🤖 AI

AlphaCrafter: Harnessing Multi-Agent Workflows for Cross-Sectional Quantitative Trading

本文介绍了 AlphaCrafter，这是一个通过将松散的自然语言工作流替换为具有可编程策略规范和显式验证机制的结构化、束缚驱动型设计，从而增强量化交易的可靠性、可控性和可验证性的多智能体框架，实验结果表明，该框架实现了具有更低方差的更优风险调整收益。

原作者： Yishuo Yuan, Jiayi Sheng, Sirui Zeng, Jiaqi Wang, Jiaheng Liu

发布于 2026-07-29

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Yishuo Yuan, Jiayi Sheng, Sirui Zeng, Jiaqi Wang, Jiaheng Liu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一个计算机不再仅仅遵循僵化配方，而是能够真正“思考”如何解决复杂问题的世界。这就是人工智能（AI）的领域，特别是被称为量化交易的一个分支。你可以把它想象成一场高风险的电子游戏，目标是预测股票的涨跌以赚取利润。几十年来，人类一直编写严格的计算机程序来做这件事，但市场就像一片混乱的海洋——风暴会改变，洋流会偏移，旧的地图往往会导致沉船。最近，科学家开始使用大语言模型（LLM）——这些经过几乎全世界所有文本训练的超智能 AI 大脑——来充当交易员。其核心理念是，这些 AI 大脑可以阅读新闻、理解模式并做出比静态计算机程序更好的决策。然而，这里有一个陷阱：如果你只是要求 AI “为我交易”，它可能会感到困惑、产生幻觉，或者在你每次询问时表现得都不一样，这使得它在处理真金白银时风险过高。

南京大学的研究人员提出的一个新颖解决方案解决了这个问题。他们推出了 AlphaCrafter，这是一个不仅仅让 AI “随性发挥”的系统。相反，他们为 AI 构建了一个严格的“护栏”，就像给野生动物套上安全笼，或者为混乱的游戏制定规则手册。他们发现，通过强制 AI 遵循一个带有内置检查与平衡机制的结构化、分步式工作流，系统会变得更加可靠。他们的实验表明，这种“护栏驱动”的方法有助于 AI 在市场疯狂波动时，依然能持续做出更优的盈利决策，且崩溃风险更低。这有点像意识到：比起仅仅告诉一位天才厨师“去煮点好吃的”，并寄希望于好运，不如给他一份严格的、经过验证的食谱和一名安全检查员。

问题所在：“松散提示词”陷阱

想象你请一位非常聪明但有些随性的朋友来组织一场盛大的派对。如果你只是说“让它很精彩！”（这是一个“松散提示词”），他们可能会带个小丑、一支爵士乐队和一个披萨烤炉过来，却忘了准备椅子。根据心情的不同，他们可能某天做得很好，另一天却做得一塌糊涂。在 AI 交易领域，许多现有系统就是这样运作的。它们依赖简单的文本指令来告诉 AI 该做什么。问题在于，这些 AI 大脑是不可预测的。它们可能会忘记规则、中途改变主意，或者根据你使用的具体 AI 模型不同而表现各异。在动辄涉及数百万美元的股市中，这种“松散”的行为是危险的。它会导致结果的不一致，并使得长期信任该系统变得不可能。

解决方案：AlphaCrafter 的“护栏”

AlphaCrafter 背后的研究人员决定不再把 AI 当作自由奔放的艺术家，而是将其视为工厂里纪律严明的工人。他们构建了一个多智能体框架，这意味着他们并没有只让一个 AI 完成所有工作。相反，他们创建了一个由专业 AI 智能体组成的团队，每个智能体都有特定的职责，并且在每个智能体周围都套上了“护座”。

把这个护栏想象成登山者的安全绳。它并不会阻止登山者移动，只是确保他们在滑倒时不会坠入悬崖。在 AlphaCrafter 中，护栏包括：

可编程策略： AI 必须遵守的严格规则。
执行约束： 对 AI 能做的事情进行限制。
验证机制： 自动检查以确保 AI 没有出错。

该系统分为三个协同工作的“护栏”循环：

矿工（因子猎手）： 想象一位寻找黄金的探矿者。这个 AI 智能体的任务是发明新的“因子”。在交易中，因子是一个可能预测股票上涨（例如“低价股倾向于上涨”）的线索或信号。矿工会生成数千个这样的线索，但它并不会全部保留。它会将这些线索通过严格的测试。如果一个线索在过去表现不佳，护栏就会将其丢弃。只有最可靠、最优秀的线索才会被加入库中。
筛选器（机制侦探）： 想象一位天气预报员。市场会变换“机制”（如晴天、风暴或浓雾）。一个在平静市场中有效的线索，在风暴中可能会失效。筛选器观察当前的 시장环境，询问 AI：“现在是什么天气？”然后仅挑选那些在今天的天气下表现良好的线索。它会过滤掉差的线索，并将好的线索归类。
交易员（执行飞行员）： 这是驾驶飞机的飞行员。它从筛选器那里获取优质线索列表，并决定在每项线索上投入多少资金。它运行模拟（类似于飞行模拟器）来测试不同的策略。它只选择那个承诺最高回报且最低风险的策略，然后执行交易。

