开源量化评论：AI赋能投研体系，因子挖掘篇.pdf

全球量化投研正经历从手工研发向AI Agent自动化的范式转移，大语言模型凭借语义理解和代码生成能力，正在重塑因子挖掘的工作流。开源证券发布的《AI赋能投研体系：因子挖掘篇》详细梳理了AlphaAgent、RD-Agent和QuantaAlpha三个代表性开源框架，并通过实证测试评估了AI Agent在实际投研环境中的效能。

技术架构演进

报告指出，AlphaAgent通过Idea、Factor和Eval三个Agent模块形成研究闭环，侧重缓解Alpha衰减；RD-Agent构建了Research和Development双阶段体系，利用CoSTEER框架实现代码进化与回测反馈，支持模块化迭代；QuantaAlpha则在RD-Agent基础上引入演化控制器，通过选择、变异和交叉操作在多轨迹间搜索，进一步拓宽探索空间但增加了计算开销。

实证效能评估

在对RD-Agent的实证测试中，研究人员对数据字段、预测周期和股票池进行了适配。结果显示，AI Agent能有效提升因子挖掘效率，某次session中新增因子后IC和RankIC多数高于基准，但年化收益和最大回撤波动较大，仅Round-12和Round-13更新SOTA，表明迭代轮数与组合表现改善不成正比。全区间与样本外表现存在分化，部分因子在市场风格切换时稳定性不足。

因子质量与风险

汇总多个独立session得到的159个可用因子显示，因子总体具有差异性，但存在若干信息相近的因子簇，跨session去重机制仍有改进空间。Barra回归分析表明，多数因子线性风格暴露较弱，但非线性构造可能隐含传统风格影响。报告结论认为，AI Agent现阶段适合用于拓宽研究广度和提高实验效率，候选因子的最终入库仍需研究员把关，应加强样本外检验、经济逻辑审查和风险暴露分析，以应对模型基于历史数据测算可能带来的失效风险。