AQuA：让量化研究 Agent 持续进化，也让回测结果经得起检验

量化研究员看到一条异常漂亮的回测曲线，通常不会马上庆祝。他们更可能先问：是不是哪里用了未来数据？测试集有没有被反复查看？收益是否只来自一段特殊行情？

这套职业习惯背后，是量化研究最朴素的一条经验：产生一个好结果并不难，证明它值得相信才难。

当 Agent 开始自己提出假设、运行实验，再根据结果决定下一步时，这个问题变得更加棘手。一次没有被发现的数据泄漏，可能被系统当成成功经验保存下来；从那以后，Agent 不是在持续进步，而是在沿着一个错误结论越走越远。

来自普林斯顿大学、蚂蚁集团和斯坦福大学的研究团队，在论文《AQuA: Recursively Self-Improving Quantitative Trading Research Agents》中，把研究重点放在了这里。

AQuA 由两套独立系统组成：Part I 研究符号化因子，Part II 研究可训练模型。它们使用不同的 Agent、记忆和候选空间，却遵循相同的研究原则——让通过验证的实验进入下一轮决策，同时把数据路径和评价规则留在循环之外。

在实验中，Part I 在加密资产五分钟级数据上得到约 0.190 的组合验证集 Spearman IC；Part II 在美股未来 30 分钟收益预测上取得 +0.0843 的逐股票 IC，转化后的多空策略在计入双边换手成本后，样本外 Sharpe 最高达到 +2.50。2021—2025 年间，策略每年的 Sharpe 都为正。

图 1：AQuA 总体框架。因子发现与模型研发各自完成“提出假设—构建—评估—验证—选择”的循环，并独立更新研究记忆。

论文：AQuA: Recursively Self-Improving Quantitative Trading Research Agents

作者：Jiacheng Guo、Suozhi Huang、Yunlong Gao、Zihao Li、Jason Ge、Xu Kuang、Mengdi Wang

机构：Princeton University、Ant Group、Stanford University

链接：https://arxiv.org/abs/2608.12841

01 让实验成为下一次研究的依据

AQuA 所说的 recursive self-improvement 不涉及底层模型权重，变化发生在研究过程。

一次实验开始前，系统先形成可检验的假设。因子研究需要写清经济机制、预测方向和证伪条件；模型研究则把想法落成一次配置修改。实验结束后，系统保存的也不只是 IC 或 Sharpe，还包括候选为什么被提出、在哪些市场状态下成立、与哪些简单基线重复，以及什么证据推翻了最初判断。

下一轮研究由这些记录出发。已经多次失败的机制不会仅仅换个表述再次出现；方向判断错误但仍有预测力的信号，可以在校准后保留；只在个别事件中有效的结果，也会带着适用条件进入记忆。

它和给 Agent 增加一个长期记忆模块有明显区别。记忆能否提高研究质量，取决于其中保存的证据是否可靠。如果一次有泄漏的实验被写成“有效”，更长的记忆只会让错误传播得更远。

因此，AQuA 把两个经常混在一起的问题拆开处理：Agent 可以根据过去的结果改变研究方向，但它不能同时改变产生这些结果的数据和评分方法。研究可以持续适应，判断研究成败的依据保持稳定。

Agent 的能力因而不只体现在一次能提出多少候选，还要看它能否把前一次实验转化为下一次研究真正可用的证据。

02 一个漂亮的错误，改变了系统的设计

AQuA 并非一开始就采用现在的受限架构。论文附录记录了一次早期失败：当时，Agent 可以直接编写特征代码，另一个 Agent 负责检查前视偏差。

实验中的候选特征是“盘中成交量参与率”，也就是从开盘到当前时刻的累计成交量，相对于日成交量的比例。按照文字描述，它似乎只依赖已经发生的交易，审查 Agent 也据此放行。

但代码里的分母不是截至当前时刻得到的历史估计，而是当天从开盘到收盘的总成交量。中午计算特征时，下午尚未发生的成交量已经进入分母。另一个多时间尺度版本也有类似问题：日线分支汇总了当天全部分钟数据，却被盘中时刻直接读取。

泄漏带来了远高于常规价量特征的 held-out IC。重新划分评估窗口后，效果没有保留下来，研究人员沿着特征的数据依赖逐项检查，才定位到这个全日成交量分母。

这里值得留意的，不是 Agent 犯了一个编码错误，而是两个 Agent 都没有发现它。作者 Agent 和审查 Agent 对特征的经济含义理解一致，也都认为它只使用了历史信息；问题藏在程序实际访问的时间戳里。

