在量化金融领域，真正耗时的往往不是单次回测，而是从海量市场数据中提出假设、写出信号、执行回测、评估结果并持续优化的整条研究链路。长期以来，这一过程高度依赖研究员手工迭代，涉及策略构思、代码实现和效果验证等多个环节，效率瓶颈明显。NVIDIA 这篇文章展示的多智能体信号发现方案，尝试把这类传统“人工磨信号”的流程，转化为由多个专用 agent 协同驱动的自动闭环。
该系统基于 NVIDIA Nemotron 开放模型和 NeMo Agent Toolkit 构建，核心由三个角色分工明确的智能体组成：负责提出潜在 alpha 假设的 signal agent、把信号表达式转成可执行 Python 代码的 code agent，以及运行回测并给出优化建议的 evaluation agent。它们在统一编排层下持续循环，把“想法—实现—评估—修正”的研究过程从串行人工流程变成可反复执行的系统化工作流。
文章提到，为了降低生成信号时出现“数学上说不通”或不可复现表达式的风险，NVIDIA 预先向 signal agent 提供了一组结构化算子库，包括算术、排序、时间序列、动量、波动率等 66 类基础操作。智能体并不是凭空生成公式，而是在这些可解释、可执行的运算模块上做组合。这种设计让输出结果天然具备更好的可追踪性，也便于后续回测、归因和二次优化。
在评估阶段，系统会计算 IC、Rank IC 等量化研究中常用指标，用来衡量信号对未来收益排序的预测能力，并根据阈值决定接受、拒绝或继续优化。文章给出的示例显示，该流程可以围绕 momentum 类信号进行多轮自动迭代，最终筛选出在给定测试集上表现更稳定的候选公式。虽然示例结果并不意味着“直接可交易”，但它展示了 AI agent 如何帮助研究团队更快发现值得继续深挖的方向。
NeMo Agent Toolkit 在这里承担的关键价值，不只是让多个 agent 串起来，而是把整个研究流程配置化。模型分工、阈值、迭代轮数、前瞻周期等参数都可以通过 YAML 调整，研究人员无需反复改底层代码，就能快速试验不同研究策略。再结合 Arize Phoenix 等可观测工具，团队还可以追踪每轮生成、回测和优化背后的 reasoning path，减少“结果出来了但不知道为什么”的黑盒问题。
对量化团队而言，这类多智能体系统最现实的意义，不是立刻替代研究员，而是把大量高重复、低效率的前期试错工作自动化，让研究资源更多投入到经济逻辑判断、风险约束和策略组合设计上。随着 agent 能力和工具链逐步成熟，金融信号发现很可能会从个人经验驱动，转向更连续、可观测、可复用的自动研究流水线。
WeChat
Profile