KDD 2025 论文的官方源代码: AlphaAgent: LLM-Driven Alpha Mining with Regularized Exploration to Counteract Alpha Decay

📖 简介

AlphaAgent 是一个自主框架，通过三个专门的智能体有效整合LLM智能体，用于挖掘可解释且抗衰减的Alpha因子。

• Idea Agent（假设生成智能体）: 基于金融理论或新兴趋势提出市场假设，指导因子创建。
• Factor Agent（因子构建智能体）: 根据假设构建因子，同时融入正则化机制以避免重复和过拟合。
• Eval Agent（评估智能体）: 验证实用性，执行回测，并通过反馈循环迭代优化因子。

本仓库遵循 RD-Agent 的实现。您可以在以下地址找到其仓库: https://github.com/microsoft/RD-Agent。我们要向RD-Agent团队的开创性工作和社区贡献表示诚挚的感谢。

⚡ 快速开始

🐍 创建 Conda 环境

• 使用 Python 创建新的 conda 环境（在我们的 CI 中，3.10 和 3.11 版本已充分测试）:

  conda create -n alphaagent python=3.10

• 激活环境:

  conda activate alphaagent

🛠️ 本地安装

• # 安装 AlphaAgent
  pip install -e .

📈 数据准备

• 首先，克隆 Qlib 源代码以便在本地运行回测。

  # 克隆 Qlib 源代码
  git clone https://github.com/microsoft/qlib.git
  cd qlib
  pip install .
  cd ..
  

• 然后，通过 baostock 手动下载中国股票数据并转换为 Qlib 格式。

  # 从 baostock 下载或更新从 2015-01-01 到现在的股票数据
  python prepare_cn_data.py
  
  cd qlib
  
  # 将 csv 转换为 Qlib 格式。运行前请检查路径是否正确。 
  python scripts/dump_bin.py dump_all ... \
  --include_fields open,high,low,close,preclose,volume,amount,turn,factor \
  --csv_path  ~/.qlib/qlib_data/cn_data/raw_data_now \
  --qlib_dir ~/.qlib/qlib_data/cn_data \
  --date_field_name date \
  --symbol_field_name code
  
  # 收集日历数据
  python scripts/data_collector/future_calendar_collector.py --qlib_dir ~/.qlib/qlib_data/cn_data/ --region cn
  
  
  # 下载 CSI500/CSI300/CSI100 股票池
  python scripts/data_collector/cn_index/collector.py --index_name CSI500 --qlib_dir ~/.qlib/qlib_data/cn_data/ --method parse_instruments

• 或者，股票数据（已过时）将自动下载到 ~/.qlib/qlib_data/cn_data。

• 您可以修改位于以下位置的回测配置文件：

  • 基线: alphaagent/scenarios/qlib/experiment/factor_template/conf.yaml
  • 新提出的因子: alphaagent/scenarios/qlib/experiment/factor_template/conf_cn_combined.yaml
  • 要更改训练/验证/测试周期，请先删除 ./git_ignore_folder 和 ./pickle_cache 中的所有缓存文件。
  • 要更改市场，请删除 ./git_ignore_folder 和 ./pickle_cache 中的缓存文件。然后，删除目录 alphaagent/scenarios/qlib/experiment/factor_data_template/ 中的 daily_pv_all.h5 和 daily_pv_debug.h5。

⚙️ 配置

• 对于 OpenAI 兼容的 API，请确保在 .env 文件中配置了 OPENAI_BASE_URL 和 OPENAI_API_KEY。
• REASONING_MODEL 用于假设生成智能体和因子构建智能体，而 CHAT_MODEL 用于调试因子和生成反馈。
• 对于 REASONING_MODEL，推荐使用慢思考模型，例如 o3-mini。
• 要在本地环境（而非 Docker）中运行项目，请在 .env 文件中添加 USE_LOCAL=True。

🚀 运行 AlphaAgent

• 基于 Qlib 回测框架 运行 AlphaAgent。

  alphaagent mine --potential_direction "<您的市场假设>"

• 或者，运行以下命令

  dotenv run -- python alphaagent/app/qlib_rd_loop/factor_alphaagent.py --direction "<您的市场假设>"

  运行命令后，请注销并重新登录以使更改生效。

• 多因子回测

  alphaagent backtest --factor_path "<您的CSV文件路径>"

  您的因子需要存储在 .csv 文件中。以下是一个示例：

  factor_name,factor_expression
  MACD_Factor,"MACD($close)"
  RSI_Factor,"RSI($close)"

• 如果您需要重新运行基线结果或更新回测配置，请删除缓存文件夹：

  rm -r ./pickle_cache/*
  rm -r ./git_ignore_folder/*

🖥️ 监控应用程序结果

• 您可以运行以下命令来查看运行日志的演示程序。请注意，此入口已弃用。

  alphaagent ui --port 19899 --log_dir log/

📚 引用

如果您觉得这项工作有帮助，请引用我们的论文：

@misc{tang2025alphaagentllmdrivenalphamining,
      title={AlphaAgent: LLM-Driven Alpha Mining with Regularized Exploration to Counteract Alpha Decay}, 
      author={Ziyi Tang and Zechuan Chen and Jiarui Yang and Jiayao Mai and Yongsen Zheng and Keze Wang and Jinrui Chen and Liang Lin},
      year={2025},
      eprint={2502.16789},
      archivePrefix={arXiv},
      primaryClass={cs.CE},
      url={https://arxiv.org/abs/2502.16789}, 
}