Skip to content

给 AxonX 点个 GitHub Star! ↗

AGENT-NATIVE QUANT HARNESS

量化研究
借助 Agent 持续改进。

面向 Agent 的量化研究 Harness,为量化代码开发、实验执行和结果分析提供工具与运行环境。结合探索 Prompt 与 AxonX Skill,通过 Agent 改进基于 Qlib Alpha158 的插件,或开发新的研究插件。

PLUGIN JOBTASKRESULT

最新更新

  • 发布 0.3.0: 支持可继承配置、统一任务执行,以及服务重启不中断的定时任务。
  • Alpha158 实验: 风险因子与排名保留策略的 Top20 净年化收益,相比适配基线分别提升 +1.36 pp 和 +24.70 pp。见结果与证据边界。
  • Studio Playground: 使用模拟数据体验任务和图表。在线试玩。

01 / GET STARTED

运行第一个任务

运行内置 demo,核对结果与退出码,再检查任务记录。

↗

02 / AGENT DEVELOPMENT

使用 Agent 开发

准备源码与工具,用 Skill 和研究 Prompt 驱动插件开发。

↗

03 / RESEARCH

开展量化研究

运行基线、开发研究插件,评估因子、模型与持仓策略。

↗

01 / AXONX STUDIO

研究过程,看得见。

了解 Studio ↗

从任务运行到结果解读,在同一工作台查看研究证据。Studio 0.3.0 完整截图使用 Playground 虚构数据与模拟执行。

04 / AGENT RESEARCH CASE

改进 Qlib Alpha158:因子与持仓策略

实验方法 ↗

Alpha158 基线、两个风险因子与 3 日排名保留策略的 Top20 净年化为 7.67%、9.03% 和 32.37%,买入/卖出费用为 0.05%/0.15%。基础与因子模型的 feature_fraction 不同,行情数据不完整,尚无独立确认窗口。

Alpha158 与风险因子的 IC / RankIC 对比基础、风险因子与 3 日策略的 Top20 / Top30 净年化收益

05 / BUILD YOUR RESEARCH LOOP

从一个 Task 开始。

内置 demo 无需外部数据或模型凭据。

Agent-native quant research.