Laurel 金色月桂|商业级AI蜂群量化研究平台

Laurel 金色月桂是面向 A 股市场的 AI 蜂群量化研究平台，服务于量化研究员、投资研究团队及具备策略开发需求的专业用户。我们希望解决一个具体问题：从一个投资想法，到数据收集、因子编写、策略组合、回测与风险评估，往往需要研究人员在多个工具之间反复切换，研究过程难以复用，结论也难以复核。 Laurel 将这些环节组织在同一工作台中，让多个 Agent 分工协作，以真实数据、可执行代码与回测结果检验投资假设。我们要建立的是一套持续发现、验证与积累策略的研究流程。 一、真实数据驱动，让研究有依据 平台自动获取已接入数据源的行情、财务、公告、新闻及宏观信息，包含但不仅限于同花顺、第一财经、东方财富、华尔街日报等，为技术面、基本面与消息面分析提供输入。数据处理强调来源记录、口径统一、信息时点对齐与快照追溯，支持从研究结论回查原始依据。实时覆盖范围以实际接口与授权为准。 这让研究人员不仅能看到“AI 得出了什么结论”，还能进一步检查：结论依据哪些数据、这些信息当时是否已经可得、能否在相同输入下复验。 二、蜂群协作挖掘因子，将研究想法转化为代码 技术面研究围绕 21 个垂直研究预设方向展开，研究来源：CogAlpha，中国移动九天研究院、香港大学计算与数据科学学院、Grace Investment Machine。以大语言模型驱动代码进化，自动挖掘可解释的Alpha因子。由 Agent 生成因子候选与对应 Python 代码，再进入代码检查、计算评价、因子组合与回测流程。 平台通过五个 Agent 的协作，衔接技术面、基本面及策略研究任务。基本面研究覆盖十大分析方向，结合经典投资理念，将财报、行业与事件信息转化为有明确经济逻辑的研究假设，并与量价信号相互印证。 多 Agent 的价值体现在可交接的研究产物上：一个环节提出假设，下游环节执行计算、检查依据并反馈结果；候选因子与策略接受代码和数据检验，而非仅由模型文字评价决定是否有效。 三、以量化验证约束模型输出 Laurel 将大模型用于假设生成、代码生成与分析解释，将因子评价和策略表现交给实际计算与回测。 平台围绕 IC、RankIC、ICIR、RankICIR、MI 等指标组织因子评价，并结合因子组合后的回测结果判断研究价值。单个指标为正不等于策略有效，模型的置信度也不替代可复验的检验结果。 对于 AI 可能产生的错误，平台通过 Python 代码检查、数据依据核查和回测验证增加约束，并保留相关产物，方便研究人员追踪问题、复核结论。 四、把风险纳入策略研究 平台将仓位管理与资金风控纳入研究流程，结合凯利公式、波动率及风险预算等方法，对仓位与风险暴露进行量化分析，提示高风险情形，辅助比较不同配置方案。 策略的评价同时关注收益、回撤、波动与资金使用，帮助用户理解一个方案在什么条件下成立、需要承担什么风险，以及是否值得进入下一阶段验证。 五、面向专业团队的商业化路径 Laurel 的首个落地场景是团队内部量化研究：帮助研究人员减少重复的数据整理、候选因子编写与回测操作，将分散的研究过程沉淀为可追溯的因子、策略和实验记录。 商业化计划以研究工具与软件服务为核心，探索团队订阅、私有化部署，以及数据与研究流程集成服务。产品价值将通过研究任务耗时、实验复现率、有效候选筛选效率和团队使用情况验证。 模块化设计为后续接入新模型、新数据源和新研究方法预留扩展空间，使平台能够随团队需求持续升级。 六、本次交付与后续计划 本次参赛重点展示真实数据接入、多 Agent 协作、21 方向因子挖掘、因子组合、回测验证与风险分析流程。当前定位为内部量化研究平台，对外输出供研究参考。 完整的 Agent 自主进化，以及直接连接账户的自动开平仓，属于后续建设方向，不作为本次已完成能力。项目参考 CogAlpha 的代码生成与评价研究思路，相关论文成果与本产品自身验证结果分别呈现。 Laurel，策略发现从个人经验走向系统化研究：以蜂群拓展假设，以回测检验价值，每一次探索都成为可复用的研究资产。