如何建立 24/7 全天候挖掘 Alpha 的 AI Agent 蜂群

我將詳細說明如何建立一個能取代整個量化研究團隊的 AI Agent 群。

我們直接進入正題。

收藏本文

- 我是 Roan，一名後端開發者，專注於系統設計、高頻交易風格的執行以及量化交易系統。我的工作重點是研究預測市場在負載下的實際行為。歡迎任何建議、深思熟慮的合作或合作機會，請直接私訊我。

在我的上一篇文章中，我提到會親自指導前 20 位建立 AI 量化系統的人。我是認真的。

已經有四位開發者與我一起深入這個過程。其中一位正在執行完整的自我進化對沖基金循環。

這個提議仍然有效。

如果你正在建立一個 Alpha 研究系統，即將開始，或者甚至只是在考慮，請在這篇文章下方回覆或私訊我你目前的設定。我會親自檢視你的架構，並指出你目前擁有的系統與一個能自主尋找 Alpha 的 Agent 群之間的差距。

如果我沒有回覆，代表你不在前 20 名之內。動作要快。

大多數量化分析師尋找 Alpha 的方式，仍然和十年前一模一樣。

他們讀一篇論文。打開 Jupyter Notebook。設計幾個特徵。跑一次回測。瞇著眼看一下 Sharpe 比率。然後繼續下一個想法。

他們自己就是整個流程。

研究的每個階段都是他們自己，坐在螢幕前，一次只測試一個假設。

地球上最聰明的量化系統建構者已經不再這麼做了。

他們建立的是 Agent 群。 群中的每個 Agent 負責研究的一個階段。這些 Agent 並行工作。整個群持續運作。新的 Alpha 在他們睡覺時每天早上自動出現。

Anthropic 的 Claude Code 負責人 Boris Cherny 兩週前說過：「我已經不再直接對 Claude 下指令了。我有一些循環在執行，它們會對 Claude 下指令並決定下一步要做什麼。我的工作變成了撰寫這些循環。」

這一句話徹底改變了地球上每個認真建構者對 AI 的看法。

對量化研究來說，這改變了一切。

因為 Alpha 研究本身就是一個流程。閱讀論文。提取假設。設計特徵。在 20 年的數據上進行回測。檢查顯著性。檢查訊號是否在不同市場狀態下都有效。針對每個已知因子進行分解。

華爾街上每個認真的基金都在執行這個精確的流程。文藝復興科技公司用 100 位博士來執行。Two Sigma 用 200 位。Citadel 用更多。

唯一的區別是，他們需要數百個人類坐在這個流程裡面。你不需要。

一個由 AI Agent 組成的群可以為你執行這個流程的每個階段。每個 Agent 都是專家。每個 Agent 都在最適合其複雜度的模型上運行。它們全部 24/7 並行運作。

過去幾天我一直在建立這個 Agent 群。

它會在夜間閱讀新的研究論文。研究其中的數學模型。提取被聲稱的具體假設。設計所需的特徵。針對 20 年的歷史數據回測訊號。執行統計嚴謹性檢查。檢查過擬合。標記任何只在一個市場狀態下有效的訊號。

到這篇文章結束時，你將了解一個由六個 Agent 組成的 Alpha 研究群的確切架構。

你將知道那個能讓你在一個週末內建立它，而無需從頭編寫自己的 Agent 框架的工具。

而且你將知道導致 90% 散戶嘗試失敗的五種失敗模式。

讓我們開始吧。

第一部分：Agent 群到底是什麼

一個提示詞就是一個問題。你提問，模型回答一次，然後停止。

一個循環就是一個任務。Agent 持續工作，檢查自己的進度，並持續進行，直到任務真正完成。

一個 Agent 群就是許多並行運作的循環。每個循環都是一個專家。每個專家負責流程的一個階段。一個的輸出會饋送給下一個的輸入。

這就是完整的思維模型。

如果你用過 Claude Code、Cursor 或 Codex，你已經在不知不覺中使用過循環了。Agent 呼叫模型，模型選擇一個動作，動作執行，結果回傳給模型，然後重複這個過程，直到達成目標。

循環是讓 Agent 成為 Agent，而不只是一個單一答案的關鍵。

Agent 群是讓一個研究團隊成為研究團隊，而不只是一個研究員在打字的關鍵。

第二部分：運行 Agent 群的工具

你可以嘗試用 Python 腳本呼叫不同的 API 來自己建立這個系統。

我試過。一旦一個 Agent 需要等待另一個 Agent，它就崩潰了。一旦你需要狀態在循環之間持續存在，它就崩潰了。一旦你想在六個不同的模型上並行運行六個循環，它就崩潰了。

