投资要点：
　　西学东渐，是指从明朝末年到近代，西方学术思想向中国传播的历史过程。在今天，西学东渐仍有其重要意义。由于AI的发展，单篇文献翻译的价值和难度已经大幅降低。为此，我们转化呈现形式，通过文献综述的方式为大家呈现海外资产定价与量化投资领域的最新研究成果，进而最大化地提供研究增量。本篇聚焦的主题是另类数据。
　　传统量化投资高度依赖财报及宏观统计数据，但随着机构策略趋同，这类标准化数据的Alpha红利已显著衰减。相比之下，另类数据凭借差异化的信息维度和更快的更新频率，正从边缘探索走向投研核心。本文试图通过梳理近年来的海外代表性文献，厘清另类数据在因子挖掘中的应用逻辑。
　　近十年来，机器学习算法的广泛渗透，共同推动了非传统数据源的爆发式增长，正式宣告了“数据丰度”时代的到来。在这一宏观背景下，数据不再稀缺，稀缺的是对数据的处理能力。另类数据已彻底摆脱了对冲基金“小众武器”的标签，迅速演变为全球资管机构的标配基础设施。海量多源异构数据的涌入，不仅改变了信息处理的速度，更在深层次上重塑了整个资产管理行业的投研流程与决策生态。
　　经过十余年的积累，学术界与业界针对另类数据的实证研究已覆盖九大核心类别，构建了扎实的证据链条。本文逐一梳理了地理空间、舆情情绪、消费行为、供应链贸易、人力资本、ESG、物联网传感器、网页爬取及专家网络等类别数据的代表性研究，为在A股的量化实践提供参考。
　　生成式AI（GenAI）的崛起，从根本上突破了非结构化数据的处理瓶颈，彻底重构了另类数据的价值。针对文本、图像、音频等传统计量手段难以量化的信息，GenAI通过深层的语义理解与跨模态融合技术，能够精准捕捉其中蕴含的市场预期与情绪变化，将其转化为系统性、可交易的高频量化信号。多项基于海外市场的实证研究显示，系统性应用生成式AI的对冲基金，其年化超额回报率相比未使用者普遍高出3至5个百分点。
　　然而，硬币的另一面是，短期高频数据的规模化滥用正引发短期高频数据““期期应应”，导致市场长期预测能力出现系统性下滑。实证表明，市场对短期另类数据的过度追逐，正诱发显著的“注意力挤出”应应：资金扎堆博弈短期景气脉冲，导致一年期以上长期盈利预测精度系统性下滑。尽管短期信号可增厚阶段性收益，但其增益远不足以抵消长期研判能力缺失带来的估值偏差，为另类数据应用划定了“不可仅唯短期论”的认知红线。
　　面对上述挑战，未来的量化研究需跳出单纯的数据堆砌，着力构建长短期期融合的新型投研体系。具体的推进路径包括：一是深化生成式AI在复合因子构建中的应用，平衡短期Alpha与长期风险；二是拓展长短期期分层的数据源建设，缓解特定行业的覆盖偏差；三是将另类数据的应用边界从单纯的收益率预测延伸至公司治理与风控合规领域。
　　风险提示：文献结论外推至A股存在市场制度与数据口径差异；因子历史表现不代表未来；机器学习模型存在过拟合、样本外失应和解释性不足风险；交易成本、流动性和容量约束可能侵蚀策略收益。