清华FactorMiner自进化AI Agent架构解析：量化因子发现与经验记忆系统

在量化投资领域，Alpha因子的发现始终是一项核心但极具挑战性的任务。无论是股票多因子模型、统计套利，还是高频交易策略，能够持续发现新的有效信号，往往决定了一家量化机构的竞争力。

然而随着时间推移，因子库不断扩张，新的Alpha信号变得越来越难以发现。大量候选因子之间高度相关，真正能够提供新增信息的信号越来越稀缺，这种现象在业内常被称为 “Correlation Red Sea”。

近期，来自清华大学等机构的研究者提出了一套新的解决方案——FactorMiner。这是一种具备技能模块与经验记忆的自进化AI Agent系统，其目标是自动发现新的公式化Alpha因子，并在探索过程中不断积累经验、优化搜索策略。

量化因子发现为何越来越困难？

在传统量化研究流程中，Alpha因子的构建通常依赖研究员的金融直觉与经验。例如经典文献中提出的 Alpha101 或 Alpha191 因子库，都是人工设计的公式信号。

这种公式化因子具有重要优势：

• 逻辑透明，可审计
• 便于风险控制与监管合规
• 在不同市场环境下具备较强可解释性

但当研究规模扩大时，问题也逐渐出现。

首先是搜索空间极其庞大。一个因子通常由多个运算符组合而成，例如：

• 时间序列算子（TsRank、Delta）
• 横截面算子（CsRank）
• 统计算子（Std、Skew、Kurtosis）
• 价格与成交量函数

当这些算子进行组合时，可能形成的表达式数量呈指数级增长。

其次是知识无法积累。传统自动化搜索方法，例如遗传算法或强化学习，往往每次都从零开始探索，无法记住过去哪些方向成功、哪些方向失败。随着因子库扩大，系统很容易不断重复探索相似结构。

第三个问题是因子相关性约束。
在实际投资中，单个因子的质量并不足够，因子之间必须保持较低相关性。论文将这一问题形式化为：

其中：

• $L^*$：优化后的因子库
• $\Phi(\alpha)$：因子质量
• $\rho(\alpha_i, \alpha_j)$：因子相关性

随着因子数量增加，可行搜索空间迅速缩小，这就是所谓的 Correlation Red Sea。

FactorMiner 的核心思路

为了解决上述问题，研究者提出了一种新的 AI Agent 架构：FactorMiner。

其核心思想是：

让AI不仅能够生成因子，还能够在长期探索过程中积累经验，并利用这些经验不断优化未来的搜索方向。

系统由三个关键组件组成：

1. Agent Skill（因子挖掘技能模块）
2. Experience Memory（经验记忆模块）
3. Ralph Loop（自进化循环机制）

这三个部分共同构成了一个可以持续进化的因子发现系统。

因子挖掘技能模块

FactorMiner首先将因子挖掘过程封装为一个可调用的技能模块（Agent Skill）。

这一设计借鉴了近年来AI Agent系统的工具调用思想：语言模型负责推理与规划，而具体计算任务由外部模块执行。

在FactorMiner中，技能模块主要包含两个层级。

因子算子库

系统构建了一套包含 60多个金融算子 的运算库，例如TsRank、Rsquare、Delta、Skew、CorrEMA等。

这些算子被GPU加速实现，以支持大规模计算。

LLM Agent生成的因子表达式，都会基于这套算子库构建，因此保证所有候选因子都是可执行的数学程序。

多阶段因子验证流程

为了确保因子质量，系统设计了一套严格的评估流程。

整个流程包含四个阶段：

Stage 1 快速IC筛选
首先在较小资产子集上计算IC：

即因子信号与未来收益之间的Spearman相关系数。
只有满足阈值条件的因子才会进入下一阶段。

Stage 2 因子相关性检测
计算候选因子与已有因子的相关性：
如果相关性过高，则会被拒绝。

Stage 3 批量去重
即使通过前两轮筛选，同一批生成的因子之间仍可能高度相似，因此系统还会进行批内去重处理。

Stage 4 完整验证
最终阶段在完整数据集上进行全资产测试、稳健性分析和Out-of-sample验证，只有通过所有测试的因子，才会被纳入因子库。

经验记忆模块

FactorMiner最具创新性的部分，是其Experience Memory（经验记忆）机制。

这一模块会在每轮因子挖掘后总结经验，并存入长期记忆库。
记忆内容主要分为三类。

成功模式

系统会总结哪些结构经常成功，例如：

• 高阶统计量因子（Skew / Kurtosis）
• 趋势回归指标（R² / Slope）
• 成交额效率因子
  这些被记录为 Recommended Directions。

失败区域

如果某类因子长期因高相关性被拒绝，系统会将其标记为 Forbidden Regions
例如：

• 简单VWAP偏离
• 标准化收益因子
• 过度重复的价格动量结构
  未来生成因子时，系统会主动避免这些区域。

策略级经验

系统还会记录更高层次的经验，例如：

• 非线性因子组合效果优于线性组合
• 高频数据中高阶矩不稳定
  这些信息会影响未来的搜索策略。

Ralph Loop 自进化循环

FactorMiner的核心运行机制被称为 Ralph Loop。

整个流程可以概括为五个步骤：
1. 记忆检索 ：系统从经验库中检索相关模式。
2. 因子生成：LLM根据记忆提示生成候选因子。
3. 多阶段评估：候选因子进入验证流程。
4. 因子库更新：通过验证的因子被加入库中。
5. 经验蒸馏：本轮探索结果被总结并写入记忆库。

这一循环不断重复，使系统具备持续学习能力：

每一次因子挖掘，都会让未来的搜索更加高效。

实验分析

实验设置

论文在两个市场进行了实验验证：
A股市场: 使用10分钟频率数据，包括CSI500， CSI1000， HS300。数据规模超过 2500万条记录。
加密货币市场： 使用Binance交易所 64个主流资产 的10分钟数据。

预测目标为：未来10分钟开盘到收盘的价格变化率。
训练数据为 2024年全年，测试数据为 2025年。

实验结果

实验中，FactorMiner与多种方法进行了对比，结果显示：

FactorMiner能够构建出110个高质量Alpha因子库。

这些因子具有两个重要特点：
一是预测能力稳定，在IC与ICIR指标上表现优于多个基线方法。
二是因子之间相关性较低，相关性矩阵显示，大部分因子之间只有弱到中等相关关系，说明系统能够持续发现新的信息来源。

研究启发

FactorMiner的意义不仅在于提出一个新的因子挖掘工具，更重要的是展示了一种新的研究范式。

过去的自动化因子搜索通常具有三个特点：

• 每次搜索相互独立
• 缺乏长期经验
• 因子生成与评估高度耦合

FactorMiner则引入了三个新的思想：
长期经验积累，系统会记住哪些结构有效。
技能模块化，复杂计算由专用模块执行。
自进化探索，Agent在探索过程中不断改进策略。

近年来，AI Agent正在从简单的文本生成工具，逐渐发展为能够执行复杂研究任务的系统。

在量化投资领域，这种趋势尤为明显。FactorMiner展示了这种方向的一种早期形态。

当AI开始“学习如何寻找Alpha”，量化研究本身也正在进入新的阶段。

随着AI Agent技术进一步发展，自动化Alpha研究系统可能成为未来量化机构的重要基础设施。对这类融合了 人工智能 与专业领域知识的前沿探索，也是 云栈社区 上开发者们持续关注和交流的焦点。