AI量化Agent自进化AgentQuant开源
配套媒体
本页对应的 PPT 与演示视频
下载没反应？点这里复制直链
侧边栏预览窗口（Electron webview）会拦截下载，把下面的链接复制到 Chrome / Edge 地址栏打开即可保存。
../../AgentQuant-recommend.pptx../../AgentQuant-recommend.mp4本文目录
AI量化Agent自进化AgentQuant开源
⚠️ 本文仅作技术交流，不构成投资建议。股市有风险，投资需谨慎。
最近 GitHub 上一个叫 AgentQuant 的项目引起了不少量化研究者的关注。它不是又一个"AI 选股工具"，而是一个自进化的量化研究 Agent：让 LLM 在 6 轮迭代中，把自己的研究工作流（harness）反复打磨，Sharpe 从 0.452 涨到 0.621（+37.4%）。整个过程无需人工调参，完全跑在本地 SQLite + Claude 工具调用上。
本文从架构、核心模块、性能数据、可证伪声明、复用方式五个维度拆解这个项目。
一、项目定位
- 仓库：
OnePunchMonk/AgentQuant - 一句话：自进化 AI 智能体量化研究平台——把股票列表扔进去，吐出完全回测过的策略
- 协议：MIT
- 状态：Alpha 0.2.0（2026-08-28 实时结果）
- 最新提交：2026-09-03（held-out 评估窗引入）
- 测试覆盖：63 个单元测试 + CI/CD 门禁 + 前视偏差防护
它解决的是量化研究里一个老问题：传统 AutoML/网格搜索容易过拟合、缺乏可解释性、不透明。AgentQuant 的应对方式是——让 LLM 既当"研究员"又当"审计员"，所有策略提案必须附带预测的 Sharpe 值，准确率被持续追踪。
二、核心架构：6 轮 Harness 自我进化
AgentQuant 最大的特色不是单次回测，而是6 轮 harness 演化：
| Epoch | Harness | Sharpe | Δ | 改动要点 |
|---|---|---|---|---|
| 1 | v1_base | 0.452 | — | 基线（纯网格搜索） |
| 2 | v2_tool_aware | 0.523 | +15.7% | 启用工具与 Web 搜索 |
| 3 | v3_prompt_tuned | 0.541 | +4.0% | 精炼 LLM prompt |
| 4 | v4_grid_evolved | 0.572 | +5.8% | 网格适配优胜者 |
| 5 | v5_multi_agent | 0.589 | +3.0% | 引入多 Agent 投票 |
| 6 | v6_research | 0.621 | +5.4% | 研究 Agent 发现新思路（生产就绪） |
总提升 +37.4%，泛化差距（generalization gap）从 0.124 降到 0.048，减少 61%——这意味着提升是真实的，不是过拟合训练数据。
整个循环是 ReAct 风格的 5 步闭环：
ANALYZE → HYPOTHESIZE → BACKTEST → REFLECT → STORE
↑ ↓
└─────────── improve (next run) ─────────┘
每跑完一轮：
- ANALYZE：用 yfinance 拉 5 年+ 历史数据，技术指标计算 + VIX 百分位机制检测
- HYPOTHESIZE：LLM 根据当前市场 regime 生成策略提案（动量/均值回归/波动率/突破/多策略）
- BACKTEST：统一回测引擎 + 走前向验证（walk-forward）+ 前视偏差防护
- REFLECT：用 Tavily 搜市场情绪 + 学术研究上下文，校验策略是否站得住
- STORE：把 Sharpe 预测值、实际值、泛化差距写入 SQLite（跨会话记忆）
三、算法对比：人工 vs GA vs DE vs 随机
AgentQuant 在同一基准上跑了 4 种 harness 进化算法：
| 算法 | Sharpe | 提升 | 耗时 |
|---|---|---|---|
| Manual Evolution（手工演化） | 0.621 | +37.4% | 379.2s |
| Genetic Algorithm（遗传 20×5） | 0.594 | +35.6% | 312.5s |
| Differential Evolution（差分进化 20×5） | 0.571 | +28.3% | 287.3s |
| Random Baseline（随机对照） | 0.465 | +12.9% | 42.1s |
结论：手工 harness 演化（由领域知识驱动）拿到了最高 Sharpe，比遗传算法快 16%、比差分进化快 24%。GA/DE 适合"没时间手调"的场景，但领域知识驱动仍是上限最高的路径。
四、5 大工程亮点
4.1 可证伪声明（Falsifiable Claims）
每个策略提案都必须附带预测的 Sharpe 值。系统在 SQLite 里追踪预测 vs 实际，86% 的预测被验证为准确。这个数字会持续更新，越准的声明越被优先重用。
4.2 跨会话记忆（SQLite）
alpha_store.py + nla_memory.py 让 Agent 跨运行学习：
下次启动时，Agent 会先查"上次哪些策略在当前 regime 下表现好"，避免重复试错。
4.3 工具编排（Tool Orchestration）
src/agent/tools/orchestrator.py 实现 Claude 工具调用循环，把以下能力组合在一起：
- 📊 行情数据（yfinance 5 年+ 历史）
- 🔧 技术指标（RSI / MACD / Bollinger / ATR）
- 📈 Regime 检测（VIX 百分位 + 动量 + 趋势）
