在量化金融領域，真正耗時的往往不是單次回測，而是從海量市場資料中提出假設、寫出信號、執行回測、評估結果並持續優化的整條研究鏈結。長期以來，這一過程高度依賴研究員手工迭代，涉及策略構思、代碼實現和效果驗證等多個環節，效率瓶頸明顯。NVIDIA 這篇文章展示的多智能體信號發現方案，嘗試把這類傳統「人工磨信號」的流程，轉化為由多個專用 agent 協同驅動的自動閉環。
該系統基於 NVIDIA Nemotron 開放模型和 NeMo Agent Toolkit 構建，核心由三個角色分工明確的智能體組成：負責提出潛在 alpha 假設的 signal agent、把信號表達式轉成可執行 Python 代碼的 code agent，以及運行回測並給出優化建議的 evaluation agent。它們在統一編排層下持續循環，把「想法—實現—評估—修正」的研究過程從串行人工流程變成可反復執行的系統化工作流。
文章提到，為了降低生成信號時出現「數學上說不通」或不可復現表達式的風險，NVIDIA 預先向 signal agent 提供了一組結構化算子庫，包括算術、排序、時間序列、動量、波動率等 66 類基礎操作。智能體並不是憑空生成公式，而是在這些可解釋、可執行的運算模組上做組合。這種設計讓輸出結果天然具備更好的可追蹤性，也便於後續回測、歸因和二次優化。
在評估階段，系統會計算 IC、Rank IC 等量化研究中常用指標，用來衡量信號對未來收益排序的預測能力，並根據閾值決定接受、拒絕或繼續優化。文章給出的示例顯示，該流程可以圍繞 momentum 類信號進行多輪自動迭代，最終篩選出在給定測試集上表現更穩定的候選公式。雖然示例結果並不意味著「直接可交易」，但它展示了 AI agent 如何幫助研究團隊更快發現值得繼續深挖的方向。
NeMo Agent Toolkit 在這裡承擔的關鍵價值，不只是讓多個 agent 串起來，而是把整個研究流程配置化。模型分工、閾值、迭代輪數、前瞻週期等參數都可以通過 YAML 調整，研究人員無需反復改底層代碼，就能快速試驗不同研究策略。再結合 Arize Phoenix 等可觀測工具，團隊還可以追蹤每輪生成、回測和優化背後的 reasoning path，減少「結果出來了但不知道為甚麼」的黑盒問題。
對量化團隊而言，這類多智能體系統最現實的意義，不是立刻替代研究員，而是把大量高重復、低效率的前期試錯工作自動化，讓研究資源更多投入到經濟邏輯判斷、風險約束和策略組合設計上。隨著 agent 能力和工具鏈逐步成熟，金融信號發現很可能會從個人經驗驅動，轉向更連續、可觀測、可復用的自動研究流水線。
WeChat
Profile