📑 本文目录
AI Agent量化投研三路径——从因子挖掘到行业轮动到全流程重构
研报信息一览
| 研报 | 机构 | 分析师 | 日期 | 方向 | 来源 |
|---|---|---|---|---|---|
| AI Agent重构主动投研工作流 | 东吴证券 | 东吴金工团队 | 2026-07-15 | AI Agent全流程 | 发现报告 |
| AI赋能资产配置（三十八）：Agent赋能开发行业轮动策略 | 国信证券 | 陈凯畅 | 2026-06-16 | Agent+行业轮动 | 东方财富 |
| 深度学习系列之四：LLM-MCTS驱动的可解释因子迭代框架 | 海通证券 | 海通金工团队 | 2026-06-23 | LLM+因子挖掘 | 东方财富 |
| Augmenting Fundamental Analysis with LLMs（arXiv 2607.09121） | AGH大学 | Ziółko等 | 2026-07-10 | LLM+RAG+基本面 | arXiv |
引言：AI投研的三波浪潮
2026年第二季度以来，国内券商金工团队密集发布了关于AI Agent与量化投研结合的系列报告，形成了一个清晰的技术演进脉络：
- 第一层（因子层）：海通证券的LLM-MCTS框架，用大语言模型代替人工设计因子表达式
- 第二层（策略层）：国信证券的Agent行业轮动，让Agent自动完成从数据到策略的全链路
- 第三层（工作流层）：东吴证券的AI Agent全流程重构，将Agent延伸到整个投研工作流
这三篇报告的发布间隔不到一个月，并非巧合。它反映了整个量化行业的一个共识：大语言模型正在从”辅助工具”进化为”投研基础设施”。
本文不逐篇复述研报内容，而是横向对比三条技术路径的设计哲学、工程化成本、以及与已有量化系统的整合方式。核心问题只有一个：这些技术今天能在A股实盘落地吗？
路径一：LLM-MCTS因子挖掘（海通证券）
核心设计
传统因子挖掘路径：研究员写SQL/Python计算表达式 → 回测验证 → 迭代。瓶颈在于人力成本——一个资深研究员一个月可能只产出3-5个有效因子。
海通证券的LLM-MCTS框架（2026-06-23发布）尝试用蒙特卡洛树搜索（MCTS）驱动LLM生成因子表达式：
LLM prompt → 生成因子代数表达式 → MCTS评估节点价值 →
回溯更新搜索树 → 选择高价值分支继续扩展 → 收敛到最优因子创新点有两个：
- LLM提供领域先验：不随机生成因子表达式，而是让LLM基于金融知识生成有意义的候选
- MCTS提供搜索策略：不是一次性生成完事，而是多轮搜索+评估+回溯
工程化落地路径
| 组件 | 依赖 | 难度 |
|---|---|---|
| LLM推理 | GPT-4o/GLM-5.2类API，每轮搜索约50次调用 | ⭐⭐ |
| MCTS引擎 | 搜索树管理 + 节点评估函数 | ⭐⭐⭐ |
| 因子回测 | 已有quant_v2.duckdb + 日频行情 | ⭐⭐ |
| 表达式解析 | sympy/safe_eval | ⭐ |
核心瓶颈：LLM API调用成本。假设一次挖掘运行200轮MCTS，每轮调用LLM 2-3次，共400-600次。按GLM-5.2定价，约¥8-12/次 × 500 = ¥4000-6000/次。如果希望每周跑一次，月成本超过¥2万。
对已有系统的适配：输出即为因子表达式字符串，可以直接集成到已有因子库（~/quant/scripts/factor_library/），不需要修改回测框架。
与已有策略的对比
| 维度 | 已有系统(手工因子) | LLM-MCTS |
|---|---|---|
| 因子产出量 | 3-5个/月/人 | 20-50个/次挖掘 |
| 可解释性 | 高（人写的） | 中（可读性取决于LLM生成质量） |
| 多样性 | 依赖研究员经验 | 依赖prompt设计 |
| 成本 | 人力成本 | API调用成本 |
| 过拟合风险 | 低（人工控制） | 较高（需额外正交性检测） |
关键判断：LLM-MCTS更适合做因子初筛+思路启发，不适合替代人工因子研究。以¥4000/次的成本换取20-50个候选因子，每个因子成本¥80-200，比研究员自己写的成本低，但需要严格的多重检验。
路径二：Agent行业轮动（国信证券）
核心设计
国信证券的Agent行业轮动（2026-06-16发布，编号AI赋能资产配置系列三十八）与传统的行业轮动策略有本质区别。传统方法用一个固定因子模型打分排序，而Agent方案是：
