AQuA：用递归自我改进构建可信的量化研究 Agent

当 AI Agent 不只是回答问题，而是自主提出假设、跑实验、再依据结果决定下一步研究方向时，一个容易被性能数字掩盖的问题随之浮现：Agent 有没有把一次偶然的过拟合当成「成功经验」写进自己的记忆？来自普林斯顿大学、蚂蚁集团和斯坦福大学的研究团队在论文《AQuA: Recursively Self-Improving Quantitative Trading Research Agents》中，把焦点放在这条更基础的问题上：研究过程如何持续适应，而判断研究成败的标准又始终保持稳定。

系统结构：两套并行、各自验证

AQuA 并非一套大一统的 Agent 流水线，而是由两套独立运行的子系统组成：

Part I 面向符号化因子发现，处理带有经济含义的研究假设。
Part II 面向可训练模型研发，处理深度模型的结构与训练配置。

两部分使用不同的 Agent、记忆与候选空间，但遵循同一研究原则：让通过验证的实验进入下一轮决策，同时把数据路径和评价规则留在循环之外。这种「共享研究纪律、隔离执行状态」的设计，使得同一套方法学可以同时落在因子搜索和模型搜索两类差异很大的任务上。

关键实验结果

Part I 在加密资产五分钟级数据上开展因子研究。系统围绕「未平仓合约快速下降后，没有主动买盘和基差修复配合的反弹是否更容易失败」一类市场问题，由 AI Manager 调度 Data Steward、Visual Analyst、Idea Miner、Factor Evaluator、Backtest Engineer、Research Librarian 六个专业 Agent 协同完成机制提炼、统计检验与证据归档。20 轮自主研究后，组合验证集 Spearman IC 累积到约 0.190。

Part II 把研究对象换成美股未来 30 分钟的逐股票收益预测，搜索空间限定为模型结构、损失函数、采样器与优化器等配置差分。

最强基线 GRU 逐股票 IC：+0.0613
AQuA 搜索得到的混合时序模型逐股票 IC：+0.0843
行业中性化后多空组合，含 2 bps 双边换手成本，样本外 Sharpe：+2.15
叠加历史波动率控制后 Sharpe 升至：+2.50
在 walk-forward 评估下 Sharpe 仍约为：+2.0
2021—2025 五年间年化 Sharpe 全部为正

两个 IC 数字不能直接横向比较，但都说明同一件事：把「证据进入记忆、评价保持独立」这一原则落到不同研究对象上，系统的研究能力可以随轮次稳定累积，而不是被搜索本身污染。

可信度来自隔离，而不是来自「更聪明的 Agent」

AQuA 在设计上把可信度放在研究环境本身，而非 Agent 对自身推理的解释上。系统做了两层隔离：

生成过程的隔离：特征、标签、归一化与评价器在自主循环启动前即被固定，Agent 只能组合登记过的时间序列与截面算子，或修改模型配置，不能改写数据加载逻辑。
选择过程的隔离：搜索阶段只向 Agent 返回验证集分数；最终测试窗口在配置确定后才运行，且结果不会返回给 Agent 继续调参。Part II 中 2020 年被刻意留作隔离带，2021—2025 年才作为最终测试窗口。

论文附录还披露了一次早期失败：审查 Agent 放行了一个名为「盘中成交量参与率」的特征，因为它的语义只涉及已发生交易，但分母实际上是当天全日成交量而非盘中累计估计，导致远高于常规价量特征的泄漏 IC。这次事故促使团队放弃了「再叠加一道模型审查」的思路，转而用预登记的因果算子和模型组件约束 Agent 的可写空间。

研究意义与适用范围

AQuA 真正回答的不是「Agent 能不能多跑几轮实验」，而是「当 Agent 依据自身结果持续改变研究方向时，谁来保证这些结果配得上被记住」。这一关切虽在量化领域尤为突出，但同样适用于自动调参、材料发现、药物筛选和模型优化等任何 Agent 反复调用评价器的场景。两类泄漏的拆分思路，以及对数据路径和最终指标的隔离方法，具有跨任务的可迁移性。

需要指出的是，Part I 和 Part II 分别只在单一市场和单一预测周期上验证；交易结果来自模拟回测，尚未经过实盘检验；最终测试集的隔离依赖运行权限和审计，并非密码学层面的强制隔离。团队也明确表示，下一步不是把因子搜索与模型搜索直接耦合，而是先冻结筛选后的因子库，再将其作为 Part II 数据沙箱的一部分引入，以避免共享状态带来新的泄漏。