量化研究 Agent：因子实验与模拟验证

想试试 AI 能不能帮忙做因子研究，就搭了这么个东西：AI 负责理解问题、找证据、想新因子，统计和记账交给传统的量化引擎，最后用不用由我拍板。它只在模拟盘上跑过，没碰过真钱。

分工

统计、结算、边界检查全交给确定性的引擎。Agent 负责弄明白你想研究什么、去查哪些数据、把证据综合起来写成说明，账本它是碰不到的。

LangGraph 里四个节点：

节点	干什么
主管	先用规则解析出你想干嘛
研究员	从四个来源找证据，按学出来的权重综合
策略	网格调参、稳健性检查，写策略说明
风控	对着约束做硬检查

每个节点的说明都会显示在页面上：为什么这么理解意图、证据怎么看、约束对得上对不上。

结果

AI 生成的因子，赢了我挑的 11 个经典因子。 对照组是 Alpha158 里的 11 个量价因子，用同一个引擎重新实现，看的是时序 Spearman IC。注意这不是 Qlib 原版的横截面 RankIC，也不是和 Alpha158 全集比。

两条选股路子挑出来的股票几乎不重合。 机器学习打分和规则选股的 Top500 只重合了 5% 左右，说明两边看的东西很不一样。本来想把两条路融合起来，但后面的数据撑不起来，就没上。

不让 AI 乱来

模型的输出先过字段检查、把同义词统一，再往下游走；哪个节点挂了就降级，并记下原因。同一个问题在缓存有效期里可以直接回放，不用再花钱调一次模型。

自主研究模式能查行情、因子库、历史洞察、文本信号和热门榜，但这些工具都只能查，没有一个能下单或改配置。

AI 写的因子表达式是个字符串，交给 AST 白名单去算，只认规定好的字段、函数和运算符，不执行任意 Python。测试里塞了个 __import__('os')，直接被拒。

嘴上说的和手上做的要对得上

决策和风控共用一个检查器，盯三种情况：

• 说明里自己承认证据不够，却还给了买卖建议：改成观望。
• 说趋势向上，动作却是卖：拦下来。
• 论证挺乐观，却一直观望：记一笔「偏保守」，回头看看。

有一次风控说基本面背离、样本太少，系统就把模拟信号从买入改成了观望，并记下了原因。

因子怎么来、怎么走

AI 先写候选表达式，从全市场随机抽 120 只股票逐只评估（固定随机种子，方便复现），再按指标自动分级：

1. 「可用」：IC 绝对值的均值够高，方向一致。
2. 「精选」：再过一遍回测，和基准比。
3. 精选的进待加入区，我看过才转正；已经转正的，自动流程不能自己撤。

转正之后也盯着：近 60 天 IC 掉得厉害、近一年回测变差，就标成待取消，再让 AI 写一份为什么失效的分析。负向因子可以反过来再测一次。

调教 Agent

每个 Agent 的职责和输出格式不变，调的是附加的「打法倾向」，一开始每个配两条。

流程是：训练账本 → 固定规则算出建议 → 带数字依据的建议 → 我手动应用 → 再训练看效果。怎么改规则不让模型自己决定，所以每条建议都能追到出处。

还没做的

原计划要连续跑一两个月模拟盘，还没跑完。组合优化、风险模型、行业市值中性化这些都还没做，数据也只有 A 股日线量价。说到底它是个研究玩具，别拿它炒股。