Machine × Capital: The Hedge Fund AI er’s Playbook 研究目标 ：把 AI 从“能跑模型”升级为“可复用、可监控、可扩容的现金流装置”，在不恶化拥挤度和冲击成本的前提下，稳定贡献 10–30 bps/月 的结构性 α。 主线 ：数据工程 → 模型工程 → 执行与风控 → 治理与审计 → 产能扩张。
Machine × Capital: The Hedge Fund AI Researcher’s Playbook 研究目标 ：把 AI 从“能跑模型”升级为“可复用、可监控、可扩容的现金流装置”，在不恶化拥挤度和冲击成本的前提下，稳定贡献 10–30 bps/月 的结构性 α。 主线 ：数据工程 → 模型工程 → 执行与风控 → 治理与审计 → 产能扩张。 量化口径 ：研究周期缩短 40%+ ，影子跑通过率 ≥ 60% ，上线策略样本外 Sharpe ≥ 1.0 ，月度 VaR 事故率 < 0.5% ，单位成交冲击成本 下降 5–15 bps 。 组织配置 ：AI 研究员不是“写模型的人”，而是“让模型变钱的人”：要懂特征商店、提示工程、生产回滚、TCA、容量管理和合规审计。 第一章 为何对冲基金需要“AI 研究员”，而不是“会 ML 的分析师” 研究深度与研究速度的矛盾 ：传统管线里，想法从 PRD 到仿真要 4–8 周；AI 工具把检索、摘要、代码骨架、可视化自动化后，研究周期常规压到 1–3 周 。 非结构化数据成主战场 ：财报、公告、舆情、语音转写、卫星与链上数据，都需要 NLP/多模模型把“语义”变“可回测特征”。 产线化运营是胜负手 ：模型上线标准、影子跑、TCA、PnL 影子核对、再训练日程、异常回滚，这些流程决定了“长期资本承载能力”，不是 Kaggle 榜单。 监管与合规抬升门槛 ：数据许可、隐私、可解释、模型登记，对冲基金环境里 AI 先天是“高约束技术”。 结论： AI 研究员 =（数据工程 30%）＋（模型工程 30%）＋（执行与风控 20%）＋（治理与沟通 20%） 。只会调参，拿不到资金。 第二章 数据资产与治理：没这个，别谈 AI 2.1 特征商店（Feature Store） 分区 ：Raw（原始）/ Clean（清洗）/ Research（研究）/ Prod（生产）。 列级元数据 ： source｜license｜first_available_time｜lag｜revision_policy｜leakage_test 。 对
Premium research continues below.
Unlock to read the full report, framework, and trade path.