RD-Agent实测：AI驱动的因子挖掘框架 | 国联民生金工

国联民生叶尔乐 2026-06-30 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 4 /5

核心内容

报告详细评测了微软亚洲研究院开源的RD-Agent框架在量化因子挖掘场景（fin_factor）下的应用。该框架通过LLM扮演量化研究员，将每轮研究分解为五步循环：1）假设生成（双层Trace注入历史信息）；2）任务分解（输出包含LaTeX公式的明确规格）；3）代码实现（CoSTEER引擎多轮自动调试与RAG检索）；4）执行回测（隔离Conda环境运行，结合Alpha158送入LightGBM）；5）反馈生成（极宽松SOTA准入门槛评估并指导下一轮）。系统深度集成Qlib量化框架，实现了从想法到代码再到回测反馈的全自动闭环。

经济逻辑

依靠AI大语言模型打破人类研究员的认知局限和试错瓶颈，通过不断累积的SOTA因子库（IC哪怕微小提升即纳入）实现渐进式进化，从而在海量数据与特征交叉空间中发现人类盲区中的Alpha。经济的核心驱动力在于自动化降低研发边际成本，并将研究历史沉淀为AI的记忆资产。

超额收益逻辑

通过AI大语言模型的代码生成与逻辑推理能力，在人类难以全面覆盖的高维特征交叉空间中探索非线性Alpha；同时通过极宽松门槛的累积式SOTA机制，将每一次微小的预测能力（IC）提升固化下来，叠加成超越基线（Alpha158）的组合表现。

构造细节 [model]

模型架构

采用LightGBM作为基座模型。结构上基于直方图算法和Leaf-wise生长策略。核心创新包含：GOSS(保留大梯度样本，小梯度降采样并放大权重以加速)和EFB(将高维稀疏互斥特征打包捆绑降维)。原生支持类别特征，无需独热编码。

输入

Alpha158(9大类158个量价因子)AI自主挖掘并通过SOTA准入的新因子集(交叉/交互、盈利质量、分析师预期、现金流等)

输出

个股未来10日(双周频)收益率预测值，用于构造Top200多头组合

训练

将合并后的特征集送入LightGBM，利用GOSS和EFB算法加速训练。每轮Loop把全部SOTA因子重新执行一遍(不做因子值缓存)以保证新鲜一致，预测标签为10日前向收益。

数据输入

: (日频行情与低频财务数据(按公告日PIT对齐))

组合方式

新挖掘的因子与已有SOTA因子合并，连同Alpha158的158个量价特征一起送入LightGBM模型训练；若新因子与已有SOTA因子IC相关性较高则进行去重过滤。

绩效

0.0699（Loop 34最终值）

组合双周频IC

0.0621（Alpha158+Loop0）

IC起点

11次（36个Loop中）

SOTA更新次数

有效Loop数

约900个/月

预估有效因子产出效率

基准: Alpha158（Qlib内置158个量价因子+LightGBM）

回测期: 训练期2016-2023，验证期2024，测试期2025-2026；双周频10日前向收益，Top200多头组合

36个有效Loop中组合IC从0.0621提升至0.0699，触发11次SOTA更新；GLM-V5.1阶段SOTA更新频率高于DeepSeek-V3.2；SOTA因子库以交叉/交互、盈利质量、分析师预期、现金流四类因子为主力贡献，但ICIR提升始终弱于IC，机器学习类因子在激进参数下过拟合明显。

收益归因

报告对SOTA因子的类型分布做了描述性统计，指出交叉/交互、盈利质量、分析师预期、现金流四类因子为主力贡献，最大单次IC跳升发生在Loop 29（PB价值排名×10日动量排名×5日目标价调整排名等因子驱动）。但未做严格的收益归因或因子贡献分解分析。

缺口: IC优化目标与实盘收益脱钩；ICIR提升始终弱于IC；机器学习类因子在激进参数下过拟合明显；对A股特殊机制与前视偏差等细节把握不足；运行稳定性差、LLM代码质量不稳定。

稳健性

子样本稳定性: 在2025-2026年的样本外测试期中，组合IC表现稳定，从0.0621提升至0.0699。

风格偏差: SOTA因子库主要集中在交叉/交互、盈利质量、分析师预期、现金流四类因子，存在一定的风格集中风险。

框架具有渐进式进化稳定性，但ICIR提升始终弱于IC，表明因子稳定性或彼此独立性不足；机器学习类因子在激进参数下过拟合明显，整体鲁棒性依赖于SOTA去重机制与宽松准入积累。

