BetaAgent：基于多智能体协作的交易风险因子挖掘系统

传统风险因子体系的局限与突破

在量化投资领域，风险因子体系主要源于Barra多因子风险模型框架，其核心使命在于解释横截面收益并在组合优化中约束控制风险暴露。传统的风险因子如规模、动量、流动性等，大多基于基本面和日频数据构建，旨在捕捉中长期风险。然而，现有的风险因子体系存在显著局限，即由日内高频量价数据与资金流向数据构建的短期交易类风险因子并未被纳入主流体系。这类信息蕴含在分钟级别的行情和主动买卖资金流中，反映了订单流不平衡、波动率聚集、流动性冲击等微观结构特征，但现有模型缺乏相应的聚合算子来提取这些特征。

在构建方式上，传统方法面临效率与可解释性的两难困境。人工构建虽然经济逻辑清晰、可解释性强，但高度依赖研究员个人经验，产出效率低且受认知边界限制；遗传规划（GP）虽能扩大搜索空间，但生成的因子往往缺乏经济解释且易过拟合；深度学习方法表达能力强，但作为黑箱模型，其输出的因子性质不稳定且难以用于业绩归因。因此，市场亟需一种既能保持高可解释性，又能高效扩展搜索空间的自动化挖掘工具。

Agent驱动的风险因子挖掘范式

随着大语言模型（LLM）技术的发展，Agent驱动的方法为风险因子挖掘提供了新路径。该方法将LLM的经济学知识与市场微观结构知识、代码生成能力及多智能体协作相结合。通过OpenAI Agents SDK这一轻量级、生产级的框架，可以构建能够自主规划、调用工具、多步协作的AI应用。该框架支持Handoff模式实现任务交接，以及Agent-as-Tool模式实现任务分配与反馈收集，同时通过Guardrails保障内容合规性，利用Sessions实现工作记忆。

在此背景下，BetaAgent系统应运而生。该系统通过多Agent协作，将风险因子研究流程拆解为假设生成、因子代码实现、统计评估、反馈反思和迭代探索。其核心优势在于，既继承了人工构建在经济逻辑上的严谨性，又具备接近自动化算法的搜索效率。系统通过Trace机制记录每次试验的假设、代码、指标和反馈，形成可查询的研究记忆，从而指导后续探索，避免重复已知失败模式。

BetaAgent的系统架构与工作流

BetaAgent的工作流由三大核心Agent协同完成，并通过OpenAI Agents SDK进行编排管理。首先是IdeaAgent，作为系统的“研究大脑”，它基于市场微观结构知识与历史实验经验，生成新的因子构建想法与逻辑。IdeaAgent通过读取精简版的上下文记忆，分析累计统计、闸门通过率、已接受因子池摘要及Near-miss因子等信息，提出具有经济机制的风险因子假设，如流动性脆弱性、量价耦合、日内尾部风险等。

其次是FactorAgent，负责将抽象的假设转化为可执行的向量化Python代码。该Agent接入数据库，利用日内和日间算子高效计算因子值。为确保代码质量，FactorAgent受到严格规范校验，包括语法检查、索引对齐、数值异常检测等，并具备报错自修复功能。若自校验失败，系统会自动重试修复，确保进入回测环节的代码符合安全与数据规则。

最后是EvalAgent，承担评估与决策职责。它对因子值进行多项指标的分年度分析，包括增量解释力、长期t显著性、信息独立性（VIF）、因子稳定性与衰减、风险型IC形态等。EvalAgent生成评估报告并决定因子是否入库，若拒绝则给出具体改进建议。所有因子的定义、逻辑、代码、评估结果及建议均写入Trace，形成带记忆功能的闭环，重要信息在下一轮迭代时传递回IdeaAgent，实现系统的持续进化。

挖掘成果与组合增益表现

通过迭代评估挖掘，BetaAgent最终生成了10个短期交易类风险因子，包括资金流路径震荡与成交量集中度共振风险、收益偏度残差持续性风险、资金流-收益路径震荡背离风险等。这些因子均满足设定的六维评估标准，且与基准Barra风险体系的相关性保持在较低范围内，表明其能够提供稳定的增量解释力。例如，资金流路径震荡与成交量集中度共振风险因子，通过结合成交量Gini系数与主买占比路径震荡，有效刻画了市场微观结构的脆弱性。

在指数增强组合层面，引入这些短期交易类风险因子后，策略表现得到显著改善。在周单边换手10%上限约束下，2021年1月至2026年7月期间，沪深300增强组合的超额最大回撤降低2.67%；中证500增强组合超额最大回撤降低1.92%，超额年化提升0.76%；中证1000增强组合超额最大回撤降低1.09%。特别是在2026年以来，短期交易类风险因子在中证500和中证1000增强策略上展现出更显著的改善效果，其中中证1000增强超额年化提升幅度较大，超额最大回撤亦有明显降低。这证明BetaAgent挖掘的因子能够有效补充现有风险模型，提升组合的风险调整后收益。