RD-Agent框架在量化因子挖掘中的核心機制與實測表現如何？

RD-Agent框架將因子研究抽象為“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，實現了量化研究的自動化閉環。

在假設生成環節，系統采用雙層Trace注入機制。一層為全量歷史壓縮版，提供研究全局視野以避免重復探索；另一層為上一輪詳情展開版，包含完整日志以支持即時糾錯。任務分解則將文字假設轉化為包含數學公式和變量解釋的結構化JSON，確保后續步驟的精確性。代碼實現引擎CoSTEER通過“寫代碼—測試—修正”的自動調試循環，并借助成功案例庫與失敗修復庫的向量檢索增強生成（RAG），顯著提升了代碼生成的成功率。執行回測在隔離環境中進行，新因子與Alpha158特征合并后輸入LightGBM模型，反饋環節以極寬松門檻推動漸進式進化。

實測數據顯示，該框架在Wind A股數據上完成36個有效Loop，組合雙周頻IC從0.0621提升至0.0699，驗證了AI自主挖掘因子的可行性。在LLM對比中，GLM-V5.1在代碼工程能力上全面優于DeepSeek-V3.2。DeepSeek-V3.2頻繁出現無限重復輸出及行業截面因子編碼失敗，而GLM-V5.1生成的因子（如行業相對動量）成為驅動IC創新高的核心。這表明在因子挖掘場景下，模型的代碼執行能力比單純推理能力更為關鍵。RD-Agent雖能大幅提升效率并發現人類盲區，但仍存在運行穩定性差、過擬合風險及IC與實盤收益脫鉤等劣勢，宜定位為輔助研究工具。