面向 WorldQuant Brain 平台的 自主 Alpha 因子挖掘系统。核心是 LLM 驱动的 Direct Agent：像人类量化研究员一样，通过工具调用探索数据集、研究算子、构造 FASTEXPR 表达式、提交回测、分析结果并持续迭代。
Research → Submit → Poll → Analyze → Improve → ... → Converge
↕ tools (15个)
Datasets · Fields · Operators · Settings · Knowledge Base
# 从投资直觉出发
python -m agent.direct_agent \
--idea "Momentum combined with low volatility"
# 指定数据集，跳过探索步骤
python -m agent.direct_agent \
--dataset-id pv13 \
--idea "Momentum combined with low volatility"
# 改进已有表达式
python -m agent.direct_agent \
--dataset-id pv13 \
--expression "group_rank(ts_mean(returns,21),industry)" \
--critique "High turnover, try longer lookback"需要配置凭证，参见环境配置。
alphaminingv2/
├── agent/ # Agent 核心
│ ├── direct_agent.py # DirectAgent：主入口
│ ├── wq_tools.py # WQ Brain 工具层（16 个工具）
│ ├── llm_client.py # DeepSeek API 客户端
│ ├── llm_logger.py # LLM 调用日志
│ ├── expression_validator.py # FASTEXPR 语法校验
│ ├── mutation_engine.py # 因子变异引擎
│ ├── result_analyzer.py # 回测结果 LLM 分析
│ ├── convergence.py # 收敛检测
│ ├── memory.py # 会话持久化
│ ├── feedback_loop.py # 交互式循环
│ ├── template_generator.py # 金融直觉 → 模板（备选）
│ ├── orchestrator.py # 模板式 Agent（备选）
│ │
│ ├── multi_agent.py # 多 Agent 入口（实验性）
│ ├── orchestrator_v2.py # 多 Agent 编排器
│ ├── explorer.py # LLM 表达式探索器
│ ├── param_optimizer.py # 参数优化器
│ ├── idea_scout.py # 因子想法自动发现
│ ├── expression_fingerprint.py # 表达式结构去重
│ ├── results_store.py # 结果共享数据库
│ └── config.py # 多 Agent 配置
│
├── pipeline/ # 回测流水线（底层基础设施）
│ ├── backtest_runner.py # 并发回测执行引擎
│ ├── datafields_store.py # 数据字段缓存
│ ├── result_filter.py # 结果筛选与聚合
│ ├── adaptive_scheduler.py # Probe-Expand 调度器
│ └── run_pipeline.py # 一键入口
│
├── wq_operators_cleaned.json # WQ 算子定义
├── .env.example # 环境变量模板
│
├── agent_output/ # Agent 会话输出（gitignored）
├── datafields_cache/ # 数据字段缓存（gitignored）
└── backtest_results/ # 回测结果（gitignored）
| 变量 | 说明 | 用途 |
|---|---|---|
BRAIN_USERNAME |
WorldQuant Brain 用户名 | 回测提交 |
BRAIN_PASSWORD |
WorldQuant Brain 密码 | 回测提交 |
DEEPSEEK_API_KEY |
DeepSeek API 密钥 | Agent LLM |
放在项目根目录 .env 文件或进程环境变量中。
使用 datafields_store.py 缓存目标数据集的字段定义：
python pipeline/datafields_store.py --dataset-id pv1LLM 通过 15 个工具与 Brain 平台交互，在一个事件驱动循环中完成从研究到收敛的全流程：
┌─────────┐
│ Research│
│ 探索阶段 │
└────┬────┘
↓ 投资假设
┌──────────────────┐
│ Iteration 循环 │
│ │
│ ┌────────────┐ │
│ │ Creative │ │ ← 生成新方向（多方向探索）
│ │ Phase │ │
│ └──────┬─────┘ │
│ ↓ │
│ ┌────────────┐ │
│ │ Improvement│ │ ← 深耕现有方向（参数调优）
│ │ Phase │ │ 进步停滞 → 切回 Creative
│ └────────────┘ │
│ ↓ │
│ Converge? │──→ 未达标 → 继续
└────────┬─────────┘
↓ 达标
┌──────────┐
│ Stop │
│ 收敛退出 │
└──────────┘
迭代阶段分为两种互斥状态，由状态机自动切换：
| Phase | 行为 | 进入条件 | 切出条件 |
|---|---|---|---|
| Creative | LLM 从当前结果出发，提出新方向（directions），每个方向附带初始表达式 | 会话开始 / Improvement 达到上限或停滞 | Creative 提交完成后自动切入 Improvement |
| Improvement | LLM 针对已有方向迭代改进表达式，不允许新建方向 | Creative 提交完成后进入 | 达到 8 轮上限 / 连续 5 轮未突破最佳 Sharpe / 所有方向被放弃 |
两种相位交替运行，构成完整的因子搜索策略：
- Creative 阶段防止 LLM 陷入局部最优——强迫定期跳出当前思路，提出新假设
- Improvement 阶段防止 LLM 浅尝辄止——强迫在既有方向上深入改进，积累有效迭代
每次状态切换都会重置相位计数器，确保 LLM 在新相位中有完整的轮次配额。
- Research — LLM 调用工具探索数据集字段、算子功能、回测设置，形成投资假设
- Creative — LLM 提交多个方向（direction）及其初始表达式，提交后自动切入 Improvement
- Improvement — LLM 在已有方向上迭代改进表达式，替换已完成回测的因子（保持 3 并发满负荷）
- Phase Switch — 当 Improvement 达到轮次上限或进步停滞时，自动切回 Creative 生成新方向
- Converge — LLM 判断因子是否达到质量标准（Sharpe / Fitness / Turnover），达到则终止会话
- 暂时性网络错误（代理超时、连接重置、5xx）自动重试 3 次后转入后台队列持续轮询，恢复后重新注入分析流程
- 因子本身失败（语法错误、校验不通过）立即标记，不浪费重试
- 网络错误与因子失败区分处理，避免因临时故障误判因子无效
每次迭代将可复用经验写入 agent_output/knowledge_base.json，后续会话自动搜索相关条目加载到上下文。每轮最多保存 2 条、每会话最多 10 条。
- 状态机 — 迭代阶段拆分为 Creative（生成新方向）和 Improvement（深耕现有方向）两种互斥状态，自动切换
- 方向追踪 — 每个 direction 记录 improvement_count，LLM 必须链接到已有方向，防止无限新建无意义方向
- 停滞检测 — 连续 5 轮未突破最佳 Sharpe 触发相位切换，避免 LLM 在无效方向上原地打转
- 轮次上限 — Improvement 最多 8 轮后强制切回 Creative，确保定期探索新思路
- 多 Agent 框架（实验性） — OrchestratorV2 + Explorer + ParamOptimizer 的解耦架构，
python -m agent.multi_agent
- 透明重试队列 — 暂时性网络错误自动重试 3 次后转入后台持续轮询，恢复后自动重新注入分析
- 收敛分级 — Sharpe≥1.25 / Fitness≥1.0 为最低及格线；引入质量评估，LLM 自行判断改进价值
- 网络错误隔离 — 网络错误与因子本身失败区分处理，避免临时故障误判因子无效
- 知识库硬限制 — 每轮最多 2 条、每会话最多 10 条
- LLM 异常兜底 — 捕获 DeepSeek API 网络异常，避免偶发故障导致会话崩溃