数据依赖

所需数据: Wind A股约5792只股票、165个字段(量价、估值、财务三表、衍生财务、分析师预期、行业分类)。需转换为Qlib二进制格式。

可复现性: medium

数据依赖标准Wind底库，但需编写Data Pipeline转换为Qlib兼容格式（工作量最大）；LLM调用需配置GLM-V5.1和BAAI/bge-m3向量模型；整体框架需Linux环境(WSL2)、Docker及多个Conda隔离环境，环境部署要求较高。

新颖性评估 [新方法]

将传统因子研究流程抽象为LLM驱动的五步自动化循环，创新性地引入双层Trace注入、CoSTEER多轮代码自动调试及RAG知识库检索机制，实现因子研究闭环的自动化和渐进式进化，是对AI+量化研发模式的有效工程化探索。

不足与缺陷

运行稳定性差，依赖LLM代码质量，对操作系统有强约束（需Linux/Docker/WSL2）。
IC优化目标与实盘收益脱钩，缺乏对交易成本和冲击成本的考量。
ICIR提升弱于IC，说明因子稳定性不足或因子间相关性较高。
机器学习类因子在激进参数下过拟合明显。
对A股特殊机制（如涨跌停、停牌）与前视偏差等细节把握不足，虽有PIT对齐但代码层处理可能不完善。

可复用元素

双层Trace注入机制，兼顾全局视野与即时纠错，避免LLM陷入局部循环。
CoSTEER引擎的RAG知识库设计（成功案例库与失败修复库），有效提升LLM首次代码生成成功率。
极宽松的SOTA准入门槛（微小IC提升即纳入），推动因子的渐进式进化积累。
隔离Conda环境执行因子代码，实现环境和故障双重隔离，保证系统鲁棒性与可复现性。

启发

AI Agent不仅能用于因子挖掘，其“提假设-写代码-验证-迭代”的方法论可迁移至模型结构研发、研报因子提取等多个研发场景。
量化研究不应仅关注单次大突破，极宽松门槛下的持续微小改进积累同样能带来显著整体提升。
通过向量知识库存储历史成功因子和失败修复记录，是解决LLM代码生成不可靠性的有效工程手段。

改进方向

将单一IC提升准入门槛扩展为多目标优化（如加入换手率约束、ICIR最大化、收益回撤比等），优化SOTA准入机制。

基于: 报告指出“IC优化目标与实盘收益脱钩、ICIR提升弱于IC”。预期收益: 挖掘出的因子不仅在统计上显著（IC），而且在实盘交易中具有更好的稳定性和成本效益（高ICIR，低换手）。

在CoSTEER代码实现环节的Prompt中注入A股特定机制（如停复牌、涨跌停价格展期规则）和标准算子库约束。

基于: 报告指出“对A股特殊机制与前视偏差等细节把握不足”。预期收益: 减少LLM生成无效或存在前视偏差的因子代码，提升首次生成成功率和因子实盘有效性。

复现计划

1. 环境准备：安装WSL2及Ubuntu-24.04，配置Python 3.10环境，安装Docker并开启WSL2集成。2. 数据准备：获取Wind A股165个字段数据（含PIT对齐财务数据），编写Data Pipeline将其转换为Qlib二进制格式。3. 框架安装：pip install rdagent，配置GLM-V5.1作为主LLM，BAAI/bge-m3作为向量检索模型。4. 运行配置：选择fin_factor场景，设定模型为LightGBM（启用GOSS/EFB），配置前向收益标签为10日，组合为Top200多头。5. 执行迭代：启动五步循环，运行36个有效Loop，观察SOTA因子累积情况及IC变化。6. 结果验证：对比Alpha158基线与最终组合的IC（0.0699）及SOTA更新次数（11次）。

实体

RD-Agent [method]CoSTEER [method]LightGBM [model]Alpha158 [dataset]Qlib [method]GLM-V5.1 [model]DeepSeek-V3.2 [model]BAAI/bge-m3 [model]Wind A股数据库 [dataset]

查看原文 → 模型: glm-5-2-260617 分析时间: 2026-07-13

LOCAL SIMILARITY