因子-模型协同
因子与模型交替优化（factor-model co-optimization），兼顾预测精度与策略稳健性。
RD-Agent / Quantitative Finance
RD-Agent 量化应用：RD-Agent(Q) 因子-模型联合优化
RD-Agent(Q) 是率先提出的 data-centric 量化多智能体框架，基于微软 Qlib 自动化全栈量化策略研发——通过因子与模型的协同优化（factor-model co-optimization），自动提出、实现、回测、迭代因子和模型。论文已被 NeurIPS 2025 接受。
因子挖掘自动提因子
模型优化自动建模型
回测反馈指标反馈
联合迭代交替优化
Framework
RD-Agent(Q) 框架
data-centric 多智能体框架，自动化全栈量化策略研发。
基于 Qlib
复用微软 Qlib 量化平台的因子库、数据与回测能力。
多智能体协作
Research 与 Development 两类智能体协作，自动提想法 + 实现 + 反馈迭代。
Results
官方实验结论
README 引用的真实股票市场实验结果（供参考，非收益承诺）。
| 指标 | 结论 |
|---|---|
| 成本 | 低于 10 美元 |
| ARR（年化收益） | 约 2× 基准因子库 |
| 因子数量 | 少 70%+ 因子 |
| 对比 | 在小资源预算下超越 SOTA 深度时间序列模型 |
说明：上述为官方论文实验结论，仅供研究参考，不构成投资建议或收益保证。
Commands
量化场景运行命令
四个量化子场景对应不同入口。
| 命令 | 场景 |
|---|---|
rdagent fin_quant | 因子 + 模型联合演化 |
rdagent fin_factor | 因子迭代演化 |
rdagent fin_model | 模型迭代演化 |
rdagent fin_factor_report --report-folder=<path> | 从财报提取并实现因子 |
Paper
相关论文
RD-Agent 量化方向的论文成果。
R&D-Agent-Quant
《A Multi-Agent Framework for Data-Centric Factors and Model Joint Optimization》（arXiv:2505.15155），NeurIPS 2025 接受。
技术报告
《R&D-Agent: An LLM-Agent Framework Towards Autonomous Data Science》（arXiv:2505.14738）。
FAQ
常见问题
RD-Agent(Q) 和 Qlib 是什么关系？
RD-Agent(Q) 构建在微软 Qlib 量化平台之上，复用 Qlib 的因子库、数据与回测能力，用多智能体自动做因子-模型联合优化。
RD-Agent(Q) 能直接跑出赚钱策略吗？
不能保证。官方实验结论仅供研究参考，回测结果不代表未来，且官方明确不构成投资建议。
fin_quant 和 fin_factor 有什么区别？
fin_quant 是因子+模型联合演化；fin_factor 只迭代因子；fin_model 只迭代模型。
跑量化场景要多少成本？
官方实验称低于 10 美元，实际取决于 LLM 调用量与迭代轮数。