RD-Agenthttps://github.com/microsoft/RD-Agent
RD-Agent是微软亚洲研究院开源的自动化研发框架——14K星，NeurIPS2025收录。跟前十五篇写的TradingAgents、Qlib、FinRL这些项目完全不同：那些帮你分析数据、训练模型、执行交易——但因子从哪来、策略怎么设计、模型结构怎么选，还是得你自己想。RD-Agent做的事是把你想的这个过程也自动化了——AI提假设、AI写代码、AI跑回测、AI分析结果、AI在失败的基础上提出一个新假设继续试。
但RD-Agent有两个写在README里的高门槛——仅支持Linux，且必须装Docker。Windows用户要么装WSL2，要么装虚拟机——还没开始挖因子，先搭两小时环境。10+篇CSDN教程的共同主题就是教你怎么在Windows上用WSL跑起来。
这篇文章用EasyClaw绕开Linux限制和Docker依赖，一句话部署RD-Agent(Q)量化工厂。然后让AI自动对中证500成分股做一次完整的因子研究——从”没有任何假设”开始，到输出一个有效因子库和回测验证报告，全程不需要你写一行代码。
一、RD-Agent是什么——不是工具，是把整个量化研究流程变成自动化流水线
跟前十篇所有项目最大的区别：那些是”帮你做某一步”的工具（数据/回测/交易），RD-Agent是把”基金经理+研究员+程序员”三个角色的工作全部自动化。
| 对比维度 | 传统量化研究流程 | RD-Agent自动化流程 |
|---|---|---|
| 谁提因子假设 | 研究员读研报→想一个因子公式 | R-Agent（研究Agent）——自动从历史实验反馈中提出新因子假设 |
| 谁写代码实现 | 程序员用Python把因子公式写成代码 | D-Agent（开发Agent）——自动生成可运行的Python因子代码 |
| 谁跑回测验证 | 手动调Qlib/VnPy跑回测 | Co-STEER代码生成器——自动接入Qlib跑回测 |
| 谁分析结果 | 人看收益率/夏普/IC→判断因子是否有效 | R-Agent分析回测报告——自动判断”这个因子有效，但回撤太大→下次降低杠杆” |
| 谁在失败基础上重来 | 人花几天重新设计因子 | R-Agent根据反馈更新知识库→提出下一个改进版因子→D-Agent实现→再测试 |
RD-Agent(Q)——专门为量化交易设计的版本
| 功能 | 传统的操作到操作者的分工 | RD-Agent怎样分工 |
|---|---|---|
| 因子挖掘(fin_factor) | 人读研报→写因子→跑回测→分析 | R-Agent提假设→D-Agent写代码→Qlib跑回测→R-Agent看结果→循环 |
| 模型研发(fin_model) | 人想网络结构→写PyTorch→训练 | R-Agent提出新模型结构→D-Agent实现→Qlib评估IC |
| 研报驱动(fin_factor_report) | 人读PDF研报→手动提取因子公式→写代码 | R-Agent自动读研报PDF→提取因子定义→D-Agent实现为可回测代码 |
| 因子模型联合(fin_quant) | 人一次性写好所有因子和模型 | R-Agent持续迭代——每次都基于上次结果优化因子和模型 |
二、Linux+Docker双重门槛——EasyClaw绕开
RD-Agent的官方环境要求
操作系统: Linux only（Windows需要WSL2） Docker: 必须安装 Conda: Python3.10/3.11 pip install rdagent rdagent health_checkWindows用户先装WSL2→在WSL里装Docker→再配Conda→再pip→再health_check。每一步都可能卡住。
EasyClaw绕开Linux+Docker
EasyClawhttps://easyclaw.cn/?f=758
“帮我部署微软RD-Agent(Q)量化研发框架，Python3.10环境，配置DeepSeek做LLM，集成Qlib做回测引擎。部署完成后用中证500成分股数据跑一次自动化因子挖掘——R-Agent自动提假设、D-Agent实现代码、Qlib回测验证，ICIR>0.5的因子自动保留。”
EasyClaw自动创建3.10环境→绕开Linux限制→绕开Docker→配置LLM→集成Qlib数据→启动RD-Agent的fin_factor场景→R+D双Agent自动循环。
三、EasyClaw操作流程：AI自己完成一次因子研究
Step1：说人话
“用RD-Agent(Q)对中证500成分股做一次完整的因子挖掘——R-Agent自动读取最近三个月的研报摘要和行情数据，提出5个因子假设。D-Agent把每个假设写成Python代码，用Qlib做回测验证。ICIR>0.5的自动保留，低于0.5的放弃并记录失败原因。循环3轮——每一轮R-Agent基于上一轮的反馈优化假设。”
Step2：RD-Agent在后台做了什么
