ARTICLE · 人工智能
AQuA：让量化研究 Agent 在不越界的前提下持续进化
一语总结普林斯顿、蚂蚁集团与斯坦福联合提出 AQuA 框架，通过密封沙箱与配置差分驱动的双系统架构，实现量化研究 Agent 在不可篡改的实验契约边界内持续自我进化，有效规避生成泄漏与选择泄漏。
文章详细介绍了 AQuA（Recursively Self-Improving Quantitative Trading Research Agents）框架，该框架由普林斯顿大学、蚂蚁集团和斯坦福大学研究者提出，旨在解决大模型 Agent 参与量化研究时面临的数据泄漏与过拟合风险。AQuA 包含两套完全独立的研究系统：Part I 面向符号化因子发现（加密资产 5 分钟级），通过 AI Manager 调度六大专业 Agent，将研究假设转化为可证伪的实验，积累验证后的证据进入记忆库指导后续迭代，20 轮后组合因子验证集 Spearman IC 达 0.190；Part II 面向可训练模型研发（美股 30 分钟收益预测），采用配置差分驱动的单变量实验设计，在冻结数据路径与评价器的前提下搜索混合时序架构，最终模型 IC 达 0.0843，较最强基线 GRU 提升 37.5%，策略年化夏普超 2.0。核心创新在于将“研究自由”与“实验契约”解耦：通过密封沙箱冻结数据切分、特征算子注册表与评价器，从结构上消除生成泄漏；通过验证集与测试集严格隔离，消除选择泄漏。文章并附带一个真实失败案例，证明“审查 Agent”不如“不可表达的结构性边界”可靠。作者诚实披露了单一市场/周期验证、模拟成本、非全自动等局限，并讨论了双系统融合的潜在泄漏风险与对策。
- AQuA 将量化研究 Agent 的自我改进对象锁定为“研究过程”而非模型权重，通过递归循环积累经过验证的证据指导下一轮探索。
系统不修改模型参数，而是让通过验证的实验结果（成功机制、失败教训、方向校准）沉淀为研究记忆，改变后续假设生成的搜索空间与优先级，实现真正的知识累积。
- 通过密封沙箱与 DSL 约束从结构上消除生成泄漏，通过验证集/测试集严格隔离消除选择泄漏，建立“不可表达”的硬边界替代“希望 Agent 谨慎”的软防线。
因子系统仅允许组合因果算子（无未来读取算子），模型系统仅允许提交配置差分；搜索阶段只能见验证集分数，最终测试集冻结后仅评估一次且不回传。这种不对称自由设计将可靠性内化为系统属性。
- Part I 以“可证伪假设”驱动因子发现，六大专业 Agent 协作形成三层反馈（单次回测方向校准、单次运行证伪更新、跨运行记忆积累），实现从生成公式到积累证据的范式转换。
每个候选因子必须预先声明经济机制、预测方向、适用期限与失败判据。Visual Analyst 从历史事件挖掘机制，Idea Miner 提出假设，Factor Evaluator 多维对比基线，Research Librarian 沉淀记忆。20 轮迭代后组合 IC 显著提升，且每个因子均有经济解释与独立检验。
- Part II 采用配置差分驱动的单变量模型搜索，配合混合时序架构（多尺度卷积+可配置主干+上下文读取层），在美股 30 分钟预测任务上实现 IC 0.0843 与夏普 2.5+ 的稳健表现。
每轮仅修改一项配置（主干/损失/采样/优化器），数据路径完全固定，实验间差异可归因。模型融合局部价量模式与长程动态，五年走向测试逐年为正，波动率目标控制进一步提升风险调整收益。
- 真实失败案例揭示：语义合理的特征代码可能隐含前视偏差（如全日成交量作分母），人工与 Agent 审查均易失效；结构性约束（算子注册表无全日归一化器）才是根本解法。
早期版本允许 Agent 编写代码并由审查 Agent 复核，但双方均未察觉“盘中特征使用全日成交量分母”的泄漏。该特征样本外 IC 虚高，重新切分窗口后失效。AQuA 因此收回代码编写权限，仅保留组合已验证算子的权限。
AQuA：让量化研究 Agent 在不越界的前提下持续进化
文章详细介绍了 AQuA（Recursively Self-Improving Quantitative Trading Research Agents）框架，该框架由普林斯顿大学、蚂蚁集团和斯坦福大学研究者提出，旨在解决大模型 Agent 参与量化研究时面临的数据泄漏与过拟合风险。AQuA 包含两套完全独立的研究系统：Part I 面向符号化因子发现（加密资产 5 分钟级），通过 AI Manager 调度六大专业 Agent，将研究假设转化为可证伪的实验，积累验证后的证据进入记忆库指导后续迭代，20 轮后组合因子验证集 Spearman IC 达 0.190；Part II 面向可训练模型研发（美股 30 分钟收益预测），采用配置差分驱动的单变量实验设计，在冻结数据路径与评价器的前提下搜索混合时序架构，最终模型 IC 达 0.0843，较最强基线 GRU 提升 37.5%，策略年化夏普超 2.0。核心创新在于将“研究自由”与“实验契约”解耦：通过密封沙箱冻结数据切分、特征算子注册表与评价器，从结构上消除生成泄漏；通过验证集与测试集严格隔离，消除选择泄漏。文章并附带一个真实失败案例，证明“审查 Agent”不如“不可表达的结构性边界”可靠。作者诚实披露了单一市场/周期验证、模拟成本、非全自动等局限，并讨论了双系统融合的潜在泄漏风险与对策。
文章金句
"自主研究的关键，不是让 Agent 拥有无限权限，而是让它在可信边界内不断获得更好的证据。
"审查是一条建议性的防线；不可表达，才是一条结构性的边界。
"Agent 可以自由探索什么值得研究，但不能改数据路径，也不能改成功的定义。