AI 不睡覺的量化研究員：用自我進化 Agent 自動挖掘台股 Alpha 因子

2026 年 2 月的一篇論文證明：一個 AI Agent 在幾小時內，找到了人類研究員需要一整年才能發現的投資因子。更驚人的是，這個 Agent 還會「記住」每次失敗的經驗，越用越聰明。

先看數據

華爾街的量化基金每年砸數十億美元聘請 PhD 研究員，就為了找到一個東西——Alpha 因子。

但 2026 年 2 月 16 日，一篇叫做 FactorMiner 的論文（arXiv:2602.14670）用數據證明了一件事：

（來源：Wang et al., 2026, arXiv:2602.14670）

你沒看錯。有記憶的 AI Agent 產出有效因子的效率，是無記憶版本的整整 3 倍。

但事情沒有這麼簡單。

這些數據是在 A 股高頻環境下驗證的，台股日頻行不行？我們用 FinLab 實測給你看。

第一章：Alpha 因子——股市裡越來越稀缺的金塊

什麼是 Alpha 因子？

2024 年，某家台灣 IC 設計公司連續 3 個月營收年增 40%，股價在接下來 6 個月漲了 80%。如果你能在營收公布的第一天就發現這個信號，並且系統性地找出所有類似特徵的股票——恭喜你，你找到了一個 Alpha 因子。

簡單來說，Alpha 因子就是能預測股票未來漲跌的「信號」——一個數學公式，輸入歷史資料，輸出一個分數。分數越高的股票，未來漲得越多。如果這個關係穩定存在，你就找到了可以重複使用的賺錢信號。

為什麼越來越難找？

想像你在一座金礦裡挖金子。

一開始，金塊到處都是——低本益比選股、營收成長選股，這些「表面的金塊」早就被發現了。但是當所有人都在挖同一座金礦時，表面的金子很快就被撿光了。

這就是量化投資界面臨的「相關性紅海（Correlation Red Sea）」：

圖 1：隨著因子庫增長，新因子的通過率急劇下降。當因子庫超過 80 個，新發現的「因子」幾乎都只是已知因子的變體。

# 模擬因子庫大小 vs 新因子通過率
library_sizes = np.arange(10, 110, 10)
pass_rates = 80 * np.exp(-0.02 * library_sizes) + 5 + np.random.normal(0, 2, len(library_sizes))
 
ax.plot(library_sizes, pass_rates, 'o-', color='#EF4444', linewidth=2.5)
ax.axhline(y=20, color='#F59E0B', linestyle='--', label='危險區域（通過率 < 20%）')
ax.set_title('相關性紅海：因子庫越大，新因子越難通過')

圖 1：隨著因子庫增長，新因子的通過率急劇下降。當因子庫超過 80 個，新發現的「因子」幾乎都只是已知因子的變體。

FactorMiner 論文揭露了幾個始終失敗的方向——不管怎麼組合，這些類型的因子總是跟現有因子高度相關：

（來源：Wang et al., 2026, arXiv:2602.14670）

你覺得這代表什麼？不是因子不存在，而是用老方法已經挖不到了。

第二章：FactorMiner——會記憶的挖礦機

傳統方法的致命缺陷

傳統的因子挖掘方法（基因演算法、強化學習）有一個共同的致命缺陷：沒有記憶。

每次搜尋都從零開始。即使上次已經發現「時間序列動量 + 成交量交互」是有效方向，下次搜尋時，這個知識就丟失了。系統會一再重複探索已知的失敗路徑。

這就像一個探險家，每天早上醒來都會忘記昨天走過哪些路——他會反覆踏入同一條死路。

FactorMiner 的突破：自我進化迴圈

FactorMiner 提出了一個優雅的解決方案，它用四個步驟形成一個「自我進化迴圈」：

圖 2：Retrieve → Generate → Evaluate → Distill 的循環，讓 Agent 越挖越聰明。

# FactorMiner 自我進化迴圈架構
steps = [
    ('1. 檢索\nRetrieve', 'from Knowledge', '#2563EB'),
    ('2. 生成\nGenerate', 'LLM produces\nfactor formulas', '#10B981'),
    ('3. 評估\nEvaluate', 'IC, Correlation\nBacktest', '#F59E0B'),
    ('4. 蒸餾\nDistill', 'Save learnings\nto Memory', '#EF4444'),
]
 
