AlphaDiverse

Post-Training Local Quantitative Research Agents
for Diverse Exploration in Alpha Factor Mining

让量化研究智能体持续探索互补的经济机制

简体中文 · English

框架总览 · 快速开始 · 数据准备 · 评估与结果 · 引用

AlphaDiverse 是一个面向 Alpha 因子挖掘的多智能体研究框架。它将经济机制规划、特征与算子检索、结构化因子实现和评估反馈组织为闭环，让每一轮研究基于已有证据探索新的因子方向。

本仓库提供论文第 2.1 节 Research Agent System 的 agent loop 实现，可在个人服务器上接入兼容的模型接口运行。论文中的后训练模型后续将以 API 形式提供，接入信息将在本页更新。

框架总览

从研究计划到可验证因子

环节	作用
Planning	从可行的经济机制中提出四个互补计划，覆盖至少三个主题。
Retrieval	为每个计划确定性检索匹配的特征与算子，明确实现边界。
Realization	将每个计划转为两个结构化因子规格，形成每轮八个候选。
Execution	校验 JSON 合约，通过受控算子计算因子。
Validation	先筛选因子，再评估新增因子对预测模型的增益。
Analysis	汇总本轮证据，更新研究记忆并指导下一轮探索。

• 机制驱动的探索：显式研究计划与互补约束帮助组织多轮搜索。
• 可执行、可追踪：保存因子规格、筛选决策与反馈，连接研究意图和数值结果。
• 独立的最终评估：循环仅使用 inner 数据；冻结因子和模型后，在 outer 区间评估一次。

快速开始

需要 Python 3.10+、本地 Parquet 特征面板，以及支持结构化 JSON 输出的 /chat/completions 模型接口。因子研究与模型评估可在 CPU 上运行；模型推理由所连接的服务提供。

1. 安装

在仓库根目录执行：

python3 -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.txt

2. 配置模型

可使用托管 API，也可连接自行部署的兼容接口。

export ALPHADIVERSE_BASE_URL="https://your-provider.example/v1"
export ALPHADIVERSE_MODEL="your-model-id"
read -r -s -p "API key: " ALPHADIVERSE_API_KEY
export ALPHADIVERSE_API_KEY

Planner、Realizer 和 Analysis 默认共用上述模型。使用本地推理服务时，设置 ALPHADIVERSE_BACKEND=local；无需认证的本地接口可省略密钥。

按角色配置与生成参数

使用 ALPHADIVERSE_PLANNER_、ALPHADIVERSE_REALIZER_ 或 ALPHADIVERSE_ANALYSIS_ 前缀覆盖对应角色的设置，例如 ALPHADIVERSE_PLANNER_MODEL 和 ALPHADIVERSE_REALIZER_BASE_URL。

环境变量后缀	默认值	说明
BACKEND	api	api 或 local
CONTEXT_TOKENS	131072	按模型实际上下文上限设置
MAX_TOKENS	8192	初始输出预算，截断时可在上下文范围内有限重试
TIMEOUT_SECONDS	300	单次请求读取超时，单位为秒
TEMPERATURE	0.1	采样温度
THINKING	未设置	接口支持时使用0 / 1
REASONING_EFFORT	未设置	使用接口支持的推理强度取值

3. 启动研究

按照数据接口准备特征面板后运行：

python -m alphadiverse \
  --data data/base_panel \
  --membership-data data/daily_weights \
  --market hs300 \
  --base level1 \
  --folds 1 \
  --rounds 20 \
  --output results/hs300_run

默认设置：HS300 · Level1 · 1 fold · 20 轮 · feature mask 70%。 如果特征面板已包含完整的逐日历史成分标记，可省略 --membership-data。bash run.sh 与 python -m alphadiverse 等价；每次运行使用新的输出目录。

