你让几位研究员各自设计选股规则，最后却发现：公式写得不一样，买卖的仍是同一批股票。人数增加了，信息没有增加；一旦行情转向，这些规则还可能一起失效。自动化造因子也有这个问题。多智能体可以同时搜索更多方向，但如果大家只追逐同一个分数，最终很容易“撞车”。
Tiantian Wu 与 Peng Yang 在 2026 年 10 月提交的论文中提出 Det-MASO。它把两件事同时写进训练目标：因子要有预测力，也要与其他因子保持差异。这里的 Alpha 因子，是把股票信息压缩成可排序信号、希望借此预测未来超额收益的规则。论文目前只有 arXiv 这一项独立信源，以下方法结论和实验数字均来自作者自述，尚无交叉验证。
多几个搜索者，还不够
传统的自动化因子挖掘，大致是在大量候选规则里寻找预测效果较好的信号。论文将既有方法概括为两类：按公式搜索，以及神经网络端到端生成。作者认为，这些方法大多采用单智能体设计，也就是只让一个搜索者不断提出和修改答案，因此探索范围和适应市场变化的能力有限。
一个自然的改进是多智能体优化——让多个搜索者并行提出并改进因子。问题在于，如果所有智能体都按同一个奖励行动，它们仍可能逐渐收敛到相似答案。就像几位研究员都只按短期预测成绩领奖金，最稳妥的选择往往是复制当前领先者，而不是继续探索陌生方向。
这会造成因子冗余。两个因子的公式可能长得不同，却长期买卖同一批股票，或者暴露于同一种风险。把它们放进同一个组合，并不等于获得了两份独立信息。
把“别撞车”写进训练目标
Det-MASO 的关键，是加入多样性正则化——除了奖励预测效果，还对彼此相似的行为施加惩罚。区别在于，它不是等训练结束后再删除重复因子，而是在多个智能体共同训练时就持续干预。
论文使用智能体间的相关矩阵，记录不同智能体行为之间的同步程度；再对这个矩阵加入可微的 log-determinant penalty，也就是一种能够参与模型训练、用来惩罚相关性的对数行列式约束。直观地说，每个智能体不仅要把自己的题答对，还要避免和其他人交出近乎相同的答案。
“可微”意味着这项约束能够直接进入联合优化目标，训练过程可以据此调整智能体，而不只是事后做筛选。作者声称，这种设计能阻止 homogeneous equilibria——所有智能体停在相似策略上的“同质化均衡”——并在整个优化过程中维持因子多样性。
作者还称，这项多样性惩罚的计算成本随资产数量线性增长。这里需要把范围说准确：摘要谈的是该惩罚项的计算成本，并不等于整个 Det-MASO 框架都能线性扩展。
市场变了，分工也跟着变
只让智能体彼此不同，仍不等于它们能适应环境。Det-MASO 因此加入 context-conditioned scheduler，可理解为“根据市场情境排班的调度器”。它会随市场状态变化，动态调整各智能体的权重或侧重。
这个设计承认了一件重要的事：同一个因子不会在所有市场状态下都同样有用。与其永久指定谁是主力，不如让系统根据当下环境重新安排分工。论文摘要没有披露市场状态如何定义、调度器观察哪些变量，也没有说明切换的具体频率，因此目前只能确认其设计意图，不能进一步判断实际机制。
作者还使用 Shapley interaction index 分析智能体之间形成的协作结构。这个指标关注的不是单个智能体贡献了多少，而是两个或多个参与者放在一起时，是否产生额外的合作效果。它在这里更像一张协作关系图，用来描述训练后出现了怎样的分工，而不是直接生成因子。
三个数字，暂时只能谨慎读
作者报告称，Det-MASO 相比基线把 information coefficient 提高了 1.1%、年化收益提高了 6.4%，Sharpe ratio 提高了 0.33。
Information coefficient，简称 IC，是衡量因子预测排序与之后实际收益之间一致程度的指标；年化收益把一段时期的回报换算成年尺度；Sharpe ratio 则同时考虑收益和波动，用来观察每承担一份波动获得多少回报。按作者的叙述，这三个指标分别对应预测能力、收益结果和风险调整后表现，方向是一致的。
但摘要没有说明这些数字与哪些基线相比，也没有交代 1.1% 和 6.4% 是相对增幅还是百分点变化。0.33 看起来更像 Sharpe ratio 的绝对增量，但材料并未明确口径。数据集、市场范围、回测区间、交易成本、统计显著性和样本外检验也都没有披露。因此，这组结果可以视为方法有效的初步信号，不能直接外推成真实交易表现。
真正值得看的是目标变了
这项工作的意义，不只在于又做出一套自动造因子的框架。它把自动化研究中的一个常见盲点摆到了优化目标里：找到很多高分答案，不代表找到了很多不同答案。
如果系统只奖励单个因子的预测成绩，多智能体可能只是重复计算同一条路。Det-MASO 则试图让“预测有效”和“彼此多样”同时成为训练要求，并让不同智能体随市场状态调整侧重。对自动化因子挖掘来说，这是从追求候选数量，转向追求有效的信息增量。
不过，低相关不能直接等同于真正分散。相关性会随市场状态和观察窗口变化；两个表面低相关的因子，也可能暴露于相同风险，或者只是数据挖掘的产物。Det-MASO 处理的是同质化问题的重要一层，并没有自动解决因子可靠性的全部问题。
局限与未知
- 所有方法与效果论断都来自同一篇 arXiv 论文，尚未形成独立交叉验证；“阻止同质化均衡”“全程保持多样性”等强结论仍需结合正文中的条件和证明范围判断。
- 摘要未披露实验市场、数据集、回测区间、交易成本、基线名称、显著性和样本外检验，三项提升数字的具体口径也不完整。
- 智能体之间低相关，只说明它们在所用度量和样本窗口下不够相似，不保证组合已实现有效分散，更不保证实盘中持续有效。