- 简介我们从量化投资研究的层面探讨递归式自我改进：即一个自主系统能否利用前期实验所获得的证据，来优化后续迭代中提出的假设与候选方案。本文提出AQuA框架，该框架由两个独立的语言模型驱动型研究系统构成：其一专注于符号化因子发现，其二则致力于可训练模型的开发。这两个系统在智能体、记忆、候选空间及研究状态等方面完全相互隔离；它们各自独立地闭合自身的研究闭环——通过保留经验证有效的证据，并以此指导后续的提案生成。在此受限但明确的意义上，两个系统均在研究流程层面实现了递归式自我改进。此外，每个系统均运行于各自封闭的沙箱环境中：该环境固定了数据划分方式、特征与标签的定义，以及评估器，同时仅允许模型通过受约束的因子表达式或配置差异（configuration diffs）进行操作。其中，因子系统采用由管理者协调的多智能体流水线架构，能够发现并组合各类因子，最终在加密资产投资 Universe 中构建出综合信息系数（Information Coefficient, IC）约为 0.190 的信号；而模型系统则围绕一种混合时序架构，以配置驱动的方式循环迭代，其在美国股票市场上的单只个股信息系数达 +0.0843，并进一步转化为一种阈值型多空策略，在扣除双边交易成本后，样本外夏普比率（Sharpe Ratio）最高可达 +2.50；该策略自2021年至2025年每年均实现正向收益。
-
- 图表
- 解决问题验证自主研究系统能否通过递归式利用历史实验证据（如已验证因子或模型配置）持续提升后续假设生成与候选方案质量，即在量化投资研究中实现过程层面的、有界但可验证的递归自我改进——这是一个将AI自我改进范式从通用AGI层面下沉到特定科学发现流程的新颖问题。
- 关键思路提出AQuA双系统架构：两个完全隔离的语言模型驱动研究系统（符号因子发现系统 + 可训练模型开发系统），各自在严格密封的沙盒中闭环运行（固定数据划分、特征/标签定义、评估器），仅通过保留经统计验证的证据（如IC显著的因子组合或配置diff）来引导后续提案；不共享代理、记忆或状态，从而在‘研究过程’维度实现轻量、可审计、无幻觉的递归改进——区别于端到端微调或强化学习式黑箱优化，强调因果可追溯性与金融严谨性。
- 其它亮点• 实证强：因子系统在加密资产宇宙达组合IC=0.190；模型系统在美股单股票IC=+0.0843，转化策略在2021–2025每年均盈利，样本外Sharpe达+2.50（两腿交易成本）；• 沙盒设计严谨：每个系统拥有独立、不可篡改的数据切分与评估协议，语言模型仅能输出受限表达（因子公式）或结构化配置差分（config diff），杜绝数据窥探与评估污染；• 无代码开源声明，但方法论高度透明（manager-mediated多智能体、hybrid时序架构细节明确）；• 值得深挖：如何将证据验证机制形式化为贝叶斯更新规则？跨系统知识迁移是否可能而不破坏沙盒完整性？IC阈值与经济意义的对齐仍需更多压力测试。
- • 'AutoML for Finance' (NeurIPS 2022 Workshop) —— 强调自动化超参搜索，但无跨轮次证据累积；• 'Factor Zoo and AI' (JFE 2023) —— 批判机器学习因子过拟合，未构建闭环研究系统；• 'Recursive Self-Improvement in Scientific Discovery' (Science Robotics 2024) —— 提出概念框架，但缺乏金融领域实证；• 'LLMs as Research Agents in Quantitative Finance' (ICML 2024) —— 使用LLM生成因子，但未设计证据保留与迭代引导机制。
提问交流