# 回饋箭頭（4→1 形成循環）
ax.annotate('Experience Memory Loop', xy=(0.19, 0.25), xytext=(0.85, 0.25),
           arrowprops=dict(arrowstyle='->', linestyle='--'))

圖 2：Retrieve → Generate → Evaluate → Distill 的循環，讓 Agent 越挖越聰明。

Step 1：檢索記憶（Retrieve）

在開始挖掘前，Agent 先翻閱自己的「探險日記」——哪些方向曾經成功？哪些是已知的死路？

Step 2：生成因子（Generate）

基於記憶的引導，LLM 生成一批新的因子公式。它會刻意避開已知的紅海區域。

Step 3：評估因子（Evaluate）

用四階段漏斗式驗證：快速 IC 篩選 → 相關性檢查 → 批次去重 → 完整驗證。只有通過所有關卡的因子才能入庫。

Step 4：蒸餾經驗（Distill）

無論成功或失敗，都會被記錄。成功的模式成為下次的「推薦方向」，失敗的嘗試成為「禁忌區域」。

記憶的力量：3 倍效率差

圖 3：有記憶的 FactorMiner 在所有指標上都碾壓無記憶版本。

categories = ['高品質候選因子數', '因子產出效率 (%)', '有效因子倍數']
with_memory = [96, 60, 3.0]
without_memory = [32, 20, 1.0]
 
x = np.arange(len(categories))
bars1 = ax.bar(x - width/2, with_memory, width, label='有記憶', color='#2563EB')
bars2 = ax.bar(x + width/2, without_memory, width, label='無記憶', color='#9CA3AF')

圖 3：有記憶的 FactorMiner 在所有指標上都碾壓無記憶版本。

（來源：Wang et al., 2026, arXiv:2602.14670）

關鍵是：有記憶的 Agent 拒絕率反而更高（55.2% vs 43.8%），但產出更多有效因子。這代表它不是「來者不拒」，而是「知道什麼值得嘗試、什麼不值得」。

等一下，你可能會問：這 60+ 個運算子到底是什麼？

FactorMiner 的武器庫：60+ 金融運算子

FactorMiner 實現了 60 多個 GPU 加速的金融運算子，像是一把瑞士刀：

其中最有趣的是趨勢回歸自適應：

• 當 R² 高（趨勢明確）→ 用 Slope 做趨勢跟蹤
• 當 R² 低（無趨勢）→ 用 Resi（殘差）做均值回歸

這種「根據市場狀態自動切換策略」的能力，正是 FactorMiner 發現的一個成功模式。

FactorMiner 的四階段驗證管線

光是生成因子還不夠。FactorMiner 有一套嚴格的「四階段漏斗」來過濾品質不佳的因子：

（來源：Wang et al., 2026, arXiv:2602.14670）

也就是說，每 100 個候選因子中，最終只有約 8 個能入庫。這個嚴格的篩選流程確保了因子庫的品質。

有趣的是，Stage 2 的相關性檢查是最關鍵的一關。因為在「相關性紅海」中，大部分新生成的因子看起來有效，但其實只是某個已知因子的變體。用 Pearson 相關係數快速檢查，就能過濾掉這些「偽創新」。

實驗結果：打敗傳統方法

FactorMiner 在 CSI 500（A 股中型股指數）上的表現：

（來源：Wang et al., 2026, arXiv:2602.14670）

FactorMiner 的 ICIR（IC 的穩定性）特別突出——0.77 代表因子的預測能力不僅高，而且穩定。相比之下，AlphaGen（也是用 LLM 但沒有記憶）的 ICIR 只有 0.65。

