Agent专题报告：RD_Agent实测，AI驱动的因子挖掘框架.pdf

本报告对微软亚洲研究院开源的RD-Agent框架进行了实测，重点评估其在量化因子挖掘场景（fin_factor）下的表现。RD-Agent由“研究R”与“开发D”智能体构成，依托Qlib框架作为量化基础设施，通过“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研究的自动化。

实测基于Wind A股数据，覆盖5792只股票，完成36个有效Loop。结果显示，组合双周频IC从0.0621提升至0.0699，触发11次SOTA更新。在LLM选型对比中，GLM-V5.1在代码鲁棒性上显著优于DeepSeek-V3.2，后者频繁出现输出重复及编码失败。最终SOTA因子库以交叉/交互、盈利质量、分析师预期及现金流四类因子为主力贡献。

报告指出，RD-Agent的核心优势在于因子研究效率大幅提升（预估月产约900个有效因子）、自动发现人类盲区及累积式学习机制。然而，框架也存在运行稳定性差、LLM代码质量不稳定、IC优化目标与实盘收益脱钩以及对A股特殊机制把握不足等劣势。机器学习类因子在激进参数下易过拟合，导致ICIR提升弱于IC。综合建议将RD-Agent定位为辅助因子研究工具，优先用于新数据源探索与因子库增量补充，并通过注入领域知识、多目标优化及迭代更强模型等方式持续改进。