。信号拥挤指大家买到同一批股票；反射性侵蚀指交易这个动作本身把产生 alpha 的市场无效性抹平了；红皇后竞争指所有人都在加速，谁也没跑赢。

论文给了四个理论结果。半衰期定理说信号寿命对 AI 采用率凸性递减，每多一个 AI 参与者，可利用模式的寿命以更快的速度缩短。信号灭绝级联说超过临界阈值之后，一类信号的衰减会触发对其余信号的加速竞争。红皇后不可能性说在单一种群均衡里，哪怕各家重金投 AI，净 alpha 恒等于零。脆弱性与效率的权衡说，让价格发现最大化的采用水平，严格高于让系统性脆弱最小的水平。

实证部分用 SEC 13F 申报校准投资组合趋同，样本是 2013 到 2024 年的 9950 万条持仓记录，模拟出的机构组合趋同度在样本期内上升 42%。

作者的措辞留了分寸。他们说每多一个新增的 AI 参与者，所有可利用模式的寿命就会以更快速度缩短；当所有人都使用类似 AI 时，整体结果在性质上不同于个体收益的简单总和。【直引，论文与媒体转述】

另外两条同期的研究线

列支敦士登大学的 Advije Rizvani、Giovanni Apruzzese 和 Pavel Laskov 造了 10 个基于 LLM 的交易模型，用情绪分析预测一组股票价格。到 2025 年 4 月为止的 14 个月投资期内，全部取得正回报。然后研究者对财经新闻标题做了人类读者几乎察觉不到的改动，比如把字母换成外形近似的字符，或嵌入隐藏文本。所有模型都被误导。最坏情况下，只针对单只股票、单个交易日操纵，就让某模型的整体回报下降约 18 个百分点。

第三条线来自 Elm Partners Management 的 Jerry Bell、Victor Haghani 与 James White。他们让四个流行 AI 模型读《华尔街日报》头版的提前版，然后押注标普 500 与美国国债。Claude 和 ChatGPT 的方向准确率与顶尖宏观交易员相当，超过 50%。实验同时暴露出一个关键盲点，与风险承担有关。

该信多少

四条边界。

第一，半衰期那篇论文以理论建模为主，实证验证作者自己说仍在进行中。42% 的趋同度上升来自对 13F 持仓的模拟校准，不是直接观测到的 alpha 衰减。

第二，18 个月这个数字建立在两个取值上（采用率约 0.7、信号相关性约 0.6）。这两个参数怎么估出来的，以及换一组取值结论会不会翻，论文没有给足灵敏度分析。

第三，拥挤交易在 AI 兴起之前就是美国市场的特征，尤其在科技股上，此前并未带来灾难性后果。这条反对意见在报道里被明确提出来了。

第四，列支敦士登那组实验是受控实验，10 个模型、一组股票、14 个月，扰动是人工设计的。它证明的是存在攻击面，没有证明攻击面在现实中被利用的规模。

值得留意的地方

对做 AI 量化的人来说，这组材料把一个问题从 AI 能不能帮我赚钱，挪到了我赚的钱多久会被摊平。城堡扩招、去 AI 实验室抢人，正好发生在这个背景下。Arora 那个「一个人管四项流程」的说法，指向的是同一件事的另一面：工具把执行成本压下去之后，稀缺的变成了想法本身和验证想法的速度。

半衰期从五到七年掉到十八个月，如果成立，受影响最大的是策略研发的排期逻辑，不是模型选型。【判断】

观察线

• 论文后续：Meng 与 Chen 的实证部分会不会出正式版本，18 个月能不能被直接观测支持。
• 参数灵敏度：采用率与信号相关性换值之后半衰期的范围。
• 城堡的扩编结果：一年之后团队规模与 Tactical Trading 的业绩。
• 攻击面的现实规模：标题扰动这类操纵在真实市场中出现的频率。
• 风险承担盲点：Elm 那组实验的完整报告若发布，值得单独看一遍。

参考来源

1. 彭博系报道《城堡投资加码量化招聘 寻觅能管理机器的人才》，新浪财经转载，2026-09-25 2. Shuchen Meng, Xupeng Chen, AI-Driven Alpha Decay: Algorithmic Homogenization, Reflexive Signal Erosion, and the Paradox of Intelligent Markets, arXiv:2605.23905 / SSRN 6349698, 2026-02-28 3. 《华尔街的 AI 竞赛引发对拥挤交易的新担忧》，The Straits Times 与新浪财经转载，2026-07-01 4. 列支敦士登大学 Rizvani、Apruzzese、Laskov 关于 LLM 交易模型抗扰动性的实验，转述自上述报道 5. Elm Partners Management 关于 AI 模型方向准确率的模拟交易实验，转述自上述报道