第三章：Agno——給 Agent 裝上三層大腦

FactorMiner 證明了「記憶」對因子挖掘至關重要。但如果我們想在台股上建立類似的系統，需要一個支援記憶的 Agent 框架。

Agno（agno.com）正好提供了這樣的能力。它有三層記憶系統，對應不同的需求：

三層記憶系統

（來源：Agno 官方文檔；ashpreetbedi.com）

Learned Memory 最接近 FactorMiner 的經驗記憶。它把可通用的洞察存入知識庫，任何時候都能查詢。

Agno 創辦人 Ashpreet Bedi 說了一句精闢的話：

「模型不會變聰明，但系統會變聰明。」（The model doesn't get smarter. The system gets smarter.）

這正是 FactorMiner 的核心理念：不需要重新訓練 LLM，只需要累積經驗記憶，系統就會越來越有效。

記憶實戰：Agno 的記憶怎麼寫？

來看一段實際的 Agno 記憶程式碼，你就知道有多簡單：

from agno.agent import Agent
from agno.models.anthropic import Claude
from agno.memory import Memory
from agno.db.sqlite import SqliteDb
 
# 建立記憶模組
memory = Memory(
    db=SqliteDb(db_file="agent_memory.db"),
    create_user_memories=True,    # 記住用戶偏好
    update_user_memories=True,     # 自動更新記憶
)
 
# 建立有記憶的 Agent
agent = Agent(
    model=Claude(id="claude-sonnet-4-5"),
    memory=memory,
    enable_agentic_memory=True,    # 啟用自主記憶
)
 
# 第一次對話：Agent 學到你的偏好
agent.print_response(
    "我比較偏好低回撤的策略，MDD 不要超過 -30%",
    user_id="trader_001"
)
 
# 第二次對話：Agent 記得你的偏好
agent.print_response(
    "幫我分析這個策略",
    user_id="trader_001"
)
# → Agent 會自動考慮「用戶偏好 MDD < -30%」

（來源：Agno 官方文檔）

注意到了嗎？你不需要手動管理記憶的存取。Agent 會自動判斷哪些資訊值得記住，並在未來的對話中主動使用。這就是 Agno 的 enable_agentic_memory=True 的威力。

Agno 的關鍵能力

除了記憶系統，Agno 還提供：

（來源：Agno 官方效能測試；WorkOS 分析報告）

第四章：台股實戰——用 FinLab 驗證因子有效性

重點來了。理論說再多，不如直接在台股上跑一遍。

我們用 FinLab 掃描了台股最常見的 7 個因子，看看哪些真的有效：

💬 你對 AI 說：

幫我掃描台股常見的投資因子，包括營收動能、價格動能、品質（ROE）、法人籌碼、營收新高、價值（低PE）和低波動因子。每個因子選前 15 名股票，用月頻換股回測，告訴我哪些因子在台股有效。

🤖 AI 回覆：

台股七大因子掃描結果出爐！以下是各因子的回測績效：

圖 4：營收新高因子以 14.7% CAGR 大幅領先其他因子，低波動和低 PE 因子表現最差。

# 計算各種因子的回測績效
close = data.get('price:收盤價')
rev_yoy = data.get('monthly_revenue:去年同月增減(%)')
roe = data.get('fundamental_features:ROE稅後')
trust = data.get('institutional_investors_trading_summary:投信買賣超股數')
 
# 營收動能因子
rev_ma3 = rev_yoy.average(3)
factors['營收動能(MA3)'] = rev_ma3
 
# 營收新高因子
rev_new_high = (rev_ma3 == rev_ma3.rolling(12).max()).astype(float)
factors['營收新高'] = rev_new_high
 
# 價格動能因子
momentum_60 = close / close.shift(60) - 1
factors['價格動能(60日)'] = momentum_60
 
# 選前 15 名，月頻回測
for name, factor in factors.items():
    position = factor.is_largest(15)
    report = sim(position, resample='M', name=name)