研究发现：稳定性是新的超级力量

研究人员在两个巨大的股票市场进行了测试：沪深 300 指数（中国前 300 家公司）和 标普 500 指数（美国前 500 家公司）。他们将该系统与其他方法进行了对比，包括传统的数学公式、标准机器学习以及其他未使用这种“护栏”系统的 AI 交易机器人。

结果显而易见。虽然其他 AI 系统表现得像过山车——有时获得巨额利润，有时又遭遇惨重崩盘——但 AlphaCrafter 非常稳健。

更高的回报： Alpha，在最佳测试中，AlphaCrafter 的收益持续高于大多数其他方法，在中国市场的夏普比率（衡量单位风险所获收益的得分）约为 1.67，在美国市场约为 1.34。
更少的混乱： 最大的胜利不仅在于赚钱，更在于可靠地赚钱。当研究人员将相同的测试运行 10 次时，AlphaCrafter 的结果几乎每次都完全相同。其他 AI 系统则波动巨大；一次运行可能表现极佳，下一次可能表现糟糕。AlphaCrafter 的“护栏”无论内部使用的是哪种具体的 AI 大脑（如 GPT、Claude 或 Gemini），都能让 AI 保持在轨道上。
在风暴中生存： 他们还观察了“阿尔法衰减”（Alpha Decay），即由于其他人都掌握了某种规律，导致某个交易线索失效的现象。AlphaCrafter 的矿工能不断寻找新的线索来替换旧的，从而保持系统的鲜活性和有效性；相比之下，其他系统随着市场变化，其表现会出现下滑。

总结

该论文表明，让 AI 成为可靠交易员的秘诀不在于仅仅让 AI 变得更“聪明”，而在于构建一个更好的结构。通过将 AI 包裹在一个强制其遵守规则、检查自身工作并专注于特定任务的护栏中，AlphaCrafter 将一个混乱、不可预测的 AI 转变为一个纪律严明、可靠的交易伙伴。它证明了在金融这一高风险游戏中，一个拥有安全网的组织严密的团队，远比一个只有松散计划的天才个体更强大。这种方法不仅能赚钱，还让整个过程更加安全、透明且易于信任。

技术摘要：AlphaCrafter

问题陈述

量化交易智能体在自动化因子发现、信号聚合和投资组合执行方面已展现出潜力。然而，现有的基于智能体的系统主要依赖于描述模糊的自然语言工作流。这种方法导致了几个关键缺陷：

推理不透明： 决策过程缺乏透明度。
不一致性： 不同基础模型及重复执行之间的行为存在显著差异。
可控性与可验证性有限： 缺乏显式约束引入了显著的金融决策风险，特别是在对持续一致性要求极高的长周期交易中。

传统的量化策略从经典因子模型演进到机器学习和深度学习，其运作遵循静态设计理念，在市场动态变化时需要人工干预。虽然大语言模型（LLM）智能体提供了自动化可能，但目前的实现往往缺乏可靠、可复现的金融应用所需的显式执行策略和验证机制。

方法论：AlphaCrafter 框架

为了解决这些局限性，作者提出了 AlphaCrafter，一个用于截面量化交易的驱动式（harness-driven）多智能体框架。AlphaCrafter 并非将智能体行为视为不受约束的提示词执行，而是将每个智能体封装在一个结构化的**执行控制台（execution harness）**中。该控制台集成了可编程的策略规范、执行约束和显式验证机制，将交易流水线转化为一系列定义明确、可复现且可审计的决策过程。

该框架运行在一个形式化的交易环境 $E = (T, M, Z, \Pi)$ 上，并利用两种形式的记忆：用于即时情境感知的上下文记忆（In-context Memory），以及作为交易轨迹共享仓库的持久化长期记忆（Persistent Long-Term Memory）。系统由三个专门的智能体集群组成，每个集群都受特定的控制台策略管理：

1. 挖掘者集群控制台 ( $P_M$ )