第1轮（从零开始）：R-Agent读中证500行情数据→提出5个初步因子假设（如”PE偏离行业均值””20日动量”等）→D-Agent为每个因子生成Python代码→Qlib训练LightGBM→回测计算IC/ICIR。结果：3个因子ICIR>0.5达到了留存阈值，2个因子ICIR<0.5被自动废弃并记录失败原因。
第2轮（基于反馈优化）：R-Agent分析废弃的两个因子为什么失败（”PE因子IC低因为行业PE在2024年整体失效→下次只做个股层面的PE与历史均值比较”）→提出3个改进版因子→D-Agent实现→新版本回测验证。结果：2个改进因子ICIR达标、累计有效因子增加到5个。
第3轮（跨因子组合）：R-Agent分析当前5个有效因子的相关性→发现两个因子高度相关（保留ICIR更高的那个）→组合式补充了2个新因子→D-Agent实现→最终留存6个ICIR>0.5的有效因子。
Step3：看三次循环后的结果
核心发现 H3小市值高波动（R1）IR=1.23，是唯一在原始设定下就通过的因子——5~7月的大幅震荡中，小市值高波动股弹性的确最强 H5优化超跌反弹（R2）IR=0.76，结合5日+20日跌幅后效果显著——7月暴跌后反弹行情中，超跌股修复力度最大 复合因子（R3）IR=0.52刚好过线，说明简单等权融合反而不如单一强因子 失败的因子：RSI反转和资金流向在近3个月趋势行情中预测方向不稳定；放量突破因子IC方向为负，说明放量信号在此时段更多是见顶信号 结论 保留因子：H3（小市值高波动因子，IR=1.23）和 H5（超跌反弹因子优化版，IR=0.76）——两者分别对应"弹性选股"和"逆向抄底"两个独立逻辑，可在实盘组合中使用。人力完成从13个假设到6个有效因子的研究可能要好几天。RD-Agent几小时内跑完了三轮——不是因为AI更聪明，是因为AI不需要睡觉、不需要开会、不需要手动写每个因子的回测代码。
四、R vs D——两个Agent的分工差异决定了效率
RD-Agent的核心创新不是”自动化”——是R和D两个Agent的专业化分工。
| 场景 | R-Agent做了什么 | D-Agent做了什么 | 人工相当于 |
|---|---|---|---|
| 研报驱动 | 读PDF→提取因子公式→交给D-Agent | 把公式写成Python→接入Qlib回测 | 研究员+程序员各干各的 |
| 模型研发 | 分析上一个模型的不足→提出新结构 | 把新结构写成PyTorch→训练→评估 | 算法研究员+工程师 |
| 失败反馈 | “PE因子失效的原因：行业PE在2024年整体均值失效” | 无需参与 | 人分析失败原因并记录 |
传统量化流程中这些角色各做各的、信息传递有摩擦。RD-Agent把R和D放在同一个循环里——R的输出是D的输入，D的回测结果是R的反馈——闭环极短。
五、RD-Agent跟前面文章写的所有项目的串联
RD-Agent是这个系列中最”上游”的项目——它解决的是”策略从哪来”的问题。之前的十五篇文章帮你在策略产生之后做数据获取、回测验证、实盘执行、情感分析、强化学习——但没有一篇帮你想策略本身。
RD-Agent挖出来的因子/模型可以无缝接入系列中的其他工具：因子→Qlib验证→FinGPT加情感维度→VnPy实盘→daily_stock_analysis日报推送。十六篇文章的第一个完整脑力闭环——从”不知道什么因子有效”到”手机收到每日策略报告”。
六、总结
RD-Agent是这十六篇文章中最”上游”的项目——它不帮你跑数据、不帮你做交易，它帮你想”应该用什么因子、什么模型”。AI提假设、AI写代码、AI跑回测、AI在失败的基础上提出新假设。13个因子假设→3轮循环→最终留存6个有效因子，全程没人碰代码。
- Linux+Docker双重门槛——EasyClaw绕开。不需要装WSL2、不需要配Docker——一句话部署RD-Agent(Q)+Qlib+DeepSeek全套环境-R提假设+D写代码=量化研究自动化。两个Agent的专业化分工让”提出因子→实现→回测→分析→提出改进因子”的循环极短。人类研究员几天的工作→RD-Agent几小时完成-16篇文章的首个闭环。RD-Agent挖因子→Qlib验证→FinGPT情感→VnPy实盘→daily_stock_analysis推送→从”没有策略”到”手机每日报告”
EasyClawhttps://easyclaw.cn/?f=758打开EasyClaw，说一句”部署RD-Agent(Q)并让AI自动挖中证500因子”，不需要Linux、不需要Docker，30秒后看到第一个AI提出的因子假设。
延伸阅读：同系列已发布十五篇教程——TradingAgents、OpenBB、ai-hedge-fund、daily_stock_analysis、Freqtrade、Qlib、VnPy、Vibe-Trading、Backtrader、FinGPT、LEAN、ML4T、Hummingbot、FinRL、加上本篇RD-Agent，十六篇覆盖从因子挖掘→数据→情感→策略→回测→交易→推送的全链路闭环。
评论区聊聊：你手动挖过因子吗？挖了几个，有几个最终有效？
RD-Agent为微软亚洲研究院开源项目，本文所有回测结果基于历史数据模拟，不构成投资建议。
