据MarkTechPost报道，普林斯顿大学、蚂蚁集团和斯坦福大学的研究人员提出AQuA，一种由语言模型驱动的智能体研究框架，用于量化金融中的自主因子发现和模型开发。该框架通过固定数据划分、特征与标签定义和评估器，并限制智能体只能输出受约束的因子表达式或配置修改，以避免研究过程中的数据泄漏和自适应过拟合。

研究团队指出，量化研究常因细小的方法错误产生看似可靠但无法复现的回测，而智能体自行编写实验会加剧这一问题：泄漏特征被当作成功先例，递归放大未检测到的错误。提示级指令和评审智能体无法解决，因为作者和评审共享相同盲点。AQuA将评估器置于自适应表面之外，让智能体在受限领域语言内自由探索，但无法影响评估标准。

AQuA包含两个独立的系统。第一部分用于加密货币的符号alpha因子发现，采用六个智能体管道，包括数据管理员、视觉分析师、想法挖掘者、因子评估器、回测工程师和研究图书管理员，由AI管理员编排，所有交互均经过管理员以确保可审计。因子以可证伪的提案形式进入，包含假设、机制、预测方向和反驳条件，并通过标准算子组合。在加密货币五分钟数据上，20个研究时期的综合验证Spearman IC达到约0.190，优于AlphaMemo的0.171、AlphaGen的0.151、LSTM的0.137、LightGBM的0.106和Alpha158基线的0.075。单个因子IC仅0.026至0.037，表明提升来自框架而非某个表达式。

第二部分针对美股日内数据预测未来三十分钟收益。训练数据为2010至2019年，2020年为隔离缺口，2021至2025年为未触碰的测试数据。模型采用混合架构，包括多尺度一维卷积前端、可配置骨干（LSTM、Mamba和注意力）、横截面混合、门控融合和逐股读出。在相同数据和评估器下，混合模型每股原始IC为0.0843，较最优基线LSTM的0.0535高出0.0230，相对提升37.5%。最强的价格量特征仅为-0.031，岭组合为+0.025，说明信号来自多个特征的组合。

将每股分数构建为美元中性阈值多空组合，换手成本为两个基点。行业中性化使样本外夏普比率升至2.15，训练和样本外几乎相等；加入因果波动率目标层后升至2.50；完全因果的滚动前向选择所有参数仍达2.00。每股R²为1.20%。2021至2025年各年度夏普比率分别为+1.7、+3.5、+1.9、+1.8和+2.7，每一年均为正，包括2022年市场下跌时期。

研究团队强调，两个独立研究循环不共享智能体、记忆或状态。AQuA的改进在于研究过程本身，而非单一因子或模型。论文明确指出两个部分的IC采用不同惯例，不应直接比较。