RD-Agent框架在量化因子挖掘中的核心机制与实测表现如何？

RD-Agent框架将因子研究抽象为“假设生成→任务分解→代码实现→执行回测→反馈生成”的五步循环，实现了量化研究的自动化闭环。

在假设生成环节，系统采用双层Trace注入机制。一层为全量历史压缩版，提供研究全局视野以避免重复探索；另一层为上一轮详情展开版，包含完整日志以支持即时纠错。任务分解则将文字假设转化为包含数学公式和变量解释的结构化JSON，确保后续步骤的精确性。代码实现引擎CoSTEER通过“写代码—测试—修正”的自动调试循环，并借助成功案例库与失败修复库的向量检索增强生成（RAG），显著提升了代码生成的成功率。执行回测在隔离环境中进行，新因子与Alpha158特征合并后输入LightGBM模型，反馈环节以极宽松门槛推动渐进式进化。

实测数据显示，该框架在Wind A股数据上完成36个有效Loop，组合双周频IC从0.0621提升至0.0699，验证了AI自主挖掘因子的可行性。在LLM对比中，GLM-V5.1在代码工程能力上全面优于DeepSeek-V3.2。DeepSeek-V3.2频繁出现无限重复输出及行业截面因子编码失败，而GLM-V5.1生成的因子（如行业相对动量）成为驱动IC创新高的核心。这表明在因子挖掘场景下，模型的代码执行能力比单纯推理能力更为关键。RD-Agent虽能大幅提升效率并发现人类盲区，但仍存在运行稳定性差、过拟合风险及IC与实盘收益脱钩等劣势，宜定位为辅助研究工具。