Factor Loop Evolve

简体中文 | English

面向 AI Agent 的本地闭环因子进化技能：生成候选因子、验证、用 PandaData A 股数据回测、诊断表现、让 LLM 提出语义改进，然后迭代。

本技能仅用于研究流程，不构成投资建议。

功能概览

• 按因子契约验证表达式是否合法。
• 使用真实 A 股 OHLCV 数据进行固定口径多空回测。
• 用 Sharpe、IC、换手率、回撤和分类结果诊断因子。
• 在单次运行内记录有效模式和失败模式。
• 默认优先使用 LLM 生成改进建议，再生成下一批候选因子。
• 输出最终汇总和进化图，方便复盘。

输入方式

可以从以下内容开始：

• 一个或多个明确的因子表达式。
• 自然语言因子想法，例如动量、反转、量价背离。
• 随机探索请求。
• 研报、论文或笔记中的因子描述。

如果没有明确指定目标或输出，默认目标是提高 Sharpe，并由 Agent 自行设计初始候选因子。

所有表达式都必须遵循因子契约。

示例：

帮我优化这个因子，跑 3 轮：
rank(returns(close,20) / ts_std(returns(close,1),60))

随机生成 10 个动量和反转候选因子，跑 5 轮进化。

环境准备

在技能根目录创建 .env：

PANDA_AI_USERNAME="your_username"
PANDA_AI_PASSWORD="your_password"
PANDA_AI_BASE_URL="http://pandadata.pandaaiquant.com"

安装依赖：

pip install -r requirements.txt

结果解读

优先阅读 final_summary.json，其中包含：

• 每轮最佳 Sharpe 变化。
• 最佳因子列表。
• Pareto 前沿。
• 是否值得保留。
• 原始用户请求。
• 本次运行配置。

其他常用输出：

• diagnosis.json：每个因子的指标和分类。
• backtest_results_all.json：所有迭代的回测结果。
• knowledge_base.json：本次运行学到的模式。
• candidate_evolution.json：因子父子关系。
• evolution_diagram.md：进化图。
• trading_data/：组合收益、IC 序列和持仓。

构建 Alpha 因子库

多次运行进化流程后，output/ 目录下会积累多个 run_* 文件夹。使用 build_alpha_library.py 将所有运行的 final_summary.json 合并成一个统一的 因子库，并按表达式去重（相同表达式保留 Sharpe 最高的那次）。

用法

# 基本用法：扫描 output/ 下所有 run_*，生成 alpha_library.json
python scripts/build_alpha_library.py

# 指定输出路径
python scripts/build_alpha_library.py --output my_library.json

# 只保留 Sharpe ≥ 0.3 的因子
python scripts/build_alpha_library.py --min-sharpe 0.3

# 指定自定义 output 目录
python scripts/build_alpha_library.py --output-dir /path/to/output

参数说明

参数	说明	默认值
--output	输出 JSON 文件路径	alpha_library.json（技能根目录）
--min-sharpe	最低 Sharpe 阈值，低于此值的因子不收录	无限制
--output-dir	包含 run_* 文件夹的目录	./output/

输出格式

生成的 alpha_library.json 结构：

{
  "meta": {
    "total_factors": 60,
    "total_runs_scanned": 12,
    "total_runs_contributing": 12,
    "positive_sharpe_count": 28,
    "best_sharpe": 0.8656,
    "worst_sharpe": -0.4289,
    "min_sharpe_filter": null
  },
  "entries": [
    {
      "expression": "-1 * rank(delta(returns(close, 10), 5) / ...)",
      "sharpe": 0.8656,
      "source_run": "run_20260713_194041_model_creativity",
      "source_query": "use your creativity to generate powerful alphas",
      "worth_keeping": true,
      "slug": "1_rank_delta_returns_close_10_5_max_..."
    }
  ]
}

每个因子条目包含：

• expression — 因子表达式。
• sharpe — 年化 Sharpe 比率。
• source_run — 来源运行目录名。
• source_query — 触发该运行的原始查询。
• worth_keeping — 该运行是否值得保留。
• slug — 表达式导出的短标识名。

因子按 Sharpe 从高到低排序。meta 中提供汇总统计，方便快速了解库的整体质量。

配置

通过 config.json 调整回测区间、股票池、成本、停止条件、分类阈值和变换设置。

如果用户明确指定参数，例如“跑 10 轮”或“用 CSI 500”，本次运行应优先使用用户指定值。

参考文件

• SKILL.md：Agent 主说明。
• references/factor-contract.md：字段、函数和表达式规则。
• references/optimization-protocol.md：循环协议和分类规则。
• references/agent-integration.md：安装和冒烟测试。

License

GPL-3.0. See LICENSE.