这次失败使团队放弃了“再增加一道模型审查”的思路。语义上的合理解释，无法替代对数据路径的约束。如果可靠性依赖 Agent 每一次都作出正确判断，系统运行得越久，出现疏漏只是时间问题。

现在的 AQuA 不再允许 Agent 任意编写特征和实验代码。系统预先登记可以使用的因果算子和模型组件，Agent 只能在这个范围内组合表达式或提交配置差分。当天最终成交量不在可用字段中，上述特征也就没有机会进入实验。

论文选择完整披露这次失败，也让 AQuA 的设计逻辑更容易理解：今天看到的架构不是为形式上的完整而增加的模块，而是从一次真实的研究事故中倒推出来的。

03 自主研究需要两种隔离

量化研究中的泄漏并不只发生在特征生成阶段。即使每项实验都严格遵守时间因果，只要 Agent 能反复查看最终测试集，它仍会在大量尝试中逐渐适应这段数据。

AQuA 因而区分了两个入口。

第一个入口来自生成过程。特征、标签、归一化或数据变换一旦能够访问预测时点之后的信息，实验从一开始就失去了意义。AQuA 在自主循环启动前固定数据切分、特征、标签和评价器。Part I 只能组合登记过的时间序列与截面算子；Part II 只能修改模型结构、损失函数、采样器和优化器等配置。模型可以选择研究方案，却不能改写数据加载器和评价逻辑。

第二个入口来自选择过程。搜索阶段只向 Agent 返回预先确定的验证集分数，用于候选排序、早停和 checkpoint 选择。最终测试窗口在配置确定后才运行，而且结果不会返回给 Agent 继续调参。Part II 中，2010—2019 年用于训练，2020 年被留作隔离带，2021—2025 年才是最终测试窗口。

前一种隔离关注“候选是怎样生成的”，后一种隔离关注“候选是怎样被选中的”。二者缺一不可。一个完全因果的模型，也可能因为看了太多次测试成绩而过拟合；一个从未见过测试集的 Agent，也可能在构造特征时无意间读到未来。

这套设计把可信度放在研究环境本身，而不是 Agent 对自身推理的解释上。对持续运行的研究系统来说，后者很难逐次验证，前者却可以通过权限、数据血缘和运行记录进行审计。

04 两套系统，检验的是同一种研究能力

AQuA 没有把因子发现和模型研发包装成一套共享状态的“大一统”系统。两部分各自运行，恰好提供了两个差异很大的验证场景：一边处理带有经济含义的符号化假设，一边处理深度模型的结构与训练配置。

Part I 由 AI Manager 调度六个专业 Agent。Data Steward 负责数据质量与对齐，Visual Analyst 寻找相关市场事件，Idea Miner 提出机制，Factor Evaluator 做统计检验，Backtest Engineer 检查交易含义，Research Librarian 保存证据并更新研究记忆。Agent 之间不直接调用，所有任务分配和交接都经过 Manager，因此一项因子从研究目标到最终入库，能够回到完整的实验记录。

图 2：Part I 因子发现系统。AI Manager 调度六个专业 Agent，并通过方向校准、证伪和跨运行记忆更新后续研究。图中因子名称与表达式用于说明流程，论文未公开部署中的完整因子公式。

论文展示的一轮研究从一个市场问题开始：未平仓合约快速下降后，如果价格出现反弹，却没有主动买盘和基差修复的配合，这次反弹是否更容易失败？

系统先寻找强制去杠杆事件，比较价格、成交量、基差和 taker flow 的后续变化，再把观察写成可以被证伪的机制。候选因子不仅要和简单的价格、持仓量及订单流基线比较，还要检查效果是否集中在假设所描述的事件窗口，以及它是否只是现有因子的重复表达。

这类机制中，较好的单因子 IC 约为 0.026—0.037。20 轮自主研究之后，组合验证集 Spearman IC 上升到约 0.190。提升并非来自某条突然出现的“神奇公式”，而是来自一组经过检验、经济机制不同的弱信号逐步积累。

