智能体自己做因子研究：一份研报如何长出一棵因子树

研究员做因子，大部分时间花在一个循环里：提出想法，写成代码，看回测，再根据结果改想法。循环本身不复杂，难的是每一步都做对：数据不能偷看未来，每次改动要说得清改了什么，结果变好或变坏要找得到原因。

我们让智能体自己跑这个循环。人只设定规则：阶段顺序、可用的数据和工具、回测口径和不能越过的底线。读研报、提假设、写代码、解读结果、决定下一步改什么，都由智能体完成。

本文用一次完整运行做例子。起点是东方证券的研报《用日频 K 线重建累计 Delta 订单流指标》。研报原式在我们的回测里是负收益；智能体跑了 7 轮、提出 232 个候选因子，最好的一个研究期多空夏普达到 4.43。下面逐轮看它是怎么走到这里的。

01 / 一轮迭代怎么跑

所谓因子，是每天给每只股票打的一个分数，用来预测它未来几天的相对收益。这个任务的目标是借鉴研报思路，提高对未来 3–5 天收益的预测能力。

研究开始前先做一次计划。几个不同的模型各自读研报、写初稿，再汇总成一份研究计划：研报原式怎么实现；哪些是原文结论，哪些是待检验的假设，各出自原文哪一节；数据有什么限制。比如论文的方法是为没有逐笔数据的场景设计的，而我们的数据里有分钟级的主动买卖统计，计划里要写明哪里照原文做、哪里换了口径。

之后每一轮都走同样的六步（图 1）：

每个候选都带一份记录：编号、父因子、改动说明。比如第 4 轮的一条：父因子是本轮第 7 号；改动是把"3 日均值的绝对值"换成"每日绝对值的 3 日均值"，其余不变；目的是检验跨日的正负抵消有没有丢掉信息。

改动分四类：

• 单点变异：只改一处，看这一处的作用。共 93 个。
• 交叉：把两个父因子各自有效的部分组合起来。共 25 个。
• 对照：把某一部分拿掉，或换成不含信息的替身，检验它是不是必需。共 101 个。
• 新起点：不继承任何父因子，检验一个竞争性解释或一种新测量。共 11 个。

另有 2 个是修复代码错误。232 个候选里，对照实验占了将近一半。"批量生成、按分数筛选"的做法里没有这一类，后文会看到它起了什么作用。

02 / 案例：从一份研报长出一棵树

先说研报的思路。日 K 线只有开高低收和成交量，看不到当天的成交顺序。论文用开盘价相对当天价格区间中点的位置，推断价格是先到最高点还是先到最低点；再按每段价格移动的幅度，把当天成交量分配到各段，估计出"主动买入减主动卖出"（Delta），最后取 50 日均线。论文的证据是两只美股的案例：在拐点前，Delta 比 OBV 更早转向。

第 0 轮：复现失败，也排除了几个竞争解释。 智能体先按原文实现基线：原式 Delta、50 日均线版、OBV 对照，研究期多空夏普分别是 −1.02、−1.74、−0.89，全部为负。同一轮它还检验了几个竞争解释：就算这个信号有效，会不会只是价格反转、收盘位置或隔夜跳空在起作用？这三个解释单独做成因子，夏普在 −1.88 到 0.05 之间，也不成立。

另一个方向是换测量方式。研报用 K 线"猜"主动买卖，是因为没有逐笔数据；我们有按分钟统计的主动买入量和主动卖出量，可以直接测。直接测全天的买卖失衡，夏普 0.63；只看尾盘 30 分钟，升到 1.00；只看开盘 30 分钟，0.54。"尾盘直接测量"成了后面的主干。第 0 轮 49 个候选，只有 12 个夏普为正。

第 1 轮：从失败里读出倒 U 形。 反思时，智能体没有只看多空夏普这一个数，而是逐个读了失败因子的十层收益。研报思路的几个版本形状一致：中间几层稳定赚钱，两端都亏（图 2 左）。也就是说，"买方越强越好"不成立；失衡越极端，之后的表现反而越差。

它据此换了预测对象：不看失衡的方向，看失衡偏离常态的幅度，幅度越大打分越低。三个不同的父因子做同样的改动，夏普分别从 −0.70、−1.02、−1.74 变成 2.47、2.04、1.88（图 2 右）。同一个改动在三个父因子上都成立，说明它不是对某个公式的偶然拟合。

这一轮主干上的改动比较平淡：尾盘失衡的均值窗口从 5 天缩到 3 天，夏普 1.00 → 1.30。

第 2 轮：新测量和交叉。 智能体加了一个新测量：尾盘主动成交的笔数失衡，单独看夏普只有 0.43。再把它和主干交叉，做成"量笔差"，即成交量失衡减去成交笔数失衡，用来区分同样是买多卖少，是少数大单在买，还是大量小单在买。结果夏普 1.33，只比父因子高 0.03。对照实验给出同样的结论：拿掉笔数这一项，夏普 1.30，几乎不变。