你最終會從頭開始建立自己的 Agent 框架，而不是專注於研究。

然後我找到了 Slate。

Slate 是一個由 @wearerandomlabs 建立的 AI 編碼工具。它在你的終端機中運行。它可以將任何任務分派給你的程式碼庫中的一個子 Agent 群。它可以在任何步驟選擇你想要的任何模型。你現有的訂閱即可使用。

我在這個 Agent 群中使用它的原因是他們剛推出的一項功能，叫做 Programs。

Program 是一個用 JavaScript 編寫的循環，由 Slate 為你運行。

一個提示詞運行一次就停止。而 Program 是一個經過設計的循環。它持續運行。它在運行之間保持狀態。它會一直進行，直到任務完成。

你可以決定每一步要做什麼。哪個模型處理哪一步。循環在繼續之前要檢查什麼。何時停止。

你不需要獨自編寫 Program。你告訴 Slate 你想要什麼，它就會與你一起逐步起草這個循環。它會保存這個循環。運行它。並持續運行它。

因為循環是程式碼，它可以保持狀態、與你的程式碼庫互動、呼叫外部 API、發佈到 Slack，以及在你選擇的任何模型組合上並行協調多個子 Agent。對於簡單的工作使用便宜的開放權重模型。對於困難的推理使用前沿模型。選擇最適合該步驟的模型。

對於一個由六個 Agent 組成的研究群來說，這正是過去一直缺少的那一層。

你可以在 https://randomlabs.ai 找到 Slate。它現在就可以使用。

現在讓我向你展示這個 Agent 群。

第三部分：六個 Agent

每個認真的量化基金都運行相同的六個研究階段。

以下是取代它們的 Agent 群。

Agent 1：創意產生器。

每晚從 arXiv q-fin、SSRN 和金融期刊閱讀新的研究論文。

研究每篇論文提出的數學模型。提取被聲稱的具體假設、所需的數據以及預測訊號的方向。

將每個假設撰寫成結構化的研究任務單，供下一個 Agent 接手。

在快速且成本效益高的模型上運行，因為這個任務是大量結構化提取。

Agent 2：特徵工程師。

接收一個假設任務單。從價格資料庫或基本面資料庫中提取所需的數據。

構建特徵向量。在整個截面數據上進行標準化。處理缺失觀測值、超過三個標準差的離群值以及未來信息偏差。

輸出一個乾淨的、準備好進行回測的數據框。

Agent 3：回測器。

接收特徵向量。建立投資組合構建規則。在 20 年的歷史數據上運行回測，並考慮實際的交易成本、做空方的借券成本以及滑點。

輸出 Sharpe 比率、最大回撤、換手率和容量估計。

Agent 4：驗證器。

這是嚴謹性所在。

接收回測結果。運行 Newey-West 調整 t 統計量，以修正回報序列中的自相關。運行 10,000 次迭代的 Bootstrap 重抽樣，以檢查 Sharpe 比率是真實的還是樣本假象。

標記任何未通過顯著性閾值的訊號。消滅任何樣本內與樣本外表現退化超過 30% 的訊號，因為這就是過擬合。

在更強的推理模型上運行。製造者永遠不該驗證自己的工作。永遠。

Agent 5：市場狀態審計員。

接收通過驗證的訊號。將 20 年的歷史數據按市場狀態進行分段（透過對波動率和回報率使用隱馬爾可夫模型來識別）。

重新計算每個市場狀態內的 Sharpe 比率、回撤和命中率。消滅任何只在一個市場狀態下有效的訊號，因為這只是偽裝成 Alpha 的市場時機選擇。

Agent 6：因子分解器。

接收對市場狀態穩健的訊號。將其對 Fama-French 五因子模型加上 Carhart 動能因子再加上一個低波動因子進行回歸。

報告殘差 Alpha（回歸的截距項）及其 t 統計量。

只有那些殘差 Alpha 在因子分解後仍然存在的訊號才是真正的新 Alpha。其他一切都只是經過額外步驟重新包裝的動能或價值。

六個 Agent。每個負責一個階段。它們將輸出向下傳遞。

一個 Slate Program。六個專業 Agent。每 24 小時運行一次。

整個 Agent 群運行在一個每 24 小時觸發一次的 Slate Program 上。

第四部分：如何逐步建構

以下是確切的建構步驟。跟著做，你將在一天結束前讓這個 Agent 群運行起來。

步驟 1：安裝 Slate

打開你的終端機並運行：

1npm install -g @randomlabs/slate

Slate 會在 30 秒內作為全域 CLI 安裝完成。

然後建立專案目錄：

1mkdir alpha-swarm
2cd alpha-swarm
3slate init

slate init 會用你需要的資料夾來建立專案結構，用於存放狀態、Programs 和提供者。

步驟 2：連接你的模型

運行：

1slate /providers

這會打開 Slate CLI 內的提供者配置畫面。連接你想要使用的模型。

對於這個 Agent 群，我在快速 Agent（創意產生、特徵工程、回測、市場狀態審計）上使用 Sonnet，在推理密集型 Agent（驗證和因子分解）上使用 Opus。

