想象你请一位研究员找交易规律：提出想法、跑历史数据、淘汰失败方案，再根据成功结果继续试。传统流程需要人反复推动。AQuA 想做的，是让 AI 自己把这套循环转起来。
这篇论文题为《AQuA: Recursively Self-Improving Quantitative Trading Research Agents》（arXiv:2608.12841）。目前供稿只有一篇 Reddit 转述，尚未核读论文全文，以下系统设计与效果数字均来自该帖对论文的概括，不能视为独立验证。
它怎样让研究接着往前走？
AQuA 是一套由大语言模型驱动的量化研究 Agent——也就是能调用数据和代码工具、自己完成部分研究步骤的软件代理。它覆盖从因子发现到模型开发的流程。因子，是估值、趋势或质量这类可量化特征，用来解释或预测不同资产的收益差异。
它最值得注意的地方不是“让 AI 多做几次实验”，而是保留此前通过验证的结果，再用这些结果指导下一轮研究。像研究员把有效结论写进实验笔记，而不是每轮都从空白开始。这样，提出假设、回测、筛选结果和继续研究便可能形成递归循环。
系统还使用 sealed sandboxes（封闭沙箱）：把测试过程隔离起来，试图防止 Agent 偷看测试结果后反过来迎合答案。不过材料只给出概括，没有说明具体隔离机制。
漂亮数字还不是最终答案
据 Reddit 帖子转述，论文报告其策略连续五年净收益为正，美股 Sharpe ratio 达到 2.5。Sharpe ratio（夏普比率）用超额收益除以收益波动，粗略表示每承担一单位风险换来多少回报。
这些数字很醒目，但暂时只能当作论文报告的回测摘要。材料没有披露回测区间、资产池、基准、交易成本、换手率、样本内外划分、统计显著性，也没有说明是否从大量尝试中筛出最好结果。
为什么值得关注？
AQuA 把焦点从“AI 能否写出一个策略”推向“AI 能否积累经验证的研究经验”。如果这一步成立，量化 Agent 才可能从一次性助手变成持续迭代的研究系统。
局限与未知
- 样本外稳健性仍是核心疑问。过拟合会让模型记住历史噪声，回测出色却无法应付新数据；帖子作者也明确提出了这一担忧。
- sealed sandboxes 能否真正阻止数据泄漏或测试集污染，目前缺少细节。
- 所有效果论断只有一个独立转述信源，尚无第二方材料交叉验证。