yuxuanhui
17 lines
2.0 KiB
Markdown
17 lines
2.0 KiB
Markdown
# 外部 AI 研究方案：借鉴方法，明确平台边界
|
|
|
|
这些是补充材料，核心知识仍来自邮件与中文论坛。论文日期与年份区分“新方案”和“今年仍值得补课的旧方案”；没有把仓库活跃等同于当前生产可用。
|
|
|
|
| 方案 | 已核验时间 | 最值得借鉴 | 与 BRAIN 的边界 |
|
|
| --- | --- | --- | --- |
|
|
| Microsoft R&D-Agent(Q) | 论文 2025-05-21，非 2026 首发 | 假设生成、编码、执行、分析反馈闭环，因子与模型联合探索 | 默认本地数据/Qlib；不能直接替代 BRAIN 私有字段与远程回测 |
|
|
| Qlib | 论文 2020-09-22，基础设施 | 数据、训练、回测、评估的可复现工作流 | DSL、费用、股票池、中性化口径与 BRAIN 不等价 |
|
|
| AlphaAgent | 论文 2025-02-24，非 2026 首发 | AST 新颖性、经济解释一致性、表达式复杂度约束 | 本地表达式不天然兼容 FastExpr；结构新颖不保证 PnL 独立 |
|
|
| AlphaBench | ICLR 2026 | 将生成、评价、搜索分开评测；观察格式正确性、搜索成本和改善过程 | 有限开放变量与 DSL，不能代表全部 BRAIN 私有数据 |
|
|
|
|
来源：[R&D-Agent(Q) 论文](https://arxiv.org/abs/2505.15155)、[Microsoft RD-Agent](https://github.com/microsoft/RD-Agent)、[Qlib 论文](https://arxiv.org/abs/2009.11189)、[Microsoft Qlib](https://github.com/microsoft/qlib)、[AlphaAgent 论文](https://arxiv.org/abs/2502.16789)、[作者仓库](https://github.com/RndmVariableQ/AlphaAgent)、[AlphaBench ICLR 2026](https://proceedings.iclr.cc/paper_files/paper/2026/hash/4f3820576130a8f796ddbf204c841487-Abstract-Conference.html)、[项目页](https://alphabench.cc/)。
|
|
|
|
建议吸收研究编排与评测思想，通过独立适配层连接 BRAIN。只有当你拥有可用且时间对齐的数据时，才考虑本地预筛；BRAIN 私有字段不能假设能导出到 Qlib。最终指标应在同一平台、设置和数据时点重新验证，不跨引擎直接比较 Sharpe。
|
|
|
|
这些仓库未安装、未审计、未运行；此处不是工具安装推荐或性能承诺。
|