步驟 3：起草 Program

啟動 Slate：

1slate

然後在 Slate CLI 中輸入：

幫我起草一個 Program，按順序運行六個研究 Agent：創意產生器、特徵工程師、回測器、驗證器、市場狀態審計員、因子分解器。每 24 小時運行一次。快速 Agent 使用 Sonnet，驗證和因子分解使用 Opus。

Slate 會與你一起起草這個 Program。它會問一些釐清問題。使用哪個數據源。回測窗口多長。Sharpe 比率閾值是多少。使用哪種市場狀態分類器。你用自然語言回答。Slate 會編寫 JavaScript。

以下是這個循環寫好後的樣子：

1export default async function alphaSwarm(slate) {
2  while (true) {
3    // 階段 1：閱讀論文，提取假設
4    const hypotheses = await slate.agent('idea-generator', {
5      model: 'sonnet',
6      task: '閱讀過去 24 小時內 arXiv q-fin 和 SSRN 的內容。提取 10 個 Alpha 假設，包含聲稱的方向、所需數據和論文參考。',
7      state: slate.state.get('tested-hypotheses')
8    });
9
10    // 階段 2：特徵工程，每個假設並行處理
11    const features = await Promise.all(
12      hypotheses.map(h => slate.agent('feature-engineer', {
13        model: 'sonnet',
14        task: `為以下內容建立特徵向量：${h.claim}。在整個截面數據上進行標準化。處理未來信息偏差。`,
15        data: slate.tools.priceData()
16      }))
17    );
18
19    // 階段 3：20 年回測，考慮實際成本
20    const backtests = await Promise.all(
21      features.map(f => slate.agent('backtester', {
22        model: 'sonnet',
23        task: '運行 20 年回測。包含每筆交易 5 個基點的交易成本和做空成本。',
24        features: f
25      }))
26    );
27
28    // 階段 4：在推理模型上進行統計驗證
29    const validated = await Promise.all(
30      backtests.map(b => slate.agent('validator', {
31        model: 'opus',
32        task: 'Newey-West t 統計量高於 2.5。Bootstrap 10k 次。如果樣本內/樣本外 Sharpe 比率退化超過 30% 則拒絕。',
33        backtest: b
34      }))
35    );
36
37    // 階段 5：透過 HMM 進行市場狀態分割
38    const regimeChecked = await Promise.all(
39      validated
40        .filter(v => v.passed)
41        .map(v => slate.agent('regime-auditor', {
42          model: 'sonnet',
43          task: '在波動率和回報率上擬合 3 狀態 HMM。重新計算每個市場狀態的 Sharpe 比率。如果只有一個市場狀態有效則拒絕。',
44          result: v
45        }))
46    );
47
48    // 階段 6：因子分解以分離殘差 Alpha
49    const finalSignals = await Promise.all(
50      regimeChecked
51        .filter(r => r.passed)
52        .map(r => slate.agent('factor-decomposer', {
53          model: 'opus',
54          task: '針對 Fama-French 5 因子 + Carhart 動能 + 低波動因子進行回歸。報告殘差 Alpha 和 t 統計量。',
55          result: r
56        }))
57    );
58
59    // 持久化、通知、休眠
60    await slate.state.set('final-signals', finalSignals);
61    await slate.state.append('tested-hypotheses', hypotheses);
62    await slate.notify.slack('research', `${finalSignals.length} 個新訊號今天通過了全部六個階段。`);
63    await slate.sleep('24h');
64  }
65}

這就是整個 Agent 群。一個檔案。六個 Agent。永遠運行。

步驟 4：運行 Agent 群

保存檔案並運行：

1slate run alpha-swarm.js

在你按下 Enter 的瞬間，Slate 就會啟動這個循環。六個 Agent 按順序啟動。

特徵工程針對每個假設並行運行。回測並行運行。驗證在更強的模型上運行。

你可以從 Slate CLI 即時觀看每個 Agent 的工作情況。每個 Agent 都會顯示其狀態、當前任務和進度。

[截圖 4：終端機顯示 Agent 群正在運行，多個 Agent 並行活躍，每個階段的進度指示器可見。]

