开源量化评论：AI赋能投研体系，因子挖掘篇

在量化投资领域，传统因子研发链条较长，通常需依次完成研究假设、代码实现、回测验证和结果分析，流程效率易受研究员时间与经验约束。尽管机器学习和深度学习拓展了非线性特征的挖掘空间，但多数方法仍在预先设定的数据和模型框架内优化，难以自主组织完整的研究流程。随着大语言模型推理、代码生成和工具调用能力提升，AI Agent开始具备较强的语义理解、任务规划和代码生成能力，能够根据历史实验提出因子假设，调用工具完成代码执行与回测，并依据结果继续调整研究方向。

主流开源框架架构对比

自2024年以来，学界和开源社区陆续推出多种面向自动化因子挖掘的AI Agent框架。本报告梳理了AlphaAgent、RD-Agent和QuantaAlpha三个代表性开源框架，比较其在研究假设生成、因子实现、回测反馈和搜索机制等方面的差异。

AlphaAgent由2025年2月首次公开，将大语言模型的推理能力与正则化探索机制结合，关注因子的差异性、复杂度和样本外稳定性，以缓解因子拥挤与过拟合带来的Alpha衰减。其架构抽象为Idea Agent、Factor Agent和Eval Agent三个功能模块。Idea Agent负责根据历史实验结果分析优缺点并提出新方向；Factor Agent将自然语言构思转化为DSL格式的因子表达式；Eval Agent调用回测框架评估有效性并反馈结果。这种设计减少了智能体间复杂的消息传递成本，便于将因子表达、回测与反馈纳入统一流程，但各模块仍主要按预设顺序工作，协作深度有限。

RD-Agent由微软亚洲研究院于2025年5月发布，构建了覆盖研究探索（Research）和方案实现（Development）的通用研发Agent体系。在因子挖掘应用中，RD-Agent采用模块化代码组织方式，包含运行环境及五个核心流程组件：QlibFactorHypothesisGen生成潜在因子构想；QlibFactorHypothesis2Experiment将想法转换为标准化实验任务；QlibFactorCoSTEER基于进化式代码生成框架完成代码生成与优化；QlibFactorRunner依托Qlib框架进行因子计算和历史回测；QlibFactorExperiment2Feedback分析结果并决定是否保留研究方向。通过上述流程，RD-Agent把传统因子研究拆分为多个职责清晰的功能模块，使每轮实验结果能反馈至下一轮研究假设，形成可递归迭代的研发闭环。

QuantaAlpha由2026年2月首次公开，在底层复用RD-Agent研发流程的基础上，引入演化控制器，借鉴遗传规划算法中的选择、变异和交叉机制，对多条研究轨迹进行持续筛选和重组。系统将一次完整的Agent运行视为一条独立的研究轨迹，多个轨迹组成轨迹池。Original阶段生成多个相对独立的研究假设；Mutation针对薄弱环节进行局部修改；Crossover重组两条轨迹中表现较好的步骤或信息。这种多轨迹演化机制拓宽了探索空间，但也带来了更高的计算和存储开销。

RD-Agent实证测试与效能分析

本文以RD-Agent开展实证测试，对数据、预测周期和股票池设置进行适配。测试环境部署在WSL2提供的Ubuntu环境中，利用Docker容器执行因子代码和Qlib回测。基准特征采用官方默认的Alpha20，Chat模型使用qwen3.8-27b，Embedding模型使用text-embedding-qwen3-embedding-0.6b。回测样本划分为训练集（2016-2022）、验证集（2023-2024）和测试集（2025-2026.07），业绩比较基准为中证1000指数，预测目标为未来5个交易日收益率。

在某次session累计运行30轮因子挖掘的结果显示，新增因子后IC和RankIC多数高于Alpha Base，但年化收益、信息比率和最大回撤波动较大，仅Round-12和Round-13更新了SOTA。这表明增加迭代轮数并不意味着组合表现会持续改善。进一步观察最新SOTA结果的时序表现，2026年3月以前模型累计超额收益总体上行，此后超额收益明显回撤，至2026年7月附近才开始修复，说明模型对市场风格切换较为敏感。

全区间与样本外因子表现存在明显分化。部分因子在全区间具有较高RankIC，但进入样本外后明显减弱。以全区间RankIC绝对值最高的Lag1IdioVol20WinsorNeg因子为例，该因子剔除市场共同收益后计算过去20个交易日的个股特质波动率，经截面缩尾后取负。测试结果显示其全区间RankIC均值为7.42%，样本外RankIC均值为7.04%，五分组累计收益具有较好的单调性，但多空组合在2025年下半年出现较大回撤，说明其样本外稳定性仍需持续观察。

因子多样性与风格暴露检验

为降低单次session带来的路径依赖，研究团队启动多个独立session进行因子挖掘，汇总得到159个可用因子。相关性与层次聚类结果表明，因子总体具有一定差异性，但仍存在若干信息相近的因子簇，跨session去重机制仍有改进空间。大多数因子间相关性处于较低水平，但在绝对相关系数0.7的划分标准下，形成了多个小型聚类簇，说明部分因子虽名称和表达式不同，实际捕捉的信息较为接近。

Barra CNE-5回归显示，多数因子的平均线性风格暴露较弱，只有少数因子在个别风格上表现出较明显的倾向。不过，对于乘积、分段和滚动窗口等非线性构造，线性回归不能完全排除其受到传统风格影响的可能。例如因子RoEQualityLowRisk将当期ROE与过去20日波动率结合，这类关系未必能被线性Barra回归充分刻画。

应用建议与风险提示

综合来看，AI Agent现阶段更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。实际应用中应加强样本外检验、边际贡献评估、跨session相关性控制、经济逻辑审查和风险暴露分析，以提高因子的稳定性与可解释性。需要强调的是，模型测试基于历史数据，市场未来可能发生变化，存在失效风险。