AI Agent因子挖掘框架如何平衡研究广度与结果稳定性？

AI Agent在因子挖掘中主要通过扩大研究覆盖范围和提高实验迭代效率来平衡广度与稳定性，但现阶段仍需人工把关。以RD-Agent为例，其实证测试显示，虽然新增因子在多数轮次中能提升IC和RankIC指标，但年化收益和信息比率波动较大，并非随迭代轮数单调改善，仅少数轮次更新SOTA，表明单纯增加迭代次数并不保证组合表现的持续优化。

在稳定性方面，全区间与样本外表现存在明显分化。部分因子在全区间表现优异，但在样本外明显减弱，且对市场风格切换敏感。此外，跨session生成的因子虽总体具有差异性，但仍存在信息相近的因子簇，去重机制有待改进。多数因子在Barra风格上的线性暴露较弱，但非线性构造可能隐含风格影响。

因此，AI Agent更适合用于拓宽研究广度，候选因子的最终入库必须经过严格的样本外检验、边际贡献评估和经济逻辑审查，以确保因子的稳定性和可解释性。