圖 4：營收新高因子以 14.7% CAGR 大幅領先其他因子，低波動和低 PE 因子表現最差。（來源：finlab AI 研究，回測區間 2015-2025）

關鍵發現：

排名	因子	CAGR	最大回撤	評價
1	營收新高	14.7%	-41.7%	⭐ 最佳
2	價格動能(60日)	11.6%	-75.2%	報酬好但回撤大
3	營收動能(MA3)	9.6%	-61.7%	穩定但不突出
4	法人(投信10日)	8.4%	-39.3%	回撤控制較好
5	品質(ROE)	7.1%	-46.2%	中規中矩
6	價值(1/PE)	1.9%	-47.1%	❌ 幾乎無效
7	低波動	-0.7%	-12.4%	❌ 負報酬

（來源：finlab AI 研究，回測區間 2015-2025，月頻調倉，各選前 15 名）

沒想到吧？在台股，營收新高是最強的單因子（14.7% CAGR），而大家常說的「買便宜股」（低 PE）和「買穩定股」（低波動）幾乎完全無效！

營收新高因子：當一家公司的月營收 3 月移動平均等於過去 12 個月的最高值時，代表公司正在創造歷史性的營收成長——這是非常強的正面信號。

但單因子的問題是什麼？回撤太大。營收新高因子的最大回撤有 -41.7%，價格動能更慘，高達 -75.2%。

所以我們需要像 FactorMiner 一樣，組合多個因子來降低風險。

第五章：因子自我進化——7 次迭代的績效軌跡

接下來，我模擬了 FactorMiner 的迭代優化過程。每次迭代加入一個新的因子條件，觀察績效如何變化：

💬 你對 AI 說：

幫我模擬因子挖掘的迭代過程。從最簡單的「營收動能」開始，每次加入一個新條件（品質、動能、籌碼、營收新高），觀察績效如何變化。最後用季度調倉和集中持股來優化。

🤖 AI 回覆：

迭代進化記錄：

圖 5：7 次迭代的 CAGR 和 MDD 變化軌跡。加入價格動能是最大的突破，但投信條件反而有害。

# 模擬因子挖掘迭代優化過程
rev_ma3 = rev_yoy.average(3)
momentum = close / close.shift(60) - 1
trust_10 = trust.rolling(10).sum()
rev_new_high = (rev_ma3 == rev_ma3.rolling(12).max())
 
# Iteration 3: 加入價格動能（最大突破）
cond3 = (rev_ma3 > 20) & (roe > 10) & (momentum > 0)
pos3 = (cond3 * rev_ma3).is_largest(10)
r3 = sim(pos3, resample='M')
# CAGR 從 9.3% 跳到 18.6%
 
# Iteration 7: 全因子集中持股
cond7 = rev_new_high & (roe > 8) & (momentum > 0) & (trust_10 > 0)
pos7 = (cond7 * rev_ma3).is_largest(8)
r7 = sim(pos7, resample='Q')
# MDD 改善到 -33.2%

圖 5：7 次迭代的 CAGR 和 MDD 變化軌跡。加入價格動能是最大的突破，但投信條件反而有害。（來源：finlab AI 研究）

迭代	策略	CAGR	MDD	關鍵發現
1	營收動能 > 20%	10.8%	-55.4%	基礎因子
2	+ ROE > 10%	9.3%	-48.5%	品質篩選降低了報酬！
3	+ 動能 > 0	18.6%	-49.9%	動能確認是最大突破
4	+ 投信買超	6.6%	-53.8%	❌ 投信條件反而有害
5	營收新高 + 品質 + 動能	18.0%	-36.6%	營收新高降低回撤
6	+ 季度調倉	18.3%	-46.3%	季度調倉略有幫助
7	全因子 + 集中 8 檔	17.6%	-33.2%	最佳風險調整後報酬

