RD-Agent实测：AI驱动的量化因子挖掘框架解析

RD-Agent框架架构与核心逻辑

RD-Agent是由微软亚洲研究院开源的“AI驱动研发自动化”框架，其核心理念是让大语言模型扮演量化研究员，自主完成从假设生成到回测验证的因子研究闭环。该框架由“研究R”与“开发D”两类智能体构成，分别负责提出想法和落地实现。在量化金融场景中，RD-Agent提供了因子挖掘（fin_factor）、模型研发（fin_model）、因子模型联合进化（fin_quant）及研报因子提取（fin_factor_report）四个专用场景。本篇实测聚焦于fin_factor场景，即固定LightGBM模型，仅对因子进行自动化迭代挖掘。

系统架构上，RD-Agent采用模块化分层设计，包括LLM调用层、因子代码生成层、量化基础设施层及核心调度层。其中，微软开源的Qlib框架作为“量化基础设施底座”，负责数据管理、特征工程、模型训练及绩效计算，使得LLM能够专注于因子逻辑的构思，而无需处理底层数据存储与回测细节。RD-Agent将每轮因子研究抽象为“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，通过广度优先策略进行持续挖掘。

五步循环机制与技术细节

在假设生成阶段，系统采用双层Trace注入机制，既保留全量历史实验的压缩摘要以提供全局视野，避免重复探索，又注入上一轮的详细日志以支持即时纠错。任务分解阶段将文字假设转化为包含数学公式和变量解释的结构化JSON，确保后续代码生成的精确性。代码实现引擎CoSTEER通过“写代码—测试—修正”的自动调试循环，结合成功案例库与失败修复库的向量检索增强生成（RAG），显著提升了代码生成的首次成功率。

执行回测环节在隔离的Conda环境中运行，确保环境独立性与故障隔离。新因子与Alpha158量价特征合并后输入LightGBM模型，计算IC等指标。反馈生成阶段设定了极宽松的SOTA准入门槛，只要组合IC有微小提升即纳入最佳因子库，推动研究的渐进式进化。LightGBM作为基础模型，凭借GOSS和EFB算法创新，在兼顾训练速度与精度的同时，有效处理高维稀疏特征。

实测表现与模型对比分析

实测数据显示，框架在Wind A股数据底库上完成了36个有效Loop，组合双周频IC从初始的0.0621提升至0.0699，验证了AI自主挖掘因子的可行性。在LLM选型对比中，GLM-V5.1在代码工程能力上全面优于DeepSeek-V3.2。DeepSeek-V3.2在实验中频繁出现无限重复输出及行业截面因子编码失败等问题，而GLM-V5.1展现出更高的代码鲁棒性，其生成的行业相对动量等因子成为驱动IC创新高的核心力量。这一结果印证了在因子挖掘场景下，模型的代码执行能力比单纯推理能力更为关键。

优劣势评估与应用建议

RD-Agent的核心优势在于大幅提升因子研究效率，预估有效因子产出可达人工的数十倍，并能自动发现人类研究盲区，具备累积式学习与完整的实验溯源能力。然而，框架也存在运行稳定性较差、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出现过拟合现象，导致ICIR提升弱于IC。

综合来看，RD-Agent宜定位为具有升级潜力的辅助因子研究工具，而非完全替代传统研究流程。建议优先将其用于新数据源因子潜力的快速探索及现有因子库的增量补充。未来优化方向包括注入领域知识Prompt、实施多目标优化、引入另类数据以及迭代更强的代码生成模型，以进一步提升框架的实用性与稳定性。