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。

原创内容第673篇，专注量化投资、个人成长与财富自由。

星球本周计划：
1、网站绑定星球会员完善。
2、盘后数据更新，策略集自动运行。
3、用户可以发布策略：公开，积分或私有化发布。
前沿探索：crewai投研，RDAgent+qlib。

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。

本周结合crewai，咱们还会继续深入探讨。

AI量化实验室 星球，已经运行三年多，1200+会员。

quantlab代码交付至5.X版本，含几十个策略源代码，因子表达式引擎、遗传算法（Deap）因子挖掘引擎等，每周五迭代一次。

作者：AI量化实验室（专注量化投资、个人成长与财富自由）

 扩展  •  历史文章   

•  年化从19.1%提升到22.5%，全球大类资产轮动，加上RSRS择时，RSRS性能优化70倍。（附策略源码）

• 年化53%的策略随quantlab5.13发布，可以直接运行在服务器上了（附python代码）

•  AI量化实验室——2024量化投资的星辰大海