功能： 自主因子生成、严格验证及持续库维护。
机制：
- LLM 根据当前市场状况生成候选因子表达式。
- 候选因子通过一组全面的指标在历史数据上进行验证：信息系数 (IC)、秩相关系数 (Rank IC)、IC 信息比率 (ICIR)、胜率、覆盖度以及跨多个预测周期的换手率。
- 算法 1 详细说明了该策略：有效的因子被添加到库 $Z$ 中；现有因子会被定期重新验证；表现衰减的因子会被剔除。
- 这确保了因子库能够动态适应不断变化的市场机制。

2. 筛选者控制台 ( $P_S$ )

功能： 通过将信号与盛行市场机制对齐，提炼出连贯的因子集成。
机制：
- 通过专用工具检索市场信息，并使用 LLM 诊断当前市场机制（趋势、波动率、相关性结构）。
- 根据与诊断出的机制的语义相关性，从库中过滤因子。
- 基于近期预测表现（平均 Rank IC）计算适用性得分。
- 通过基于 LLM 的相似性评估来强制执行多样性，拒绝与已选因子语义相似的因子。
- 分配方向性权重，以形成适应当前市场动态的多样化集成。

3. 交易者控制台 ( $P_T$ )

功能： 组合并执行交易策略。
机制：
- 以因子集成和机制评估作为输入。
- 在市场机制的条件下，采样超参数配置（例如，长/短持仓强度、头寸规模）。
- 通过实例化参考性的 Top-K 多空组合构建机制，生成可执行的策略代码。
- 算法 3 概述了该过程：候选方案通过回测进行评估。选择在满足风险约束（如最大回撤、最小收益）的同时使夏普比率最大化的配置。
- 最优策略在实盘数据上执行。

核心贡献

驱动式智能体执行： 本文提出了首个用于截面量化交易的驱动式多智能体框架。它用可编程的执行策略、显式行为约束和验证机制取代了描述模糊的提示词驱动工作流，实现了可控且可复现的智能体执行。
稳健的长周期交易性能： 大量实验表明，与最先进的基准相比，驱动式设计产生了更高的风险调整后收益，且跨模型和跨试验的方差显著降低。

实验结果

该框架在 沪深 300（中国 A 股）和 标普 500（美国股票）市场上进行了评估，数据跨度从 2016 年至 2026 年中期（包含实盘交易阶段）。

性能指标： 与传统指标（MACD、网格交易）、机器学习模型（LightGBM、XGBoost、LSTM、Transformer）以及其他基于智能体的方法（TradingAgents、TradingGroup、RD-Agent、AlphaAgent）相比，AlphaCrafter 一致实现了更高的年化收益率 (AR)、夏普比率 (SR) 和更低的最大回撤 (MDD)。
稳定性：
- 试验稳定性： 在 10 次独立的测试回测试验中，AlphaCrafter 表现出最小的跨试验方差和最高的最低收益，表明其尾部风险较低。
- 模型稳定性： 该框架在三种不同的骨干 LLM（GPT 5.3 Codex、Claude Opus 4.6、Gemini 3.1 Pro）上保持了稳定的性能特征，证明了控制台有效地实现了有效性与特定底层模型的解耦。
Alpha 衰减缓解： 与遭受严重波动和负 IC 值的静态因子集（如 Alpha158 全局前 20 名）不同，AlphaCrafter 在半年度周期内保持了稳定的 IC 水平（约 0.02）。这证实了其自适应库维护和基于正则化的搜索在缓解 Alpha 衰减方面的有效性。
消融研究： 移除任何组件（挖掘者、筛选者或交易者）或将系统坍缩为单智能体模型，都会导致性能下降、方差增加和回撤增加。这验证了多智能体、模块化控制台设计对于上下文隔离和聚焦执行的必要性。

意义与主张

论文声称 AlphaCrafter 为构建更可靠、可控且稳健的量化交易多智能体系统提供了切实的基础。

从隐式到显式： 核心意义在于将智能体设计从隐式的、提示词驱动的过程转向显式的、可验证的计算工作流。对于解决复杂的长周期任务而言，围绕 LLM 的“控制台”与模型本身同样重要。
可复现性： 通过将智能体封装在结构化策略中，系统确保了交易流水线是可审计且可复现的，解决了当前基于 LLM 的金融应用中的一个重大空白。
风险意识： 个案研究表明，集成的控制台系统表现出内在的风险意识，能够根据市场波动性动态调整头寸暴露，这种能力并非源于显式的波动率目标规则，而是源于挖掘者、筛选者和交易者之间协调约束的涌现。

作者总结道，严谨的基于控制台的设计是实现既能适应不断变化的市场条件，又能保持金融决策所需严谨性的自动化交易系统的可行路径。