图 3：Part I 组合因子信号随研究轮次的变化。蓝线为组合验证集 Spearman IC，黑线为拟合集 IC。

Part II 换了一个完全不同的研究对象：预测每只美股未来 30 分钟的收益。每轮实验只提交一个 config diff，明确记录这次究竟改了模型结构、损失函数，还是训练策略。固定的数据路径和评价器让模型变体可以直接比较，也让后续 Agent 知道一次提升究竟从何而来。

图 4：Part II 模型研发系统。配置假设经过训练、固定评估和知识更新后进入下一轮；图中的配置与实验表格为流程示意。

最终模型采用混合时序架构：多尺度一维卷积提取局部价量变化，时序主干处理更长距离的动态，截面模块在同一时刻混合股票间的信息，再由读取层输出逐股票预测分数。架构注册表覆盖 LSTM、Mamba 和 Transformer 等组件，论文实验配置使用 attention。

图 5：Part II 混合时序模型。多尺度卷积负责局部模式，可配置时序主干负责长程动态，最后输出每只股票的标量分数。

在同一评价器下，最强基线 GRU 的逐股票 IC 为 +0.0613，AQuA 搜索得到的混合模型达到 +0.0843。信号经过行业中性化，构建为美元中性的多空组合；按双边换手成本 2 bps 计入后，样本外 Sharpe 为 +2.15，加入只使用历史数据的波动率控制后升至 +2.50。在所有参数都只能依据下一段测试前数据确定的 walk-forward 评估中，Sharpe 仍约为 +2.0。

图 6：2021—2025 年样本外策略曲线，已计入 2 bps 双边换手成本。QQQ 为同期买入持有参考，并未与市场中性策略做风险匹配。

两套系统的结果不能直接横向比较：0.190 是加密资产五分钟级组合因子的 Spearman IC，0.0843 是美股逐股票时间序列 raw IC。它们共同验证了同一件事：“证据进入记忆、评价保持独立”的研究方法，可以落到两种不同的量化研发任务中，并不依赖某一种 Agent 编排或某一类模型。

05 当自主研究开始重新分配信任

很多关于研究 Agent 的讨论，关心模型能否提出更新的想法、调用更多工具，或者独立完成更长的任务。AQuA 追问的是另一个问题：当系统开始依据自己的实验结果持续改变下一次研究时，谁来保证这些结果配得上被记住？

这个问题在量化领域格外尖锐，却并不限于量化。自动调参、材料发现、药物筛选或模型优化，只要 Agent 可以反复调用一个评价器，就同时面对生成过程污染实验和搜索过程适应指标的风险。AQuA 对两类泄漏的拆分，以及对数据路径和最终指标的隔离，提供了一种可以迁移的处理思路。

它也改变了人在研究循环里的位置。研究者不必逐句判断 Agent 的推理是否可信，可以把主要精力放到更少、但更关键的环节：怎样定义数据，什么是可接受的实验动作，候选按什么规则比较，哪些结果有资格进入下一轮。人类判断并没有退出，只是从逐次看守实验，转向设计和审计研究制度。

从这个角度看，团队将 Part I 和 Part II 保持独立，并不是系统尚未拼装完成。因子搜索和模型搜索一旦共享数据与状态，前一阶段筛选出的过拟合因子可能成为后一阶段的输入，形成两套独立系统都不存在的新泄漏。论文提出的下一步不是直接把二者连起来，而是先冻结经过筛选的因子库，再把它作为 Part II 数据沙箱的一部分。对耦合风险的处理，比简单增加功能更能体现这项工作的研究取向。

AQuA 仍有清楚的适用范围。Part I 和 Part II 分别只在一个市场和一个预测周期上验证；交易结果来自模拟回测，尚未经过实盘检验；最终测试集的隔离也依赖运行权限和审计，不是密码学意义上的强制隔离。论文没有回避这些限制。

但它已经回答了一个此前很容易被性能数字掩盖的问题：自主研究系统的上限，不只取决于模型有多聪明，也取决于系统能否分辨什么是新证据，什么只是一次偶然的高分。

在 AQuA 中，20 轮因子研究能够积累，模型架构能够连续改进，是因为研究过程保留了可追溯的成功与失败，同时没有把评价标准交给搜索本身。由此产生的回测曲线固然醒目，更有价值的是曲线背后的那套研究能力——它知道怎样继续寻找，也知道什么样的结果暂时还不该相信。

本文由蚂蚁提供，量子位获授权转载，观点归原作者所有。