聚焦Agent专题报告,RD-Agent实测:AI驱动的因子挖掘框架。假设生成依靠双层 Trace 注入,兼顾研究全局视野与即时纠错;代码实现引擎 CoSTEER 以最多 10 轮“写代码—测试—修正”自动调试,并借助成功案例库与失败修复库两个向量知识库做 RAG 检索,显著提升首次生成成功率;执行回测在隔离 Conda 环境中逐因子运行,与Alpha158 的 158 个量价特征合并送入 LightGBM;反馈环节以极宽松门槛(IC的任何微小提升)推动渐进式进化。核心优势在于因子研究效率显著提升(预估有效因子产出约 900 个/月)、自动发现人类盲区、累积式学习、完整的实验溯源与多数据源整合能力;劣势在于运行稳定性差、LLM 代码质量不稳定、IC优化目标与实盘收益脱钩、对 A 股特殊机制与前视偏差等细节把握不足。
聚焦Agent专题报告,RD-Agent实测:AI驱动的因子挖掘框架。假设生成依靠双层 Trace 注入,兼顾研究全局视野与即时纠错;代码实现引擎 CoSTEER 以最多 10 轮“写代码—测试—修正”自动调试,并借助成功案例库与失败修复库两个向量知识库做 RAG 检索,显著提升首次生成成功率;执行回测在隔离 Conda 环境中逐因子运行,与Alpha158 的 158 个量价特征合并送入 LightGBM;反馈环节以极宽松门槛(IC的任何微小提升)推动渐进式进化。核心优势在于因子研究效率显著提升(预估有效因子产出约 900 个/月)、自动发现人类盲区、累积式学习、完整的实验溯源与多数据源整合能力;劣势在于运行稳定性差、LLM 代码质量不稳定、IC优化目标与实盘收益脱钩、对 A 股特殊机制与前视偏差等细节把握不足。
聚焦Agent专题报告,RD-Agent实测:AI驱动的因子挖掘框架。假设生成依靠双层 Trace 注入,兼顾研究全局视野与即时纠错;代码实现引擎 CoSTEER 以最多 10 轮“写代码—测试—修正”自动调试,并借助成功案例库与失败修复库两个向量知识库做 RAG 检索,显著提升首次生成成功率;执行回测在隔离 Conda 环境中逐因子运行,与Alpha158 的 158 个量价特征合并送入 LightGBM;反馈环节以极宽松门槛(IC的任何微小提升)推动渐进式进化。核心优势在于因子研究效率显著提升(预估有效因子产出约 900 个/月)、自动发现人类盲区、累积式学习、完整的实验溯源与多数据源整合能力;劣势在于运行稳定性差、LLM 代码质量不稳定、IC优化目标与实盘收益脱钩、对 A 股特殊机制与前视偏差等细节把握不足。核心数据:核心优势在于因子研究效率显著提升(预估有效因子产出约 900 个/月)、自动发现人类盲区、累积式学习、完整的实验溯源与多数据源整合能力;实测共完成 36 个有效 Loop,组合双周频 IC 提升至 0.07,AI 自主挖掘因子的可行性得到验证。
本报告由国联民生证券发布,发布于 2026 年。
覆盖 2026 年,全文共 23 页。
本报告为付费报告,可在资料宝站内下单后获取完整内容。
适合战略规划、产品经理、行业研究员等读者参考。
重点分析了AI、Agent专题报告、RD、Agent实测等议题。