多Agent协同在CTA上的组合尝试 一.测试核心目标 1.使用多个agent协调，共同完成任务产出 2.确认各个agent提示词与工作是否匹配，skills应该如何设置，验证多agent的集合输出能力 3.通过持续访问agent工作流，符合实盘结果，进行评测优化 二.实施步骤 1.对整理需求逻辑进行梳理，确认多agent的组织架构，对各agent进行新建 2.分别对各区域agent进行提示词匹配及skills配置 3.对区域进行分组方便画布操作，完成画布如下 ![image.png](h...

因子发掘-单多机器学习因子测试 单因子构建 自然对话AI助手工作流生成提示词：帮我生成一个股票单因子工作流，因子构建使用动量因子，用公式输入，需要包含因子结果分析   指标分析： 因子方向为1，对应分组测试的第5组。因子方向为0，则应对第1组。 IC_mean=-0.0719，截面IC的平均值代表因子和未来收益的平均相关性， 绝对值越大越好，正代表“因子大→未来涨”，负代表“因子大→未来跌” IC_IR=-0.4766：负向IC_I...

一、专家模式尝试下面是个人的理解 1.要理解其实专家模式是py代码与工作流互相交付函数组成的，作为一个0基础的，在未能理解这个逻辑的时候，根本不明所以无从下手。 2.工作流里面的因子构建或代码或公式均为底层代码，本身并不能连接数据。 3.工作流中的回测与分析节点，在工作流中是无法直接看到代码实现的，但是在专家模式中可以看到框架逻辑。 4.建议把代码说明书放在前面，方便理解 二、下面将顺着这个逻辑进行专家模式的理解尝试 原工作流  2.1专家模式的进入 ![image...

第三周 最开始的设想通过AI助手对话生成一个SVM向量机加线性因子组合的日内策略 下面是提示词的尝试： 1.1.1提示词实例1（帮我生成一个由SVM+线性因子组合的期货工作流，时间频率日线，涉及品种燃油，沥青，玻璃，纯碱，焦煤，锰硅，硅铁。SMV使用波动率，线性因子使用动量因子及ADX因子，SVM使用公式构建特征因子，线性因子使用python输入） 1.1.2提示词实例2（帮我生成一个由SVM+线性因子组合的期货工作流，时间频率日线，涉及品种燃油，沥青，玻璃，纯碱，焦煤，锰硅，硅铁。SVM使用波...

AI助手-生成多样化工作流（因子策略）优化测试week2 一、结论： 相对于第一周操作，在熟悉了基本操作后。尝试了一些深入操作。 通过AI助手对话分别完成期货动量+ATR的因子组合策略工作流及股票的多因子组成+策略回测的工作流生成（涵盖因子分析及股票回测）如下图： 期货策略工作流及回测结果：  优化后回测结果  股票因子分析及策略回测工作流及回测结果：  优化后回测结果  ![...

整体体验概述： 1.自然语言对话对新手极为友好，无需任何基础能力，就能生成交易策略。 2.工作流界面逻辑清晰，封装了很多模型。 3.发掘中比较好收益策略以后，也可以通过AI助手，逆向去理解代码和交易逻辑。 下面是尝试测试的一个策略： 下面是具体操作流程 1.1爆赞的核心出装（自然语言对话全流程生成） 工作流生成  策略代码生成 1.2对于代码能力弱的同学来说，也可以直接要求AI助手逐行注释，方便理解策略代码。可以很方便的核对开平仓条件是否与设想一致 ![ima...