第一個循環需要 20 到 40 分鐘，具體取決於第一階段產生了多少個假設。

最後，Slate 會將通過的訊號及其 Sharpe 比率、回撤和殘差 Alpha 發佈到你的 Slack 頻道。然後休眠到明天。

步驟 5：迭代

循環的第一個版本永遠不會是最終版本。

創意產生器會產生重複項。在 Slate 中輸入：

新增一個針對狀態歷史的檢查，使其只提出我們在過去 30 天內尚未測試過的假設。

驗證器會拒絕你認為應該通過的訊號。輸入：

將 Sharpe 比率閾值放寬到 1.2，但將最大回撤閾值收緊到 8%。

Slate 會為你更新 Program。下一個循環將使用新的邏輯。每一次改進都會累積到狀態檔案中，隨著時間推移，Agent 群會變得更加敏銳，因為它記住了所有已經測試過和拒絕過的內容。

第五部分：這如何真正取代一個研究團隊

三種模式涵蓋了所有實際部署。

模式 1：隔夜發現。

Agent 群從晚上 8 點運行到早上 8 點。每天早上醒來，你會看到兩到三個通過了所有六個階段的訊號。

你的工作變成了審查通過的訊號，而不是自己運行整個流程。

模式 2：假設爆發模式。

新論文發布。新數據源可用。你按需啟動 Agent 群，當天下午就能測試 100 個假設。

一個人類研究員在同一時間內只能測試兩個。

模式 3：Alpha 衰減監控。

Agent 群每週使用最新數據重新運行已驗證的訊號。一旦某個訊號的 Sharpe 比率低於閾值，它就會標記衰減。

你在回撤累積之前就減少曝險。

每種模式都取代了過去需要博士學位才能執行的特定功能。結合起來，它們取代了研究團隊日常所做的大部分工作。

第六部分：導致 90% 散戶嘗試失敗的五種失敗模式

失敗模式 1：跳過驗證器。

你會得到 100 個擁有漂亮 Sharpe 比率但缺乏嚴謹性的訊號。每一個都是偽裝的數據窺探。

驗證器是不可妥協的。使用你最強的模型。設定嚴格的拒絕閾值。永遠不要讓製造者驗證自己的工作。

失敗模式 2：沒有狀態持久化。

一個沒有記憶的 Agent 群每天都會測試同一個失敗的假設。

每個被拒絕的訊號都必須記錄下來，並附上確切的拒絕原因，這樣就沒有 Agent 會在同一個失敗上浪費 token。

失敗模式 3：沒有製造者-檢查者分離。

產生假設的 Agent 是判斷它是否為真正 Alpha 的最差人選。

將製造者和檢查者分散到不同的 Agent 和不同的模型上。文藝復興科技公司這樣做。Two Sigma 這樣做。Citadel 這樣做。你的 Agent 群也應該這樣做。

失敗模式 4：一個 Agent 包辦所有事情。

當你試圖讓一個 Agent 同時負責產生、工程、回測和驗證時，品質就會崩潰。

專業化是 Agent 群運作的關鍵。每個 Agent 完美地做好一件事。

失敗模式 5：循環沒有停止條件。

一個沒有真正停止條件的循環會默默地失敗。Agent 發出完成訊號，認為工作已經完成。糟糕的結果未被修正。

每個停止條件都必須可以由 Agent 自身聲明以外的東西來檢查。「過去 30 個樣本外交易的 Sharpe 比率高於 1.5。」「回撤低於 5%。」永遠不要用「Agent 說它完成了。」

尊重這五點，Agent 群就能產生機構級別的研究成果。

總結

Alpha 研究本身就是一個流程。六個階段。閱讀論文。設計特徵。回測。驗證。檢查市場狀態。針對因子進行分解。

每個認真的基金都用 100 位博士來運行它。

一個由六個專業 AI Agent 組成的群可以為你運行每個階段。每個 Agent 選擇最適合其複雜度的模型。整個 Agent 群運行在一個每 24 小時觸發一次的 Slate Program 上。

Slate 的 Programs 是讓這個系統能在一個週末內真正交付，而不是花六個月的關鍵。

它與你一起起草循環。它保存循環。它運行循環。它永遠運行。

你不再是流程本身。你成為了架構師。

基礎設施的護城河是真實的。研究的護城河已經不復存在。

這就是重點。

如果你想試試看，請在

https://randomlabs.ai 註冊，並追蹤

@wearerandomlabs 以獲取發布資訊。

在我上一篇關於循環工程的文章中，我詳細說明了同樣的架構如何連接到一個完整的、能夠自主執行交易的自我進化交易系統。如果你還沒讀過，請在讀完這篇之後立即閱讀。

這個 Agent 群就是那個系統的研究部分。

https://x.com/RohOnChain/status/2069056530960490835

最先建立這個系統的基金將在未來十年內實現複利增長。

那些仍然一次只測試一個假設的基金將被遠遠拋在後面。

所以，這裡有一個值得深思的問題。

你是一個仍然每週只測試一個假設的研究員，還是一個建立了每晚在你睡覺時測試一百個假設的 Agent 群的架構師？

沒有錯誤的答案。但有些答案非常能說明問題。