第一讲 · AI 因子工厂是怎么运转的《AI 挖因子时如何不被自己和 AI 骗到》第一章第一讲学习目标理解 RD-Agent 类因子挖掘循环的五个步骤、人与 AI 的分工边界能看懂一次循环的执行记录。1. 开场一台真实跑过的机器这门课的素材全部来自一次真实战役2026 年 9 月在一个 23 个品种的期货面板上2022-12 至 2026-09约 918 个交易日用 RD-Agent 循环自动挖掘因子。第一轮13 品种产出 136 个试验第二轮到第一个窗口收口时跑了 40 个循环产出 200 多个工作区。先给结论这门课后面每一讲都在论证它AI 因子工厂替代的是手不是判断。它一晚上能写几十个因子的代码并跑完回测这是真的但提出的假设是否成立、结果能不能信每个环节的判断仍然是人的——而结果能不能信恰恰是最容易做错的一环。2. 循环的五步构思(gen) → 写码(coding) → 回测(running) → 反馈(feedback) → 记录(record) ↑____________________ 记忆在循环间传递 ____________________|第一步构思direct_exp_gen。LLM 读取历史因子的反馈记录“上一个动量因子在 2024 年段失效”提出新的因子假设一段动机陈述、公式草案、预期方向。这一步的输入还包括人定义好的数据面板——23 个品种 × 21 列开高低收、成交量、结算价、基差、持仓量等。第二步写码coding。把假设翻译成可执行的 pandas 代码在面板上计算因子并落盘。这一步是最工程的也是 LLM 表现最稳的一步——代码要么跑通要么报错反馈是即时的。第三步回测running。因子被送进 qlib 回测产出超额收益、IC 序列等指标。注意回测口径基准是谁、能不能做空、成本怎么算是人预先写死在配置里的AI 改不了。本战役的基准是 23 品种等权指数EQWI-23多空评估走向量化口径。第四步反馈feedback。LLM 读回测结果写实验笔记为什么有效/失效、下一步试什么。这是循环里最有意思的一步——AI 给自己写复盘。第五步记录record。归档到工作区供下一轮构思读取。关键机制记忆。第 N 轮的构思会读第 N-1 轮的反馈所以它不是独立随机撒点是有累积的。但注意记了笔记 ≠ 吸取了教训——第三讲我们会看到它的演化很大程度是在已知量价现象上做重组合。3. 一次循环执行记录长什么样打开 Console 的运行记录页选期货第二轮首窗那条 40 循环的会话展开任意一个循环五个步骤目录依次排开。两个值得驻足的位置构思步的输出一段完整的因子假设文档——“基于期限结构的假设基差深度贴水时……预期空头方向收益……”。念出来你会发现像一份入门研究员的开题报告。反馈步的输出读回测数字后写的自我总结——“该因子在加入波动率过滤后失效推测原因为……建议下一轮尝试……”。快速往后翻Loop_15、Loop_30 的构思内容明显在回应前面的反馈。这就是记忆在起作用。4. 工厂的日常一半时间在跟基础设施搏斗真实的执行记录里还有大量不体面的部分。第二个窗口刚启动就撞上 LLM 服务端故障HTTP 200 但返回空响应持续断续 24 小时以上一个窗口约一半产能被吃掉。应对是工程化的断点续跑监督器、30 次重试加退避、会话恢复。这一节想传达的不是具体技术而是一个预期管理宣传视频里的 AI 工厂是永动印钞机执行记录里的 AI 工厂日常一半时间在报错重试。评估这套系统的正确单位不是它多聪明而是扣除故障后单位成本产出多少个可检验的假设。5. 人站在哪里决策归属本战役的实际选择数据面板品种、列、复权方式人23 品种、结算价衔接复权、含基差/持仓量回测口径基准、成本、能否做空人EQWI-23 等权基准、向量化多空时间预算、何时开停人6 小时窗口、监督器收口因子假设本身AI40 循环 × 每循环若干因子代码实现AI自动生成、自动修错信不信结果、怎么验证人独立验证管线第二章主角注意最后一行这是整张表里最难、也最容易被略过的一格。工厂自带的回测会告诉你每个因子的超额收益——290 个因子的排行榜最高的自报超额 26%。这些数字一个都不能直接信。为什么、怎么验是第二章的内容。6. 本讲小结五步循环构思→写码→回测→反馈→记录记忆跨循环传递AI 的强项在写码反馈即时、对错分明弱项在假设的金融逻辑第三讲展开人负责数据、口径、预算和验证AI 负责假设和实现290 个因子、自报超额最高 26%——把这个数字记住第二讲拆它思考题如果让循环跑 1000 轮而不是 40 轮排行榜第一名的自报超额会更可信还是更不可信为什么答案方向在第二讲