自进化 Skill：选股策略的自动迭代深度研究

摘要： 本文探讨如何将量化选股研究组织为可执行、可回溯、可约束的自进化流程。借鉴 AutoResearch 思想，构建一个由 AI Agent 驱动的策略迭代框架，旨在通过结构化的研究协议（Skill）替代传统的手工试验，在降低过拟合风险的同时提升策略性能。

核心观点：
选股策略自进化的核心并非无约束的参数搜索，而是将投资逻辑、可调边界、样本隔离和版本管理写入可执行的研究协议（Skill），使策略迭代在明确的纪律和协议下持续推进。

论据支撑：

1. 框架设计：构建了策略协议层（约束可调边界）、版本管理层（记录迭代路径）和样本隔离层（通过训练集、验证集、测试集分工降低过拟合风险）的三层架构。
2. 实证结果：以“稳健低波价值优选策略”为例，通过验证集驱动的配置化迭代，其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有所下降。
3. 迭代规律：发现有效的策略改进主要来自红利防守权重、价值基础池阈值、流动性约束等可解释的配置调整，而非纯粹的复杂因子堆叠。

局限性/风险：
大模型输出的准确性与稳定性存在风险；验证集的性能改善不完全等同于真实的外推能力；非本地模型在处理敏感数据时存在信息泄露风险。