在量化金融领域，人工智能（AI）的应用正从辅助工具逐渐演变为核心驱动力。然而，近日来自普林斯顿大学、蚂蚁集团以及斯坦福大学的研究人员发布了一项重磅研究成果，他们联合推出了名为 AQuA（Autonomous Factor Discovery and Model Development Framework，自主因子发现与模型开发框架）的两部分智能体系统，旨在解决当前AI在量化策略开发中面临的“自证预言”与数据污染问题。
量化金融的核心在于“因子”，即能够解释资产价格变动规律的指标。传统的量化研究往往依赖人类分析师提出假设，而随着大语言模型（LLM）和智能体技术的发展，研究者开始尝试让AI自主编写代码、运行实验并发现新的因子。然而，这种自主性也带来了一个隐蔽且致命的风险：当智能体既是实验的“作者”又是“评审员”时，它很容易陷入自我欺骗的陷阱。
研究团队指出，如果一个量化研究智能体在编写实验代码时偶然发现了一个偶然有效的“漏洞”特征，它很可能会错误地将这一偶然的成功记录为“先例”，并在后续的迭代中不断重复使用该特征，导致模型迅速过拟合。这种“自证预言”机制使得模型在训练数据上表现优异，但在实际市场环境中却往往失效，因为模型已经“记住”了训练数据中的噪音而非真实的市场规律。
针对这一痛点，AQuA 框架提出了一种创新的“双智能体”架构，通过角色分离来打破这种盲点。该框架包含两个核心组件：生成器 和 评估器。生成器负责根据当前的市场数据和假设，自主编写量化策略代码并生成因子；而评估器则扮演“盲审”的角色，独立地对生成器的代码和因子进行验证和测试。
关键的创新点在于，AQuA 严格限制了生成器与评估器之间的信息交互。评估器在审查过程中，无法看到生成器编写代码时的具体思路或上下文，只能依据客观的回测结果来判定因子的有效性。这种机制确保了评估过程的客观性，就像学术论文的同行评审一样，有效地切断了智能体自我污染证据的链条。
通过这种生成与评估的解耦，AQuA 能够在复杂的金融数据中筛选出真正具有稳健性和预测能力的因子，而不是停留在偶然的噪音上。这一突破不仅提升了量化模型开发的效率，更为金融科技领域提供了一种解决AI“黑盒”不透明性和不稳定性问题的全新思路。
随着金融市场的日益复杂，对自动化、智能化策略研发的需求只增不减。AQuA 框架的问世，标志着AI在量化金融领域的应用正迈向更加严谨和可信的阶段，有望帮助投资者在数据驱动的浪潮中做出更理性的决策。
信息来源：MarkTechPost，原文链接：https://www.marktechpost.com/2026/09/01/aqua-a-two-part-agentic-framework-for-autonomous-factor-discovery/