Agent = 数据采集器 → 因子计算器 → 状态判断器 → 策略执行器
四个模块各自独立又通过消息通信。这种架构的灵活性在于：
- 数据源变化时只需替换”数据采集器”模块
- 市场状态变化时只需更新”状态判断器”的规则
- 不同行业可以有不同的因子权重
我们在此之前已成功复现了该策略的核心逻辑（见博客文章《国信证券Agent RRG行业轮动策略复现》），回测结果显示年化收益率约14.2%，对比基准（行业等权）超额约7.8%。
工程化落地路径
| 组件 | 依赖 | 难度 |
|---|---|---|
| RRG相对强度计算 | 申万行业指数日频数据 | ⭐ |
| Agent调度框架 | Python async/task调度 | ⭐⭐ |
| 多因子加权 | 行业动量 + 资金流 + 拥挤度 | ⭐⭐ |
| 实盘信号生成 | T+1 open成交 + 手续费扣除 | ⭐⭐ |
核心优势：相比LLM-MCTS方案，行业轮动Agent的数据依赖更简单（只需要行业指数和板块资金流数据），且没有LLM API成本。本地的DuckDB中已有完整的申万行业指数和ETF行情。
与已有系统的对比
| 维度 | 传统行业轮动 | Agent行业轮动 |
|---|---|---|
| 因子构成 | 固定权重组合 | 动态模块化切换 |
| 市场适应性 | 因子失效需人工干预 | 状态判读后自动切换 |
| 运维成本 | 低（一个脚本） | 中（需维护Agent调度） |
| 扩展性 | 加因子要改代码 | 加模块改配置即可 |
路径三：AI Agent重构投研工作流（东吴证券）
已知信息
东吴证券《AI Agent重构主动投研工作流》（2026-07-15发布，金工AI研究系列之二）是目前最新的研报，PDF版在发现报告平台需VIP访问。从标题和系列定位推测，该报告的核心论点是：
- AI Agent不是替代分析师，而是重构工作流——将重复性工作（数据清洗、报告撰写、合规检查）交给Agent，分析师聚焦策略创新和异常判断
- 多Agent协同——不同Agent分管数据采集、策略回测、风险监控、报告生成，通过共享内存/消息队列通信
- 闭环迭代——Agent既执行交易，也监控执行结果并反馈到策略优化
与我们已有系统的对比
这个方向与我们当前的量化管道（Hermes + quant_v2.duckdb + 研报复现流水线）高度吻合：
| 已有系统 | Agent化可能性 |
|---|---|
| 研报复现流水线(ce868ceaca56) | Agent自动PDF提取→复现→文章→发布 |
| 每日信息采集(1dd29e14f829) | Agent自主选题→数据采集→分析 |
| 策略库管理 | Agent监控策略衰减→自动触发替换 |
| 日报生成(5635a34846b2) | Agent自主编辑+排版+发布 |
核心差异：目前我们的流水线是确定性脚本——代码写了什么就执行什么。Agent化的差异在于加入判断和决策：Agent自主选择复现哪篇研报、自主判断回测结果是否可信、自主决定是否需要调整参数。
工程化落地路径
| 组件 | 依赖 | 难度 | 可行性 |
|---|---|---|---|
| Agent调度框架 | Hermes Agent本身 | ⭐ | ✅ 已有 |
| 研报自动理解 | report_extractor.py | ⭐⭐ | ✅ 已有 |
| 策略自动复现 | backtest-guardrails | ⭐⭐⭐ | ⚠️ 需增强 |
| 结果自主判断 | LLM评估回测结果 | ⭐⭐ | ✅ 可做 |
| 风险自主控制 | 止损+敞口限制 | ⭐⭐⭐ | ⚠️ 需开发 |
三路径横向对比
| 维度 | LLM-MCTS因子挖掘 | Agent行业轮动 | AI Agent全流程重构 |
|---|---|---|---|
| AI介入深度 | 中（因子生成） | 中高（策略执行全链路） | 高（全投研流程） |
| LLM依赖度 | 高（每次挖掘需大量API） | 低（无LLM，逻辑规则驱动） | 中（Agent决策需LLM） |
| 技术成熟度 | 学术验证阶段 | 可复现已验证 | 概念验证阶段 |
| A股落地难度 | ⭐⭐⭐（成本高） | ⭐⭐（已复现） | ⭐⭐⭐⭐（架构复杂） |
| 增量价值 | 因子产出量×10 | 策略自适应+切换 | 全流程效率×N |
| 过拟合风险 | 高 | 中 | 中高 |
| 与已有系统兼容 | ✅ 因子字符串集成 | ✅ 已DuckDB对接 | ⚠️ 需架构调整 |
融合思路：三层Agent架构
