20260913-开源证券-开源量化评论（129）_AI赋能投研体系_因子挖掘篇_25页_2mb

金融工程研究团队与AI赋能投研体系总结

核心内容

本报告聚焦于AI Agent在因子挖掘中的应用，介绍AlphaAgent、RD-Agent和QuantaAlpha三个代表性开源框架，并对RD-Agent进行实证分析。报告指出，AI Agent通过自动化研究流程、模块化设计和演化机制，显著提升了因子挖掘的效率和广度，但其生成因子的稳定性和可解释性仍需进一步优化。

主要观点

1. AI Agent推动因子研究流程自动化

   • 传统因子研发流程包括研究假设、代码实现、回测验证和结果分析，受研究员时间与经验限制。
   • AI Agent可自主组织研究流程，提高实验迭代效率，扩大研究覆盖范围。

2. 因子挖掘框架向多轨迹演化发展

   • AlphaAgent通过Idea、Factor和Eval三个Agent模块完成因子挖掘闭环。
   • RD-Agent进一步模块化，支持更复杂的因子生成与实验设计。
   • QuantaAlpha引入演化机制，融合不同轨迹信息以拓展因子挖掘方向。

3. AI Agent提升因子多样性，但稳定性仍需提升

   • RD-Agent实证测试中，30轮迭代生成159个可用因子，多数具有差异性。
   • 部分因子在样本外表现较差，说明因子有效性对市场环境和样本区间敏感。
   • 需加强样本外检验、边际贡献评估和跨session相关性控制。

关键信息

1. AI Agent框架简介

• AlphaAgent

  • 提出时间：2025年2月
  • 核心机制：结合大语言模型推理与正则化探索，关注因子差异性、复杂度和样本外稳定性。
  • 模块设计：Idea Agent（研究假设生成）、Factor Agent（因子表达式生成）、Eval Agent（因子评估与反馈）。

• RD-Agent

  • 提出时间：2025年5月
  • 技术基础：微软亚洲研究院开源框架，支持多智能体协作。
  • 核心流程：因子假设生成 → 实验任务构建 → 代码生成与优化 → 回测与反馈 → 迭代优化。
  • 特点：模块化设计、支持多种场景（如量化金融、数据科学）。

• QuantaAlpha

  • 提出时间：2026年2月
  • 核心机制：借鉴遗传规划算法，引入选择、变异、交叉机制，扩大因子挖掘方向。
  • 架构设计：底层复用RD-Agent流程，上层加入演化控制器。

2. RD-Agent实证分析

• 测试环境

  • 数据范围：训练集（2016-01-01至2022-12-31）、验证集（2023-01-01至2024-12-31）、测试集（2025-01-01至2026-07-31）。
  • 预测目标：未来5个交易日收益率。
  • 评估指标：IC、RankIC、年化收益、信息比率、最大回撤。
  • 模型配置：Chat模型为qwen3.8-27b，Embedding模型为text-embedding-qwen3-embedding-0.6b。

• 实证结果

  • 30轮迭代中，仅有Round-12和Round-13更新SOTA，其余轮次表现不稳定。
  • 超额收益在2026年3月后明显回撤，表明模型对市场风格变化敏感。
  • 区间内表现较好的因子在样本外表现减弱，说明因子有效性受市场环境影响。

• 典型因子案例

  • Lag1IdioVol20WinsorNeg
    • 构建逻辑：剔除市场共同收益，计算过去20日个股特质波动率，截面缩尾后取负。
    • 表现：全区间RankIC均值为7.42%，样本外RankIC均值为7.04%，分组收益具有单调性。
    • 风格暴露：平均线性暴露较弱，但非线性构造可能受Barra风格影响。

3. 因子挖掘框架对比

风险提示

• 模型测试基于历史数据，未来市场可能发生变化，因子有效性可能降低。
• 实证结果可能因市场环境、数据范围和评估指标不同而存在差异。

总结

AI Agent在因子挖掘中展现出显著的效率提升和广度拓展能力，但其生成因子的稳定性、可解释性和样本外表现仍需进一步优化。RD-Agent作为主流框架，通过模块化设计和多轮迭代提升了因子挖掘能力，但需结合人工判断和跨session去重机制。QuantaAlpha通过演化机制进一步扩大探索空间，但计算成本增加。未来需加强样本外检验、经济逻辑审查和风险暴露分析，以提升因子的实用性与稳定性。