（來源：finlab AI 研究，回測區間 2015-2025）

這個迭代過程揭露了幾個超乎預期的洞察：

發現 1：加條件不一定更好

加入 ROE > 10% 的品質篩選後，CAGR 反而從 10.8% 降到 9.3%。條件太嚴格會縮小選股範圍，錯過好機會。

發現 2：動能確認是最關鍵的因子

加入「60 日報酬 > 0」這個簡單條件後，CAGR 從 9.3% 直接跳到 18.6%——這是整個迭代過程中最大的突破。

為什麼？因為營收成長的股票，如果價格還在下跌，可能是市場還沒反應，也可能是有其他問題。動能確認幫你過濾掉後者。

發現 3：投信條件是個陷阱

第 4 次迭代加入「投信 10 日累積買超 > 0」後，CAGR 暴跌到 6.6%。

為什麼？因為投信買超是一個滯後指標。等投信大量買入時，股價往往已經漲了一段。加上這個條件反而錯過了上漲初期的機會。

如果這是一個有記憶的 Agent，它會在經驗記憶中記下：「投信買超作為篩選條件效果差，避免使用。」——下次就不會再犯同樣的錯。

發現 4：集中持股降低回撤

最終版本只持有 8 檔股票（而非 15 檔），MDD 從 -55.4% 改善到 -33.2%。集中在最強的少數標的上，反而比分散更穩健。

如果是有記憶的 Agent 在做這件事…

讓我們回頭想想：如果是一個有經驗記憶的 Agent 在做這 7 次迭代，它的記憶會怎麼演變？

迭代 1-2 之後的記憶：

「營收動能 > 20% 是有效的基礎因子。加入 ROE > 10% 後報酬下降 1.5%，可能是門檻太嚴格。下次嘗試放寬到 ROE > 8%。」

迭代 3 之後的記憶（重要發現）：

「⭐ 突破性發現：加入 60 日動能 > 0 讓 CAGR 從 9.3% 跳到 18.6%。動能確認是關鍵因子。建議所有後續策略都加入動能條件。」

迭代 4 之後的記憶（教訓）：

「⚠️ 警告：投信 10 日累積買超 > 0 嚴重損害績效（CAGR 從 18.6% 跌到 6.6%）。原因：滯後指標。標記為禁忌方向。」

迭代 5-7 之後的記憶（最佳化）：

「最佳組合：營收新高 + ROE > 8 + 動能 > 0，持有 8-10 檔。季度調倉有微幅改善。集中持股降低回撤效果顯著。」

這就是 FactorMiner 的「蒸餾」步驟在做的事——把每次迭代的學習濃縮成可重用的經驗，讓下一次的搜尋更有方向性。

第六章：建立你的因子挖掘 Agent（概念版）

現在你可能在想：我也能建一個這樣的 Agent 嗎？

答案是：可以，但需要理解架構。這裡展示一個概念版的因子挖掘 Agent 設計：

💬 你對 AI 說：

幫我設計一個台股因子挖掘 Agent 的架構，使用 Agno 框架。這個 Agent 需要能夠：1) 記住之前挖掘過的因子，2) 避免重複嘗試已知的失敗方向，3) 基於成功經驗擴展新方向。

🤖 AI 回覆：

以下是台股因子挖掘 Agent 的概念架構：

┌─────────────────────────────────────────────┐
│      Factor Mining Agent (Agno + FinLab)      │
│                                               │
│  ┌───────────────┐  ┌────────────────────┐   │
│  │  LLM (Claude)  │  │  Knowledge Base    │   │
│  │  推理 + 生成    │  │  成功：營收新高+   │   │
│  │  因子公式       │  │     動能 = 有效    │   │
│  │                │  │  失敗：投信條件     │   │
│  │                │  │     = 會降低績效    │   │
│  └───────┬────────┘  └─────────┬──────────┘   │
│          │                      │              │
│  ┌───────▼──────────────────────▼───────────┐ │
│  │              Tool Layer                   │ │
│  │  FinLab 數據 │ IC 計算 │ 相關性檢查 │ 回測  │ │
│  └──────────────────────────────────────────┘ │
│                                               │
│  Mining Loop: 檢索→生成→評估→蒸餾（循環）      │
└─────────────────────────────────────────────┘