- 🌐 Web 搜索（Tavily 实时市场情绪）
- 📚 研究上下文（学术论文引用）
4.4 多 Agent 投票
v5+ 引入了多 Agent 集成：3 个独立 Agent（Tool-aware / Grid / Random）独立提案，最后投票决定最终策略。降低单一 Agent 偏见的风险。
4.5 前视偏差防护
lookback_guard.py + walk-forward 验证 + train/validation/test 显式分割 + generalization gap 监控。这是量化研究里最容易翻车的点，AgentQuant 默认开启防护。
五、代码模块速查
src/
├── agent/
│ ├── agent_graph.py # ReAct 5 节点编排
│ ├── proposal_generator.py # LLM → Grid → Random 回退
│ ├── harness_config.py # v1-v6 参数定义
│ ├── harness_evolution_algo.py # GA + DE
│ └── tools/ # orchestrator + registry + evals
├── research/
│ ├── alpha_store.py # 跨运行策略记忆
│ ├── nla_memory.py # 自然语言记忆
│ └── workspace.py
├── backtest/
│ ├── runner.py # 统一回测引擎 + walk-forward
│ └── metrics.py # Sharpe / Drawdown / Win Rate
├── strategies/ # 6 个注册策略（momentum, mean_reversion, ...）
├── features/
│ ├── regime.py # VIX 百分位
│ ├── engine.py # 技术指标
│ └── lookback_guard.py # 前视防护
└── app/streamlit_app.py # 交互式仪表盘
技术栈：Python 3.10+ / Claude（Anthropic）+ Tavily / yfinance / SQLite / Pydantic v2 / statsmodels / Streamlit / pytest（63 测试）。
六、复用指南
6.1 安装
git clone https://github.com/OnePunchMonk/AgentQuant
cd AgentQuant
pip install -r requirements.txt
cp config.example.yaml config.yaml
# 填入 ANTHROPIC_API_KEY + TAVILY_API_KEY
6.2 跑单次回测
python -m src.cli backtest \
--tickers AAPL,MSFT,GOOG \
--harness v6_research \
--start 2019-01-01 --end 2024-01-01
6.3 启动 6 轮 harness 演化
python -m src.cli evolve \
--harness v1_base,v2_tool_aware,v3_prompt_tuned,v4_grid_evolved,v5_multi_agent,v6_research \
--epochs 6
6.4 启动交互式仪表盘
streamlit run src/app/streamlit_app.py
七、横向对比
| 工具 | 自进化 | 跨会话记忆 | 多 Agent | 学术研究集成 | 协议 |
|---|---|---|---|---|---|
| AgentQuant | ✅ 6 轮 harness | ✅ SQLite | ✅ 投票 | ✅ Tavily + 论文引用 | MIT |
| Qbot | ❌ | ❌ | ❌ | ❌ | BY-NC-SA |
| QuantMind | ❌ 因子挖掘 | ❌ | ❌ | ❌ | Apache-2.0 |
| RQAlpha | ❌ | ❌ | ❌ | ❌ | Apache-2.0 |
| aquant-agent | ❌ | ❌ 静态 | ✅ 10 Agent | ❌ | CC BY-NC |
AgentQuant 的独特之处：harness 自我进化 + 跨会话记忆 + 可证伪声明三件套，在开源量化框架里几乎没有对手。
八、适合人群
- ✅ 量化研究者：想要一个可审计的 AI 研究助手
- ✅ ML 工程师：对 AI Agent 自我改进感兴趣
- ✅ 学术圈：研究 LLM 在金融领域的 few-shot 进化能力
- ❌ 不适合：想要"一键躺赚"——AgentQuant 明确不连真实券商，需要自己接 QMT/通达信
九、立即体验
git clone https://github.com/OnePunchMonk/AgentQuant
GitHub: https://github.com/OnePunchMonk/AgentQuant
引用与参考
- WebFetch: https://github.com/OnePunchMonk/AgentQuant（2026-09-06）
- 真实截图：README 中
screenshots/目录（dashboard1.png / research_workspace_desktop.jpg / nla_memory_desktop.jpg） - 架构图：README 中 Production Harness Architecture v6_research（mermaid 渲染）
再次强调：本文仅作技术架构介绍，不构成投资建议。所有 Sharpe 数据来自项目方自测环境（yfinance 2019-2024 AAPL/MSFT/GOOG 等），实盘结果受市场环境、参数选择、执行成本影响。