第 3 轮：两条线汇合。 智能体把第 1 轮"看幅度"的认识用到量笔差上，夏普升到 3.16；再给偏离的正负两侧不同权重，升到 3.60。这时再做同样的对照，拿掉笔数这一项，夏普掉到 1.42。第 2 轮看起来没用的交叉，换成幅度形式之后成了主要的收益来源。没有对照实验，这一步只能看出总分涨了，看不出是哪一部分在起作用。

第 4 轮：调整中心和平均顺序。 改了两处细节。一是幅度的参照点从"当天全市场平均"改成"买卖相等"这个经济意义上的零点，夏普 3.78。二是先算每天的幅度、再取 3 日均值，而不是先平均、再取幅度。后一种算法会让"昨天大买、今天大卖"互相抵消，改了之后夏普 4.31。

第 5 轮：一个代码错误。 智能体在主干上加流动性中性化，也就是剔除因子里和流动性相关的部分。用标准化方式做，夏普 3.66，比不加还低；换成排序方式做，夏普变成 −1.58，十层形状整个翻了过来。

第 6 轮：先查实现，再下结论。 这个结果有两种可能：排序方式的中性化确实有害，或者代码写错了。智能体注意到，−1.58 那个因子和风格因子的相关性也异常地高，于是回去读源码，发现回归斜率的分子是求和，分母却多除了一次样本数，斜率被放大了与当天股票数相同的倍数，中性化反而把因子扭曲了。它把这一条标为实现错误，写明 −1.58 不能当作研究证据，只改这一处、其余不动重跑：夏普 4.43，是 7 轮里的最高值。

同一轮在相邻分支上还做了一组对照：把每天的幅度拆成 5 分钟 K 线内部和相邻 K 线之间两部分，分别保留或拿掉。四个变体都在 4.0–4.4 之间，说明主干的提升不依赖某个拆分细节。

03 / 循环能自我修正，靠三个设计

回头看这棵树，关键几步都不是"想到一个好公式"，而是流程让错误能被看见、被归因。

反馈要完整。 回测交回的不是一个分数，而是十层收益、分季度夏普、换手和风格相关性。倒 U 形只有看分层才看得出来。如果只给多空夏普，研报原式就是一个 −1.02 的失败，会被直接丢掉。

改动要能归因。 每个候选尽量只改一处，再配对照实验。第 2、3 轮的量笔差说明了原因：同一个组合，换一种形式，价值完全不同，只有对照能分清。

异常先查实现。 结果突然翻转时，先怀疑代码，再怀疑假设。第 5 轮的 −1.58 如果被当成研究结论，"排序方式中性化"这个方向就会被错误地放弃。

此外，所有记录都保留。失败的候选、失败的原因、修复的过程都留在历史里；每一轮的反思从完整历史出发，而不是只看上一轮的最好结果。

04 / 和 CogAlpha 的异同

近期也有工作沿类似思路挖因子。CogAlpha（Liu 等，arXiv:2511.18850）让大模型以代码形式生成因子，经多智能体质量检查后计算 IC 等五个预测指标，按分位数阈值选出合格因子，再用"变异"和"交叉"两种操作进化出下一代。

两者的共同点：因子都用代码表示，并附有解释逻辑的说明；都有代码检查和修复环节；都用变异和交叉产生新候选，并把历史上的好坏样本反馈给模型。

不同之处主要在三点：

CogAlpha 的长处是规模和自动化，适合在大空间里广泛搜索。本流程更接近研究员的工作方式，每一步都要求可归因，代价是每轮候选较少（23–49 个）。两种做法并不互斥。

05 / 局限与下一步

• 图中的夏普都是研究期成绩。 研究期为 2022–2024 年。232 个候选在同一段数据上反复挑选，最好的那个必然带有选择偏差。智能体在反思里也写明：这些判断都是样本内的认识，不是样本外的确认。
• 还缺独立的样本外打分。 最终成绩应由独立评分器在研究期之外的行情上打分，像量化研究评测那样，而不是由智能体自己判断。本案例还没有做这一步。
• 最终选择还在开发。 设计是：结合迭代树和因子值之间的相关性，选出几个互补的因子，统一方向和尺度后等权合成；验收标准是合成因子在独立区间上达到已有最好实验成绩的约 80%。选因子只能用研究期数据，不能根据评测区间的反馈调整。
• 研究过程完整保存。 每个候选的源码、回测结果、父子关系，以及各阶段模型会话的原始记录都留存下来，沉淀为研究轨迹数据。