核心 Python 程式碼（概念版）：

from agno.agent import Agent
from agno.models.anthropic import Claude
from agno.knowledge import Knowledge
from agno.vectordb.chroma import ChromaDb
from agno.db.sqlite import SqliteDb
 
# 建立因子挖掘經驗知識庫
learnings_kb = Knowledge(
    name="Factor Mining Learnings",
    vector_db=ChromaDb(
        name="tw_factor_learnings",
        persistent_client=True,
    ),
)
 
# 建立因子挖掘 Agent
factor_miner = Agent(
    model=Claude(id="claude-sonnet-4-5"),
    tools=[
        get_finlab_data,      # 取得 FinLab 台股數據
        backtest_factor,       # 回測因子策略
        check_correlation,     # 檢查因子相關性
        save_learning,         # 儲存挖掘經驗
    ],
    knowledge=learnings_kb,
    search_knowledge=True,
    db=SqliteDb(db_file="factor_mining.db"),
    instructions=[
        "你是台股因子挖掘 Agent。",
        "每次嘗試新因子前，先搜尋知識庫。",
        "發現有效因子 → 記錄成功模式。",
        "發現無效因子 → 記錄失敗原因。",
    ],
)

（來源：Agno 官方文檔；本文設計）

經驗記憶的內容長什麼樣？

基於我們前面的實驗，Agent 的經驗記憶會累積類似這樣的內容：

{
  "successful_patterns": [
    {
      "pattern": "營收新高 + 品質 + 動能",
      "insight": "營收新高是台股最強信號，配合 ROE 和動能確認效果最佳"
    },
    {
      "pattern": "集中持股 8-10 檔",
      "insight": "集中在最強標的上，風險調整後報酬更好"
    }
  ],
  "forbidden_directions": [
    {
      "pattern": "投信買超作為篩選條件",
      "reason": "滯後指標，會錯過上漲初期"
    },
    {
      "pattern": "低波動因子",
      "reason": "在台股日頻數據上幾乎無效"
    }
  ]
}

這些經驗不會消失。下次 Agent 啟動時，它會先讀取這些記憶，然後基於已知的成功模式去探索新方向。

第七章：績效揭曉——單因子 vs 多因子組合

讓我們正式比較不同策略的績效：

💬 你對 AI 說：

幫我比較三個策略的績效：1) 單因子（純營收動能），2) 多因子組合（營收+品質+動能+籌碼），3) 最佳迭代結果（營收新高+品質+動能）。產出對照表。

🤖 AI 回覆：

圖 6：從單因子（10.8%）到最佳迭代（18.6%），CAGR 提升 72%。

# 策略進化對照
strategies = ['單因子\n(營收動能)', '多因子組合\n(營收+品質+動能+籌碼)', '最佳迭代\n(營收新高+品質+動能)']
cagrs_compare = [10.8, 13.7, 18.6]
mdds_compare = [55.4, 44.6, 49.9]
 
x = np.arange(len(strategies))
bars1 = ax.bar(x - width/2, cagrs_compare, width, label='CAGR (%)', color='#2563EB')
bars2 = ax.bar(x + width/2, mdds_compare, width, label='|MDD| (%)', color='#EF4444', alpha=0.7)

圖 6：從單因子（10.8%）到最佳迭代（18.6%），CAGR 提升 72%。（來源：finlab AI 研究）

績效對照表：

指標	單因子(營收動能)	多因子組合	最佳迭代	改進幅度
年化報酬	10.8%	13.7%	18.6%	+7.8%
最大回撤	-55.4%	-44.6%	-49.9%	+5.5%
策略特色	簡單但風險高	均衡但保守	最高報酬	—

如果追求最佳風險調整報酬，Iteration 7（全因子集中 8 檔）是更好的選擇：

• CAGR 17.6%（略低於 18.6%）
• MDD 僅 -33.2%（最低回撤）

（來源：finlab AI 研究，回測區間 2015-2025）