一个神奇的LLM框架rdagent：从论文里找出公式，自动挖掘因子，写代码，优化策略。

今天来先来说说RDAgent。

一般我们称工程师为“研发”，这里的研发包含两层意思：研究（Research）和开发(Development)。

传统应用开发里，这个流程还不明显，但在数据驱动的应用开发中，不是显式对逻辑编码，而是对一堆数据集进行建模——这也是AI量化的方向！

而这个RDAgent就是微软MSRA开源的框架，来自动化和智能化这个数据驱动的建模的过程。

RD-Agent是由微软亚洲研究院推出的一款基于大型语言模型（LLM）的智能化工具。它将研究（Research）和开发（Development）两大模块无缝集成，形成一个持续反馈的自动化循环系统。RD-Agent通过自动化地生成假设、编写代码并回测结果，大幅提升研发效率和创新速度。

RD-Agent在AI量化领域的应用场景，其余场景还包括医疗，科研等：

1. 自动化因子提取与生成：在金融量化交易中，RD-Agent能够自动从海量的研究报告中提取关键因子并生成相关模型，大幅减少因子生成的时间，同时确保因子库的广度和深度。
2. 因子回测与验证：RD-Agent将生成的因子整合到现有的因子库中，并与微软的Qlib系统进行回测，以评估这些因子在实际市场中的表现，加速策略的验证过程。
3. 持续优化的反馈循环：RD-Agent通过反馈循环实现自我优化。在每轮回测后，RD-Agent会根据回测结果自动调整和改进因子，并在下一轮提出更具预测力的新因子。
4. 因子库的持续扩展：通过RD-Agent的自动化流程，金融量化交易的因子库能够得到持续扩展，为研究人员提供更多策略组合，带来更稳定和高效的投资回报。

RD-Agent的核心功能：

• 研究模块（Research）： 包括假设生成和数据挖掘，从研究报告、市场数据中挖掘潜在因子。

• 开发模块（Development）： 包括自动化代码生成和因子回测，与Qlib系统集成进行因子的回测与验证。

安装不复杂，要求python 3.10以上版本，直接pip install rdagent即可。

依赖包还不少：

看了下源码依赖包，大模型的Agent框架也是基于langchain（我们本周还有一个要探索的包CrewAI也是仍然是基于langchain的）：

传统的机器学习包sklearn，深度学习框架是pytorch，以及xgboost和lightGBM，都是比较通用的主流的依赖包。

传统的投研流程是找论文，读论文，解读核心逻辑，公式，知识要点，然后通过代码复现，实验复现结果。

曾几何时，这是金融量化人的梦想，机器可以读文献，然后自己写代码去复现论文，生成因子集，做出策略，还会自动优化。

这一切随着大模型能力的进化而成为可能。

医疗领域，研发新药，科研领域做各种行业综述，想想都令人兴奋。

rdagent就是把这个过程自动化。

看代码风格，是qlib的团队做的，所以给出的例子，也是与qlib紧密结合。

但有一点，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。

​

如何学习AI大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。