第一讲 · AI 因子工厂是怎么运转的
《AI 挖因子时，如何不被自己和 AI 骗到》第一章第一讲
学习目标：理解 RD-Agent 类因子挖掘循环的五个步骤、人与 AI 的分工边界；能看懂一次循环的执行记录。
1. 开场：一台真实跑过的机器
这门课的素材全部来自一次真实战役：2026 年 9 月，在一个 23 个品种的期货面板上（2022-12 至 2026-09，约 918 个交易日），用 RD-Agent 循环自动挖掘因子。第一轮（13 品种）产出 136 个试验；第二轮到第一个窗口收口时跑了 40 个循环，产出 200 多个工作区。
先给结论，这门课后面每一讲都在论证它：
AI 因子工厂替代的是"手"，不是"判断"。 它一晚上能写几十个因子的代码并跑完回测，这是真的；但提出的假设是否成立、结果能不能信，每个环节的判断仍然是人的------而"结果能不能信"恰恰是最容易做错的一环。
2. 循环的五步
构思(gen) → 写码(coding) → 回测(running) → 反馈(feedback) → 记录(record)
↑____________________ 记忆在循环间传递 ____________________|第一步：构思（direct_exp_gen）。 LLM 读取历史因子的反馈记录（"上一个动量因子在 2024 年段失效"），提出新的因子假设：一段动机陈述、公式草案、预期方向。这一步的输入还包括人定义好的数据面板------23 个品种 × 21 列（开高低收、成交量、结算价、基差、持仓量等）。
第二步：写码（coding）。 把假设翻译成可执行的 pandas 代码，在面板上计算因子并落盘。这一步是最"工程"的，也是 LLM 表现最稳的一步------代码要么跑通要么报错，反馈是即时的。
第三步：回测（running）。 因子被送进 qlib 回测，产出超额收益、IC 序列等指标。注意：回测口径（基准是谁、能不能做空、成本怎么算）是人预先写死在配置里的，AI 改不了。本战役的基准是 23 品种等权指数（EQWI-23），多空评估走向量化口径。
第四步：反馈（feedback）。 LLM 读回测结果，写"实验笔记"：为什么有效/失效、下一步试什么。这是循环里最有意思的一步------AI 给自己写复盘。
第五步：记录（record）。 归档到工作区，供下一轮构思读取。
关键机制：记忆。 第 N 轮的构思会读第 N-1 轮的反馈，所以它不是独立随机撒点，是有累积的。但注意：记了笔记 ≠ 吸取了教训------第三讲我们会看到，它的"演化"很大程度是在已知量价现象上做重组合。
3. 一次循环执行记录长什么样
打开 Console 的运行记录页，选期货第二轮首窗那条 40 循环的会话，展开任意一个循环，五个步骤目录依次排开。两个值得驻足的位置：
- 构思步的输出：一段完整的因子假设文档------"基于期限结构的假设：基差深度贴水时......预期空头方向收益......"。念出来你会发现：像一份入门研究员的开题报告。
- 反馈步的输出：读回测数字后写的自我总结------"该因子在加入波动率过滤后失效，推测原因为......，建议下一轮尝试......"。
快速往后翻：Loop_15、Loop_30 的构思内容明显在回应前面的反馈。这就是记忆在起作用。
4. 工厂的日常：一半时间在跟基础设施搏斗
真实的执行记录里还有大量"不体面"的部分。第二个窗口刚启动就撞上 LLM 服务端故障：HTTP 200 但返回空响应，持续断续 24 小时以上，一个窗口约一半产能被吃掉。应对是工程化的：断点续跑监督器、30 次重试加退避、会话恢复。
这一节想传达的不是具体技术，而是一个预期管理：
宣传视频里的 AI 工厂是永动印钞机；执行记录里的 AI 工厂，日常一半时间在报错重试。评估这套系统的正确单位不是"它多聪明"，而是"扣除故障后，单位成本产出多少个可检验的假设"。
5. 人站在哪里
| 决策 | 归属 | 本战役的实际选择 |
|---|---|---|
| 数据面板（品种、列、复权方式） | 人 | 23 品种、结算价衔接复权、含基差/持仓量 |
| 回测口径（基准、成本、能否做空） | 人 | EQWI-23 等权基准、向量化多空 |
| 时间预算、何时开停 | 人 | 6 小时窗口、监督器收口 |
| 因子假设本身 | AI | 40 循环 × 每循环若干因子 |
| 代码实现 | AI | 自动生成、自动修错 |
| 信不信结果、怎么验证 | 人 | 独立验证管线（第二章主角） |
注意最后一行：这是整张表里最难、也最容易被略过的一格。工厂自带的回测会告诉你每个因子的超额收益------290 个因子的排行榜，最高的自报超额 26%。这些数字一个都不能直接信。 为什么、怎么验，是第二章的内容。
6. 本讲小结
- 五步循环：构思→写码→回测→反馈→记录，记忆跨循环传递
- AI 的强项在写码（反馈即时、对错分明），弱项在假设的金融逻辑（第三讲展开）
- 人负责数据、口径、预算和验证；AI 负责假设和实现
- 290 个因子、自报超额最高 26%------把这个数字记住，第二讲拆它
思考题：如果让循环跑 1000 轮而不是 40 轮，排行榜第一名的自报超额会更可信还是更不可信？为什么？（答案方向在第二讲）