RD-Agenthttps://github.com/microsoft/RD-AgentRD-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、LinuxDocker双重门槛——EasyClaw绕开RD-Agent的官方环境要求操作系统: Linux onlyWindows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LinuxDockerEasyClawhttps://easyclaw.cn/?f758“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ICIR0.5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→RD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。ICIR0.5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。”Step2RD-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ICIR0.5达到了留存阈值2个因子ICIR0.5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ICIR0.5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R1IR1.23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R2IR0.76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R3IR0.52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IR1.23和 H5超跌反弹因子优化版IR0.76——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。LinuxDocker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)QlibDeepSeek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/?f758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Docker30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。