普林斯顿、蚂蚁集团和斯坦福大学推出AQuA：用于量化金融的自主因子发现双智能体框架

问题背景

量化研究代理如果自行编写实验，可能会破坏其后续学习所使用的证据。一个性能良好的漏特征会被存储为成功案例，并在后续迭代中传播。自Bailey等人以来的文献已经记录了因微小方法论错误导致不可复现回测的问题。

提示层面的指令和模型审查并不能构成完整性边界。重复访问固定验证集会引发适应性过拟合，LLM代理已被观察到会利用错误指定的目标函数。

AQuA架构：双部分设计

第一部分：六智能体管道

AQuA由六个专门化智能体组成，由AI经理编排：

  1. 数据管家（Data Steward）：管理和验证数据质量
  2. 视觉分析师（Visual Analyst）：识别数据中的模式和异常
  3. 创意挖掘者（Idea Miner）：从文献和市场中发现潜在因子
  4. 因子评估者（Factor Evaluator）：评估因子的统计显著性
  5. 回测工程师（Backtest Engineer）：构建和运行回测框架
  6. 研究档案员（Research Librarian）：管理研究历史和避免重复

关键设计原则：智能体之间不直接调用，每个因子提案必须通过严格的验证流程。

第二部分：预测模型开发

第二部分针对美股日内预测，训练数据为2010-2019年，2020年为隔离期，2021-2025年为测试集。预测器采用混合架构：多尺度1D CNN结合注意力机制。

核心创新

因子以可证伪假设的形式进入系统，而非表达式：提出假设、机制、预期方向和反驳条件。只有通过这些审查后，才会组装成标准公式运算符。

性能表现

在加密货币5分钟级别数据集上，组合验证的Spearman IC在20个研究周期后达到约0.190，优于：

  • 适配版AlphaMemo：0.171
  • 适配版AlphaGen：0.151
  • 其他基线模型

技术意义

AQuA解决了量化研究中重复性危机和过拟合问题，通过严格的分离验证机制确保研究成果的可信度。



本文源自「MarkTechPost」