RD-Agent实测_AI驱动的因子挖掘框架_23页_2mb

报告摘要

RD-Agent 框架总结

核心内容

RD-Agent 是微软亚洲研究院开源的“AI 驱动研发自动化”框架，旨在通过大语言模型（LLM）自主完成因子研究闭环，提升量化研究效率。其核心理念是将因子研究分解为“假设生成→任务分解→代码实现→执行回测→反馈生成”的五步循环，实现因子的自动化挖掘与迭代优化。

该框架以 Qlib 作为量化基础设施底座，负责数据处理、模型训练与绩效计算。框架主要运行于 Linux 环境，Windows 用户需通过 WSL2 部署。

主要观点

因子挖掘流程：
- 假设生成：LLM 通过双层 Trace 注入，从历史实验记录中提出新因子方向，避免重复且提供即时纠错。
- 任务分解：将假设转化为结构化的因子任务清单，明确因子名称、类型、公式及变量解释。
- 代码实现：使用 CoSTEER 代码生成引擎，最多进行 10 轮“写代码—测试—修正”自动调试，结合成功与失败案例库进行 RAG 检索，提高首次生成成功率。
- 执行回测：在隔离的 Conda 环境中逐因子运行，与 Alpha158 特征合并送入 LightGBM，计算 IC、ICIR 等绩效指标。
- 反馈生成：LLM 根据回测结果判断是否更新 SOTA 库，并给出下一轮探索方向。
LightGBM 与 Alpha158：
- LightGBM 是默认模型，具备 GOSS 和 EFB 两项算法创新，提升训练速度与精度。
- Alpha158 是 Qlib 内置的 158 个量价因子集合，作为因子检验的基准，提高因子有效性的判断门槛。
实测结果：
- 完成 36 个有效 Loop，组合双周频 IC 提升至 0.07。
- GLM-V5.1 在因子挖掘任务上全面优于 DeepSeek-V3.2，后者频繁出现无限重复输出与编码失败。
- 最终 SOTA 因子库以交叉/交互、盈利质量、分析师预期、现金流为主要贡献因子。

关键信息

LLM 选择：GLM-V5.1 显示出更高的代码鲁棒性，而 DeepSeek-V3.2 存在输出重复与编码失败的问题。
因子类型：最终 SOTA 因子库涵盖动量/反转、价值、盈利成长、现金流质量、量价技术、分析师预期、行业市值中性、机器学习共八大类。
数据与回测设置：使用 Wind A 股数据，包含约 5792 只股票、165 个字段，财务数据按公告日 PIT 对齐。
性能指标：组合平均 IC 从 0.0621 提升至 0.0699，但 ICIR 提升幅度始终弱于 IC，主要由于测试期与训练期市场环境差异及部分因子的过拟合问题。

优劣势总结

优势

因子研究效率显著提升：预计每月可产出约 900 个因子，远高于人工产出。
自动发现人类盲区：LLM 不受经验限制，可提出研究员难以想到的非常规因子组合。
累积式学习机制：SOTA 库保证好因子不丢失，每轮在最优基础上继续探索。
完整的实验溯源：每轮实验的假设、代码、回测结果均可复现，便于审计与归因。
多数据源整合能力：一旦数据管线搭建完成，LLM 可高效调用大规模字段集。

劣势

运行稳定性差：在 WSL 环境下出现多次崩溃，需手动重启。
LLM 代码质量不稳定：即使是 GLM-V5.1 也会在复杂操作中出错，如臆造字段或忽视前视偏差。
IC 与实际收益脱钩：框架以 IC 为优化目标，未充分考虑 ICIR、换手率等实盘关键指标。
对 A 股特殊机制理解不足：对涨跌停、停牌、ST 等机制的把握有限，可能影响因子的有效性。

结论

RD-Agent 是一个具有升级潜力的辅助因子研究工具，其在因子挖掘效率、自动发现盲区、累积学习、实验溯源与多数据源整合方面表现出色，但运行稳定性、代码质量、IC 与实盘收益脱钩以及对 A 股机制理解不足仍是其当前的限制。建议优先用于新数据源探索与现有因子库的补充，并通过优化 Prompt、多目标评估、引入另类数据及迭代代码模型持续改进。

展开完整摘要