原創(chuàng)內(nèi)容第673篇，專注量化投資、個人成長與財富自由。

星球本周計劃：
1、網(wǎng)站綁定星球會員完善。
2、盤后數(shù)據(jù)更新，策略集自動運行。
3、用戶可以發(fā)布策略：公開，積分或私有化發(fā)布。
前沿探索：crewai投研，RDAgent+qlib。

今天來先來說說RDAgent。

一般我們稱工程師為“研發(fā)”，這里的研發(fā)包含兩層意思：研究（Research）和開發(fā)(Development)。

傳統(tǒng)應(yīng)用開發(fā)里，這個流程還不明顯，但在數(shù)據(jù)驅(qū)動的應(yīng)用開發(fā)中，不是顯式對邏輯編碼，而是對一堆數(shù)據(jù)集進(jìn)行建模——這也是AI量化的方向！

而這個RDAgent就是微軟MSRA開源的框架，來自動化和智能化這個數(shù)據(jù)驅(qū)動的建模的過程。

RD-Agent是由微軟亞洲研究院推出的一款基于大型語言模型（LLM）的智能化工具。它將研究（Research）和開發(fā)（Development）兩大模塊無縫集成，形成一個持續(xù)反饋的自動化循環(huán)系統(tǒng)。RD-Agent通過自動化地生成假設(shè)、編寫代碼并回測結(jié)果，大幅提升研發(fā)效率和創(chuàng)新速度。

RD-Agent在AI量化領(lǐng)域的應(yīng)用場景，其余場景還包括醫(yī)療，科研等：

1. 自動化因子提取與生成：在金融量化交易中，RD-Agent能夠自動從海量的研究報告中提取關(guān)鍵因子并生成相關(guān)模型，大幅減少因子生成的時間，同時確保因子庫的廣度和深度。

2. 因子回測與驗證：RD-Agent將生成的因子整合到現(xiàn)有的因子庫中，并與微軟的Qlib系統(tǒng)進(jìn)行回測，以評估這些因子在實際市場中的表現(xiàn)，加速策略的驗證過程。

3. 持續(xù)優(yōu)化的反饋循環(huán)：RD-Agent通過反饋循環(huán)實現(xiàn)自我優(yōu)化。在每輪回測后，RD-Agent會根據(jù)回測結(jié)果自動調(diào)整和改進(jìn)因子，并在下一輪提出更具預(yù)測力的新因子。

4. 因子庫的持續(xù)擴(kuò)展：通過RD-Agent的自動化流程，金融量化交易的因子庫能夠得到持續(xù)擴(kuò)展，為研究人員提供更多策略組合，帶來更穩(wěn)定和高效的投資回報。

RD-Agent的核心功能：

• 研究模塊（Research）： 包括假設(shè)生成和數(shù)據(jù)挖掘，從研究報告、市場數(shù)據(jù)中挖掘潛在因子。

• 開發(fā)模塊（Development）： 包括自動化代碼生成和因子回測，與Qlib系統(tǒng)集成進(jìn)行因子的回測與驗證。

安裝不復(fù)雜，要求python 3.10以上版本，直接pip install rdagent即可。

依賴包還不少：

看了下源碼依賴包，大模型的Agent框架也是基于langchain（我們本周還有一個要探索的包CrewAI也是仍然是基于langchain的）：

傳統(tǒng)的機(jī)器學(xué)習(xí)包sklearn，深度學(xué)習(xí)框架是pytorch，以及xgboost和lightGBM，都是比較通用的主流的依賴包。

傳統(tǒng)的投研流程是找論文，讀論文，解讀核心邏輯，公式，知識要點，然后通過代碼復(fù)現(xiàn)，實驗復(fù)現(xiàn)結(jié)果。

曾幾何時，這是金融量化人的夢想，機(jī)器可以讀文獻(xiàn)，然后自己寫代碼去復(fù)現(xiàn)論文，生成因子集，做出策略，還會自動優(yōu)化。

這一切隨著大模型能力的進(jìn)化而成為可能。

醫(yī)療領(lǐng)域，研發(fā)新藥，科研領(lǐng)域做各種行業(yè)綜述，想想都令人興奮。

rdagent就是把這個過程自動化。

看代碼風(fēng)格，是qlib的團(tuán)隊做的，所以給出的例子，也是與qlib緊密結(jié)合。

但有一點，qlib的python版本是3.8，而rdagent的版本要求是3.10，也就是相互不兼容。

本周結(jié)合crewai，咱們還會繼續(xù)深入探討。

AI量化實驗室 星球，已經(jīng)運行三年多，1200+會員。

quantlab代碼交付至5.X版本，含幾十個策略源代碼，因子表達(dá)式引擎、遺傳算法（Deap）因子挖掘引擎等，每周五迭代一次。

（國慶優(yōu)惠券）