AI 量化交易：把灵感变成可复算实验

结论：让 Agent 自动做实验，不要让它自动决定真相

AI 量化最有价值的环节是研究自动化：把自然语言问题转成候选因子、实现代码、运行实验、读取失败、再提出下一轮改进。每个实验都必须由固定数据、固定指标和可执行代码定义，模型的解释不能覆盖原始结果。 如果 Agent 能随意改样本、指标和策略，再依据新结果宣布成功，就会产生自动化过拟合。正确做法是把可修改范围写进实验合同，并把最终测试集、交易权限和资金限额放在 Agent 无法修改的外部控制面。

七个阶段缺一不可

量化交易的价值来自可复现流程，不来自某个模型的一次判断。七个阶段逐步缩小不确定性，并把研究权限与真实执行权限分开。

RD-Agent 展示的是研究迭代，不是收益保证

RD-Agent 试图自动完成假设、代码、实验与反馈循环，并可使用 Qlib 作为金融研发场景。官方演示有助于理解自动研究界面，但当前证据只确认源码配置入口，尚未完成项目自身真实模型调用，因此本文不把它写成已接通的生产系统。

模型入口和实验执行器必须分开

聊天模型负责提出修改和阅读日志，代码执行器负责在隔离环境运行；数据版本与指标定义由外部控制。即使模型服务切换，实验 ID、数据哈希和代码提交也应保持可追踪。

因子生成要先定义信息可用时间

一个“利润增长”因子不是拿利润字段除一下就结束。系统要知道报告期、公告日、修订日、交易日和当时是否可获得。新闻和研报也要区分事件发生时间与抓取时间。任何在决策时尚不可见的信息都不能进入特征。 Agent 生成代码后，自动测试应覆盖缺失值、停牌、复权、极端值、行业中性化与窗口边界。模型可以解释为什么要这样处理，但真正的验收来自确定性测试。

回测报告至少同时看收益和可交易性

高夏普或高累计收益不自动代表可交易。低频策略可能受财报时间处理影响，高频策略可能被延迟和滑点吞掉。模型应协助发现异常，而不是只为结果写解释。

• 相对基准收益、最大回撤、波动、换手和交易成本。
• 不同年份、牛熊阶段、行业和市值分组的稳定性。
• 信号产生时间、订单时间、成交规则和容量假设。
• 做过多少次试验，以及最终结果是否保留独立测试集。

成本控制从限制研究循环开始

一次任务成本 = 输入 token × 输入单价 + 输出 token × 输出单价 + 缓存读写费用 + 外部数据费用。模型价格和实际 token 只从当前模型目录与控制台调用日志读取，不在文章里复制一份会过时的数字。 自动研究会把一次问题扩展成多轮代码生成、运行、报错和总结。应设置每个假设的最大轮数、最大 token、最大执行时间和停止条件；把重复数据描述缓存，把完整日志保存在外部存储，只把当前需要的错误片段送回模型。

故障恢复必须以实验为单位

网络超时、依赖安装失败、代码运行超限和数据源缺失都应让当前实验进入明确失败态。重试必须复用 experiment_id，并区分“模型没有回复”和“代码运行失败”，避免重复记账或把两次结果拼成一次成功。 真正上线前，调度器还要支持暂停、取消、最大并发、资源配额和人工审批。执行层失败应默认不下单，不能让模型根据自然语言猜测是否继续。

常见问题