自进化 Skill：选股策略的自动迭代研究

摘要： 本文探讨了如何将量化选股研究组织为可执行、可回溯、可约束的策略自进化流程，借鉴 AutoResearch 思想，利用 AI Agent 实现从投资逻辑到回测结果的自动化迭代循环。

核心观点：
选股策略自进化的核心不在于无约束的参数搜索，而在于建立一套明确的研究协议（Skill）。通过构建“策略协议层”、“版本管理层”和“样本隔离层”三层架构，将量化研究从依赖手工试验转变为有纪律的自动化循环，旨在降低过拟合风险并提高研究迭代效率。

论据支撑：

1. 框架构建：设计了由 SKILL.md（策略说明与纪律）和 skill_config.yaml（可调参数）组成的可执行协议，并严格划分训练集、验证集和测试集，确保调参闭环不接触测试集。
2. 实证效果：在“稳健低波价值优选策略”上进行验证。通过 AI Agent 进行多次小幅且可解释的配置调整（如红利防守权重、价值基础池阈值、流动性约束等），使测试集年化收益率从 13.47% 提升至 15.67%，夏普比率从 0.69 提升至 0.89，同时年化波动率和换手率均有所下降。
3. 迭代路径：研究发现验证集驱动的改进具有一定外推效果，且有效的优化方向集中在围绕策略内核的逻辑推进，而非单纯的复杂因子堆叠。

局限性/风险：

1. 外推能力：验证集的改善并不直接等同于真实外推能力，版本保留仍需结合测试集复核。
2. 模型风险：大模型输出的准确性与稳定性存在风险，且使用非本地模型处理敏感数据存在信息泄露风险。