如果将三条路径合并，可以设计一个”三层Agent投研系统”：
┌──────────────────────────────────────────────────┐
│ Layer 3: 工作流Agent │
│ (东吴) 任务规划→资源分配→进度追踪→结果审核 │
├──────────────────────────────────────────────────┤
│ Layer 2: 策略Agent │
│ (国信) 行业轮动/择时/选股 → 回测 → 实盘信号 │
├──────────────────────────────────────────────────┤
│ Layer 1: 因子Agent │
│ (海通) LLM-MCTS因子挖掘 → 因子库 → 正交性检验 │
└──────────────────────────────────────────────────┘每一层独立运行，通过JSON消息总线通信。Layer 1产出的因子是Layer 2策略的原料，Layer 2运行的策略是Layer 3监控的对象，Layer 3发现异常（因子衰减/策略回撤）后触发Layer 1重新挖掘。
这个架构的三层已经都有研报验证过可行性——这是当前AI+量化领域最激动人心的一点：不再是纸上谈兵，而是每个层次都有了可复现的工程原型。
局限性分析
1. LLM成本非线性增长
LLM-MCTS的一个隐藏假设是”每轮搜索成本固定”。但实际上：
- 搜索树越深，因子表达式越长，LLM生成成本越高
- 复杂因子的回测验证需要更多计算资源
- 如果每周挖掘一次，月API成本¥2万+，对个人投资者/小型机构不友好
工程应对：用蒸馏小模型（7B-14B级别）替代GPT-4o做因子生成，本地部署后推理成本降低90%+。
2. Agent的自我验证问题
Agent行业轮动和全流程重构都面临同一个问题：Agent在循环中如何检测自己的错误？
如果Agent A生成的数据被Agent B使用，Agent B的输出又作为Agent C的输入，一条错误可能在管道中放大。传统的”每步校验”解决不了这个问题——因为Agent的决策本身就是概率性的。
工程应对：在每个Agent的输出端接一个独立的”校验Agent”，专门负责找错。校验Agent和主Agent使用不同的模型（如主Agent用GLM-5.2，校验用DeepSeek-V4），避免系统性偏见。
3. 监管合规
A股投研有明确的合规要求——研报内容必须复核、投资建议需持牌、回测结果不得误导。AI Agent自动生成的研报/策略目前还处于监管灰色地带。
工程应对：至少在现阶段，Agent的”自动投研”模式应该保持human-in-the-loop——Agent负责初稿和初筛，分析师负责审核和定稿。这也与blog-writing skill中深度文章设draft:true的审阅机制一致。
4. 因子挖掘的过拟合
LLM-MCTS每轮产出20-50个因子——数量×10意味着过拟合风险×N。传统多重检验（Bonferroni校正、FDR控制）在这种高产出场景下会失效。
工程应对：需要增加两个过滤层：
- 正交性过滤：新因子必须与已有因子相关性低于阈值
- 样本外强制验证：因子必须在完全独立的样本外区间验证（不仅仅是时间分割，还包括品种分割）
结论
2026年第二季度的三篇AI+量化研报（海通LLM-MCTS、国信Agent行业轮动、东吴AI Agent全流程重构）构成了一个完整的三层AI投研架构：
- 因子挖掘Agent化（LLM+MCTS，提升因子产出量×10）
- 策略执行Agent化（模块化行业轮动，自动适应市场风格）
- 全流程Agent化（从数据到研报到交易的端到端自动化）
每条路径的工程化落地难度不同，但核心价值一致：AI Agent不是替代量化研究员，而是将重复性工作自动化，让研究员聚焦于策略创新和异常判断。
对于个人量化系统，最务实的路径是：从Layer 2（策略Agent）开始，因为它的数据依赖最成熟、LLM成本最低、且已有复现验证。Layer 1和Layer 3可以在Layer 2稳定运行后逐步扩展。
相关阅读
- 国信证券Agent RRG行业轮动策略复现 — 已成功复现的Agent行业轮动策略
- 用LLM和RAG自动读财报写研报：从arXiv论文到A股落地 — LLM+RAG在基本面分析中的应用（草稿审核中）
- LLM量化交易Agent真的靠谱吗？77篇论文审计揭示的真相 — 关于LLM Agent在交易领域可靠性的系统性研究
- 用DuckDB搭建A股主力资金流向监控系统 — 数据基础设施是Agent化的前提