普林斯頓與螞蟻集團提出量化研究 Agent 框架 AQuA，解決回測資料洩漏、樣本外 Sharpe 達 +2.50

據報導，普林斯頓大學、螞蟻集團與史丹佛大學研究團隊共同發表論文，提出量化交易研究 Agent 框架 AQuA，旨在解決 AI 代理在回測中因資料洩漏與過度擬合導致的錯誤進化問題。 AQuA 包含兩套獨立系統：Part I 負責研究符號化因子，Part II 負責研究可訓練模型。 為避免 Agent 在特徵生成時讀取未來資料（團隊曾在早期測試發現 Agent 誤用全日總成交量計算盤中特徵），AQuA 取消了 Agent 任意編寫程式碼的權限，僅允許其在預先登記的時間序列、截面算子與模型組件範圍內進行組合。 系統在自主循環啟動前即固定資料切分與評估邏輯，且搜尋階段僅向 Agent 回傳驗證集分數，最終測試集結果不會交給 Agent 繼續調校參數，以達成生成過程與選擇過程的雙重隔離。 在模擬回測實驗中，Part I 透過 6 個專業 Agent 協作，在加密資產 5 分鐘級資料上歷經 20 輪自主研究，組合驗證集 Spearman IC 提升至約 0.190。 Part II 針對美股未來 30 分鐘收益預測進行模型結構與訓練配置搜尋，取得 +0.0843 的逐股票 IC（基準 GRU 為 +0.0613）；轉化為美元中性的多空策略並計入 2 bps 雙邊換手成本後，樣本外 Sharpe 最高達 +2.50，在 walk-forward 評估中 Sharpe 亦約為 +2.0。 研究團隊指出，目前交易結果均來自模擬回測，尚未經過實盤檢驗，且最終測試集的隔離仍仰賴權限與稽核，非密碼學意義上的強制隔離。