一、为什么需要「研发自动化」

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。

📌 核心价值：用多智能体把「提出假设 → 写代码 → 回测 → 迭代」的量化研发链路自动化

微软开源的 RD-Agent，把研究员最重的「想因子、写实现、跑验证」循环，交给 LLM 驱动的 Agent 闭环去完成。

RD-Agent 封面

做量化研究，最重的永远是两件事：想因子、写实现。前者靠经验与灵感，后者靠工程与调参，二者循环往复。微软开源的 RD-Agent 想解决的，正是把这条研发链路用多智能体系统尽可能自动化。它不是一个「给买卖点」的工具，而是一套 R&D 自动化引擎：R 负责提出并演化研究想法，D 负责把想法落成可运行代码，二者在反馈中持续进化。

在量化金融场景里，它被命名为 RD-Agent(Q)，定位为「数据驱动的量化多智能体框架」，也是业界首个以数据为中心、自动化因子与模型联合优化的多智能体研发框架。

核心定位：让 AI 接管量化研发中最有价值的环节——数据构建与模型迭代，而不是替代人的投资决策。

传统量化策略研发高度人工：研究员读论文、看财报，手动构造因子，再写回测脚本验证，效果不好就推倒重来。整个过程知识密集、重复劳动多、可复现性差。

RD-Agent 的核心假设是：研发中最有价值的环节（因子构建与模型迭代）可以被 AI Agent 接管。它把「研究者」拆成两个角色——

Research Agent（R）：基于历史结果和外部材料，提出新的研究假设（新因子、新模型结构）；
Development Agent（D）：把假设实现成代码、跑实验、产出结构化反馈。

两者构成闭环，每一轮都基于上一轮的实证结果做调整，而不是凭空拍脑袋。在量化场景下，RD-Agent(Q) 进一步把因子与模型拆成两条可独立、也可协同演化的回路。

RD-Agent 总架构

二、RD-Agent(Q)：因子与模型的协同优化

RD-Agent(Q) 的关键机制是 因子–模型交替优化（alternating factor–model optimization）。它提供三种粒度，让你按需选择：

rdagent fin_quant     # 因子与模型联合演化（量化研发全栈自动化）
rdagent fin_factor    # 仅迭代因子演化
rdagent fin_model     # 仅迭代模型演化

也就是说，你可以让它只挖因子、只调模型，或者让二者互相驱动、共同进化。框架还支持 人在回路（human-in-the-loop）：可以喂入真实财报研报，让 Agent 自动读取并提取成可实现的因子。

# 从财报研报批量提取并实现因子
wget https://github.com/SunsetWolf/rdagent_resource/releases/download/reports/all_reports.zip
unzip all_reports.zip -d git_ignore_folder/reports
rdagent fin_factor_report --report-folder=git_ignore_folder/reports

RD-Agent(Q) 量化框架

论文（NeurIPS 2025，arXiv 2505.15155）在真实市场做了实证：相比经典因子库 Alpha158，RD-Agent(Q) 在更少因子的前提下，年化回报约为其 2 倍，因子用量减少 70% 以上，且单次完整研发成本可控制在 10 美元以内。这里强调的是「研发效率」与「可解释性」，而非任何形式的确定性预测。

三、技术架构：R 与 D 如何协作

在量化场景下，RD-Agent(Q) 把研发拆成五个紧密耦合的功能单元，在统一接口下持续迭代：

Specification（规范单元）：统一数据接口、输出格式与回测环境（基于 Qlib），降低歧义；
Synthesis（综合单元）：维护「想法森林」，基于历史实验持续生成新假设；
Implementation（实现单元）：由代码生成代理 Co-STEER 把假设翻译成可执行 Python；
Validation（验证单元）：在 Qlib 中做真实市场回测，过滤高信号、低冗余的因子；
Analysis（分析单元）：用多臂老虎机（Thompson 采样）自适应决定下一步优先优化因子还是模型。

RD-Agent 框架图

几个工程要点值得关注：

统一 LLM 后端：基于 LiteLLM，可接入 GPT、Claude、Gemini、DeepSeek、Qwen 等多家模型，不绑定单一供应商；
场景化封装：把通用 R&D 循环沉淀为量化金融、Kaggle 数据科学、LLM 微调、强化学习后训练等多个「Scenario」，开箱即用；
可观测：提供 rdagent ui 监控面板与 rdagent server_ui Web 界面，实时查看每一轮 Agent 的思考轨迹与实验日志；
可复现：每一轮假设、代码、指标都被记录，便于回溯与审计。

聚焦场景示意

四、快速上手

安装与配置

# 建议使用独立 conda 环境
conda create -n rdagent python=3.10
conda activate rdagent

# 安装
pip install rdagent

RD-Agent 需要配置一个 LLM 后端（它自己不产生推理能力）。在 .env 中通过 LiteLLM 指定即可：

# .env 示例（仅配置其一）
OPENAI_API_KEY=sk-xxx
# 或使用兼容端点
LITELLM_BASE_URL=https://your-proxy/v1
LITELLM_API_KEY=sk-xxx
LITELLM_MODEL=gpt-4o

注意：RD-Agent 是研发辅助框架，需自备 LLM API Key 并自行承担调用成本；它不直接执行实盘交易，也不提供任何买卖建议。

跑通一个量化场景

# 启动量化全栈研发（因子+模型联合演化）
rdagent fin_quant

底层回测由 Qlib 驱动，关键配置（CSI300 为例）长这样：

# qlib 回测配置节选
provider_uri: ~/.qlib/qlib_data/cn_data   # A股数据
market: csi300
benchmark: SH000300
strategy:
  class: TopkDropoutStrategy
  kwargs:
    topk: 50
    n_drop: 5
metric:   # 评估指标
  - IC
  - ICIR
  - ARR        # 年化回报
  - MDD        # 最大回撤

回测区间通常按时间切分以防数据泄漏：训练 2008–2014、验证 2015–2016、测试 2017–2020-08。数据区域默认支持 cn（沪深300、中证500），论文中还做了跨市场的纳斯达克100对照实验。

Web 监控界面演示