RD-Agent實測：AI驅動的量化因子挖掘框架解析

RD-Agent框架架構與核心邏輯

RD-Agent是由微軟亞洲研究院開源的“AI驅動研發自動化”框架，其核心理念是讓大語言模型扮演量化研究員，自主完成從假設生成到回測驗證的因子研究閉環。該框架由“研究R”與“開發D”兩類智能體構成，分別負責提出想法和落地實現。在量化金融場景中，RD-Agent提供了因子挖掘（fin_factor）、模型研發（fin_model）、因子模型聯合進化（fin_quant）及研報因子提取（fin_factor_report）四個專用場景。本篇實測聚焦于fin_factor場景，即固定LightGBM模型，僅對因子進行自動化迭代挖掘。

系統架構上，RD-Agent采用模塊化分層設計，包括LLM調用層、因子代碼生成層、量化基礎設施層及核心調度層。其中，微軟開源的Qlib框架作為“量化基礎設施底座”，負責數據管理、特征工程、模型訓練及績效計算，使得LLM能夠專注于因子邏輯的構思，而無需處理底層數據存儲與回測細節。RD-Agent將每輪因子研究抽象為“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，通過廣度優先策略進行持續挖掘。

五步循環機制與技術細節

在假設生成階段，系統采用雙層Trace注入機制，既保留全量歷史實驗的壓縮摘要以提供全局視野，避免重復探索，又注入上一輪的詳細日志以支持即時糾錯。任務分解階段將文字假設轉化為包含數學公式和變量解釋的結構化JSON，確保后續代碼生成的精確性。代碼實現引擎CoSTEER通過“寫代碼—測試—修正”的自動調試循環，結合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首次成功率。

執行回測環節在隔離的Conda環境中運行，確保環境獨立性與故障隔離。新因子與Alpha158量價特征合并后輸入LightGBM模型，計算IC等指標。反饋生成階段設定了極寬松的SOTA準入門檻，只要組合IC有微小提升即納入最佳因子庫，推動研究的漸進式進化。LightGBM作為基礎模型，憑借GOSS和EFB算法創新，在兼顧訓練速度與精度的同時，有效處理高維稀疏特征。

實測表現與模型對比分析

實測數據顯示，框架在Wind A股數據底庫上完成了36個有效Loop，組合雙周頻IC從初始的0.0621提升至0.0699，驗證了AI自主挖掘因子的可行性。在LLM選型對比中，GLM-V5.1在代碼工程能力上全面優于DeepSeek-V3.2。DeepSeek-V3.2在實驗中頻繁出現無限重復輸出及行業截面因子編碼失敗等問題，而GLM-V5.1展現出更高的代碼魯棒性，其生成的行業相對動量等因子成為驅動IC創新高的核心力量。這一結果印證了在因子挖掘場景下，模型的代碼執行能力比單純推理能力更為關鍵。

優劣勢評估與應用建議

RD-Agent的核心優勢在于大幅提升因子研究效率，預估有效因子產出可達人工的數十倍，并能自動發現人類研究盲區，具備累積式學習與完整的實驗溯源能力。然而，框架也存在運行穩定性較差、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出現過擬合現象，導致ICIR提升弱于IC。

綜合來看，RD-Agent宜定位為具有升級潛力的輔助因子研究工具，而非完全替代傳統研究流程。建議優先將其用于新數據源因子潛力的快速探索及現有因子庫的增量補充。未來優化方向包括注入領域知識Prompt、實施多目標優化、引入另類數據以及迭代更強的代碼生成模型，以進一步提升框架的實用性與穩定性。