市场、时间区间与研究设置

参数	默认值	可选设置
--market	hs300	ashare、hs300、csi500、csi1000
--base	level1	level1、alpha20
--folds	1	设为 n 可运行n折研究
--rounds	20	研究轮数
--feature-mask	70	屏蔽可选研究特征的百分比，保留基础输入
--threads	4	本地计算线程数
--inner-start / --inner-end	2022-05-01 / 2025-12-31	inner 研究区间
--outer-start / --outer-end	2026-01-01 / 2026-08-31	最终留出评估区间

时间区间需要覆盖足够的交易日，以支持训练、验证与研究切分。基础因子也可通过 --base-features 显式指定，详见数据接口。

数据准备

系统读取本地预计算的股票—日期特征面板，支持单个 Parquet 文件或互不重叠的 Parquet 分区。每个 date—symbol 对应一条记录。

输入	内容
标识与行情	date、symbol、open、high、low、close、volume、turnover
研究特征	基础因子，以及可用的日频 / 分钟频量价特征
收益标签	label_<market>_excess_ret_1d
历史股票池	in_<market>，或通过 --membership-data 提供逐日历史成分

信号日 t 的特征使用截至当日收盘的信息，预测目标为 open(t+1) → open(t+2) 的市场超额收益。使用逐日历史成分，并在数据准备阶段完成可交易股票筛选。

完整字段、Level1 / Alpha20 基础因子、滚动窗口预热与成分表格式见 数据接口文档。

评估与结果

循环使用 inner 时间折进行因子筛选和模型选择；Ridge 与 LightGBM 在相同切分下评估。新增因子通过筛选且提升模型综合分时，才进入保留集合。研究结束后冻结因子集合与模型选择，使用 inner 数据完成最终拟合，再执行 outer 评估。

综合分与时间切分

Inner 按时间顺序划分为指定折数，每折使用 70% 训练 / 10% 验证 / 20% 研究评估，并清除标签区间跨界的样本。保留新因子要求交易日加权综合分提高，且严格多数对应折改善。

综合分为以下五项归一化指标的均值：

指标	RankIC	RankICIR	IC	ICIR	多空年化收益
归一化尺度	0.05	0.35	0.03	0.25	0.30

ICIR / RankICIR 为日度相关系数均值除以日度标准差，Sharpe 按年化口径计算。收益均为费前研究口径。

results/hs300_run/
├── run.json             # 运行配置与状态
├── rounds/              # 每轮计划、因子、决策与反馈
├── factors.json         # 因子规格与 accepted / retained 标记
├── summary.json         # 完成摘要与最终保留因子
├── metrics.csv          # Baseline / final 的 outer 指标
├── daily_ic.csv         # 逐日 IC 与 RankIC
├── returns.csv          # 评分口径的逐日组合收益
├── final_groups.csv     # 最终模型十组收益
├── final_returns.csv    # 最终模型 top10%−bottom10% 收益
└── equity.png           # 最终模型四子图

equity.png 展示最终模型的 十组净值、top10%−bottom10% 净值、回撤及最大回撤、20 日滚动 RankIC。若运行中断，status.json 记录失败阶段，已完成轮次保留。

代码导航

模块	内容
alphadiverse/agent/	研究规划、检索、实现、验证与反馈闭环
alphadiverse/operators/	因子算子注册、规格校验与执行
alphadiverse/factors/	量价特征与基础因子定义
alphadiverse/model_eval.py	时间折选模与最终留出评估
alphadiverse/config.py	默认研究与评估设置

引用

如果本项目对你的研究有帮助，欢迎引用论文：

@article{wang2026alphadiverse,
  title   = {AlphaDiverse: Post-Training Local Quantitative Research Agents for Diverse Exploration in Alpha Factor Mining},
  author  = {Wang, Qingzhuo and Wei, Zikun and Wei, Zhihua and Shen, Wen},
  journal = {arXiv preprint arXiv:2609.29014},
  year    = {2026},
  url     = {https://arxiv.org/abs/2609.29014}
}