开源量化评论（129）：AI赋能投研体系：因子挖掘篇.docxVIP

1

金融工程专题

2026年09月13日AI赋能投研体系：因子挖掘篇

金融工程研究团队——开源量化评论（129）

金融工程专题l传统因子研发链条较长，AIAgent推动研究流程自动化

金融工程专题

高传统因子研发通常需要依次完成研究假设、代码实现、回测验证和结果分析，流程较长，实验效率容易受到研究员时间与经验的约束。机器学习和深度学习拓展了非线性特征的挖掘空间，但多数方法仍在预先设定的数据和模型框架内优化，难以自主组织完整的研究流程。

高

随着大语言模型推理、代码生成和工具调用能力提升，AIAgent可以根据历史实验提出因子假设，调用工具完成代码执行与回测，并依据结果继续调整研究方向。其主要价值在于扩大研究覆盖范围、提高实验迭代效率，将因子研究由单点辅助推进到流程自动化。

l因子挖掘框架由流程闭环逐步扩展至多轨迹演化

本文按照论文首次公开时间梳理AlphaAgent、RD-Agent和QuantaAlpha三个代表性开源框架，比较其研究假设生成、因子实现、回测反馈和搜索机制等方面的差异。

AlphaAgent以IdeaAgent、FactorAgent和EvalAgent组织因子构思、表达式生成与效果评价，并通过模型调