微软开源量化因子自动挖掘框架拆解

本文仅作技术交流，不构成投资建议。市场有风险，研究需谨慎。

做量化研究的人大多逃不开两件事：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，是研究员最重的负担。微软开源的 RD-Agent 想解决的，正是把这条「提出假设 → 编码实现 → 回测验证 → 迭代演化」的研发链路，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」。

一、为什么需要「研发自动化」

传统量化策略研发是高度人工的：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（数据构建与模型迭代）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。

RD-Agent 总架构

二、RD-Agent(Q)：因子与模型的协同优化

在量化场景下，RD-Agent(Q) 的关键机制是 因子–模型交替优化（alternating factor–model optimization）。它提供了三种粒度：

rdagent fin_quant     # 因子与模型联合演化（自动量化交易全栈研发）
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

三、技术架构：R 与 D 如何协作

整体框架由「假设生成」与「假设实现」两大回路组成，外层再套一层评估与演化调度。

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：把通用的 R&D 循环沉淀为 Kaggle 数据科学、量化金融、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

官方要求 Linux 环境 + Docker，建议用 Conda 隔离：

conda create -n rdagent python=3.10
conda activate rdagent

# 用户安装（PyPI）
pip install rdagent

# 开发者安装（源码）
git clone https://github.com/microsoft/RD-Agent
cd RD-Agent
make dev

# 健康检查
rdagent health_check

配置模型只需一个 .env：

cat << EOF  > .env
CHAT_MODEL=gpt-4o
EMBEDDING_MODEL=text-embedding-3-small
OPENAI_API_BASE=<your_unified_api_base>
OPENAI_API_KEY=<replace_with_your_key>
EOF

启动监控界面查看研发过程：

rdagent ui --port 19899 --log-dir log/ --data-science

演示界面

五、核心能力一览

能力模块	技术实现	工程价值
R&D 双回路	Research 提假设 + Development 落代码	研发链路端到端自动化
因子–模型协同	交替优化循环	因子与模型互相驱动进化
多场景封装	Quant / Kaggle / FT / AutoRL	一套内核多领域复用
多模型后端	LiteLLM 统一接入	不绑定单一大模型厂商
人在回路	财报研报自动提取因子	融合人类领域知识
全链路可观测	UI + Web 面板 + 日志	过程可回溯、可审计

六、与同类框架的差异

对比维度	RD-Agent(Q)	Qlib	TradingAgents
核心定位	R&D 全流程自动化引擎	量化机器学习平台	多智能体投研辩论
自动化层级	假设生成到代码实现	因子/模型训练管线	分析到决策建议
因子来源	Agent 演化 + 研报提取	用户定义为主	不直接产出因子
模型后端	LiteLLM 多厂商	自研训练栈	LLM 推理
人在回路	支持研报注入	弱	弱
开源协议	MIT	MIT	Apache-2.0

七、它适合谁

✅ 量化研究员 / 私募投研团队：把重复性因子构造与基线实验交给 Agent，把人力投向策略逻辑与风控；
✅ 数据科学团队：Kaggle、特征工程、模型选型等场景同样适用；
✅ 高校研究者：可复现、有论文支撑（arXiv 2505.15155），适合做实验平台；
❌ 不适合：期望「输入代码、直接给出交易指令」的用户——它的产出是研究过程与可验证假设，而非投资建议。

八、小结

RD-Agent 的价值不在于「预测」，而在于把高价值的研发劳动结构化、自动化。它用 R/D 双智能体闭环替代「人大脑想、人手敲」的串行模式，并借助因子–模型协同优化与人在回路，保留人类领域知识的注入通道。对于想把 AI 真正用进量化研究流程、而非停留在对话层面的团队，这是一个值得研究的开源底座。

再次声明：本文仅介绍工具的技术原理与使用方式，不构成任何投资建议。量化研究本身存在模型失效、过拟合与实盘偏差等风险，请独立判断、谨慎验证。

项目信息：microsoft/RD-Agent，MIT 协议，Python 实现，GitHub 14k+ Stars。

配套媒体