Agent專題報告：RD_Agent實測，AI驅動的因子挖掘框架.pdf

本報告對微軟亞洲研究院開源的RD-Agent框架進行了實測，重點評估其在量化因子挖掘場景（fin_factor）下的表現。RD-Agent由“研究R”與“開發D”智能體構成，依托Qlib框架作為量化基礎設施，通過“假設生成→任務分解→代碼實現→執行回測→反饋生成”的五步循環實現因子研究的自動化。

實測基于Wind A股數據，覆蓋5792只股票，完成36個有效Loop。結果顯示，組合雙周頻IC從0.0621提升至0.0699，觸發11次SOTA更新。在LLM選型對比中，GLM-V5.1在代碼魯棒性上顯著優于DeepSeek-V3.2，后者頻繁出現輸出重復及編碼失敗。最終SOTA因子庫以交叉/交互、盈利質量、分析師預期及現金流四類因子為主力貢獻。

報告指出，RD-Agent的核心優勢在于因子研究效率大幅提升（預估月產約900個有效因子）、自動發現人類盲區及累積式學習機制。然而，框架也存在運行穩定性差、LLM代碼質量不穩定、IC優化目標與實盤收益脫鉤以及對A股特殊機制把握不足等劣勢。機器學習類因子在激進參數下易過擬合，導致ICIR提升弱于IC。綜合建議將RD-Agent定位為輔助因子研究工具，優先用于新數據源探索與因子庫增量補充，并通過注入領域知識、多目標優化及迭代更強模型等方式持續改進。