How It Differs from "AI Backtest Tools"

传统工具（包括 ChatGPT + 回测库）的模式是：人类想因子 → 工具跑回测 → 人类看结果。Agent 是执行者，人类是决策者。

QuantGPT 的模式是：人类定义目标 → Agent 自治研究 → 人类审阅产出。Agent 是研究者，人类是审阅者。

这不是接口层的区别（自然语言 vs. 代码），而是决策权的区别。Agent 自主决定：探索哪个方向、生成什么表达式、评估哪些指标、何时迭代、何时放弃、何时提交。

Production Track Record

| Metric | Value | |:-------|:------| | 累计回测任务 | 370+ | | 单轮迭代（8 候选因子） | ~15 分钟 | | 表达式算子标准 | WorldQuant BRAIN 对齐 | | BRAIN 正式提交 | 3 个因子 IS 全部 PASS，已提交（最佳 Fitness 1.26） | | WQ BRAIN 集成 | 内置 API — 一键模拟 + 自动提交 |

Validated Results — Factors Submitted to BRAIN

QuantGPT Agent 已产出 3 个正式提交因子，全部通过 WQ BRAIN IS 检测：

| Factor | Expression | WQ Sharpe | WQ Fitness | WQ Returns | IS Tests | Status | |:-------|:-----------|:---------:|:----------:|:----------:|:--------:|:------:| | Debt-Momentum Composite | -1 * rank(ts_av_diff(close, 10)) + rank(debt / enterprise_value) | 1.77 | 1.26 | 20.18% | ALL PASS | Submitted | | VWAP Decay Reversal | -1 * rank(ts_decay_linear(close / vwap, 10)) | 1.69 | 1.07 | 18.63% | ALL PASS | Submitted | | Returns-Volume Momentum | -1 * rank(ts_decay_linear(returns * volume / adv20, 5)) | 1.60 | 1.03 | 24.15% | ALL PASS | Submitted |

3 个因子代表不同的 alpha 来源：Debt-Momentum 结合动量反转与基本面（债务/企业价值），行业中性化；VWAP Decay Reversal 捕捉价格偏离 VWAP 的衰减回归，市场中性化；Returns-Volume Momentum 捕捉收益率与相对成交量的衰减动量，市场中性化。全程 Agent 自治完成。

Autonomous Factor Mining — The Core Loop

This is QuantGPT's defining capability.

Agent 读知识库、设计假设、批量实验、分析结果、积累知识、自我迭代，每个结论经过双模型交叉验证。一个研究循环产出经过验证的、可提交 WQ BRAIN 的因子。

Research Cycle

                    ┌─────────────────────────────┐
                    │  Research Notes & Knowledge  │
                    │  (Rules / Findings / Fails)  │
                    └──────────┬──────────────────┘
                               │ read
                               ▼
┌──────────┐    ┌──────────────────────────┐    ┌──────────────────┐
│  Phase 0 │───▶│  Phase 1: Factor Design  │───▶│  Phase 2: Batch  │
│  Context │    │  Hypothesis → Expression │    │  Backtest (10-20 │
│  Loading │    │  1-3 candidates per idea │    │  concurrent)     │
└──────────┘    └──────────────────────────┘    └────────┬─────────┘
                                                         │
                               ┌─────────────────────────┘
                               ▼
                ┌──────────────────────────────────────────┐
                │  Phase 3: Four-Step Analysis             │
                │                                          │
                │  ① Fact Collection (metrics vs baseline) │
                │  ② Independent Judgment (Agent)          │
                │  ③ Cross-Review (DeepSeek Reasoner)      │
                │  ④ Consensus or Divergence Resolution    │
                └──────────────────┬───────────────────────┘
                                   │
                    ┌──────────────┴──────────────┐
                    ▼                             ▼
          ┌─────────────────┐          ┌──────────────────┐
          │  Phase 4: Update │          │  Phase 5: Stop?  │
          │  Notes + Knowledge│         │  Converged /     │
          │  Base             │◀────────│  Time / Rounds   │
          └─────────────────┘          └──────────────────┘
                    │                         │ no
                    │                         └──▶ back to Phase 1
                    ▼
          ┌──────────────────┐
          │  Phase 6: Report │
          │  A/B factors +   │
          │  new knowledge   │
          └──────────────────┘

Key Mechanisms

Dual-LLM Cross-Review

每个结论性判断（采用/不采用/关闭方向）必须经过第二个 LLM 独立评审。把事实数据和第一个模型的推理链一起发给 DeepSeek Reasoner，要求独立评估推理是否合理、是否有遗漏角度。

共识 → 直接输出。分歧 → 呈现双方证据，采用更保守结论。

这解决了单模型因子研究的核心问题：confirmation bias。

Persistent Knowledge Base

research_notes/knowledge/
├── rules/       ← 已验证的稳定规则（必须遵守）
├── findings/    ← 经验发现（参考）
└── failures/    ← 已证伪路径（禁止重复）

知识库跨会话积累。第 10 次研究会话可以直接利用前 9 次的所有发现，避免重复实验，遵守已验证规则，绕开已证伪路径。

这不是 chat history——是结构化的研究资产。

Batch Concurrent Evaluation

单次提交 10-20 个因子表达式，并发回测 + 三波重试。结果按 fitness 降序排列。hs300 fitness < 0.1 时自动跳过 csi500 验证，节省算力。

from scripts.factor_miner import batch_evaluate
results = batch_evaluate(
    server, expressions, params,
    max_concurrent=10
)

Research Discipline (Enforced)

不是建议，是硬性规则：

• 每次实验只改一个变量
• 提交前检查是否已做过（笔记 + 知识库）
• 分析结论标注"仅为假设"
• 失败实验同样记录原因
• 表达式 > 4 层嵌套需额外论证
• 简单清晰 > 复杂精巧

上面 Validated Results 中的因子就是这个流程的产出。 多轮迭代，3 个因子正式提交 WQ BRAIN（IS 全部通过）。完整方法论见 Factor Mining Guide。

Architecture

┌────────────────────────────────────────────────────────────────────┐
│                     QuantGPT Research Engine                       │
├─────────────┬──────────────────────────────┬───────────────────────┤
│             │         Core Engine          │                       │
│  Agent      │  ┌──────────────────────┐   │   Data Layer          │
│  Interface  │  │  Expression Parser   │   │  ┌─────────────────┐  │
│             │  │  50+ operators       │   │  │ baostock (free)  │  │
│ MCP Tools   │  │  WQ BRAIN compatible │   │  │ akshare (free)   │  │
│ REST API    │  └──────────┬───────────┘   │  │ PolarDB (opt)    │  │
│ Web UI      │  ┌──────────▼───────────┐   │  │ Parquet cache    │  │
│ (monitor)   │  │  Backtest Engine     │   │  └─────────────────┘  │
│             │  │  Rank-based grouping │   │                       │
│             │  │  WQ BRAIN aligned    │   │   AI Layer            │
│             │  └──────────┬───────────┘   │  ┌─────────────────┐  │
│             │  ┌──────────▼───────────┐   │  │ DeepSeek LLM    │  │
│             │  │  Validation Suite    │   │  │ Factor design   │  │
│             │  │  Anti-overfit (4x)   │   │  │ Cross-review    │  │
│             │  │  Walk-forward        │   │  │ Mutation engine │  │
│             │  │  WQ BRAIN simulation │   │