Darius Baruo
2026年5月22日 08:59（UTC +8）
NVIDIA 的 NeMo Agent Toolkit 為金融訊號發現提供 AI 驅動的自動化能力，縮短量化交易的研究週期。
NVIDIA 發布了其 NeMo Agent Toolkit 的全新應用，展示多智能體系統（MAS）如何革新量化交易中的金融訊號發現。該系統透過自動化傳統的人工流程，縮短研究週期，並提升發掘 Alpha 訊號的效率，而 Alpha 訊號正是系統化交易策略的核心要素。
根據 NVIDIA 的 Peihan Huo 撰寫的部落格文章，該系統協調三個專業 AI 智能體：訊號智能體（Signal Agent）、程式碼智能體（Code Agent）與評估智能體（Evaluation Agent）。這三個智能體共同在假設生成、回測與優化的持續循環中運作。這一自我改進的工作流程利用 NVIDIA 的 Nemotron 模型加速發現過程，同時保持結果的高度可解釋性與可重現性。
智能體系統的運作方式
訊號智能體透過分析價格、成交量及基本面指標等市場數據，識別潛在的交易訊號。它利用結構化的數學運算子庫生成假設，同時避免常見的 AI 缺陷，例如「幻覺」出無效的數學運算。例如，它可能提出一個將價格動能與成交量趨勢結合的訊號，確保邏輯與經濟合理性。
假設形成後，程式碼智能體將想法轉化為可執行的 Python 程式碼。評估智能體隨後對該程式碼進行回測，計算資訊係數（IC）等指標以衡量訊號的預測能力。未能達到預設門檻的訊號將在迭代流程中被優化，形成一個隨每次循環不斷改進的回饋迴路。
這對交易者的重要性
量化金融長期以來依賴大量人工作業的工作流程進行訊號發現。傳統方法要求研究人員逐一對訊號進行假設、編碼、回測與優化，往往涉及分析師與開發人員團隊之間碎片化的交接。NVIDIA 的系統旨在簡化這一流程，讓量化研究人員能在更短的時間內測試更多想法。
就背景而言，強勁的交易訊號通常呈現出 0.02 至 0.05 之間的平均排名 IC。在 NVIDIA 的演示中，一個生成的訊號在 3,504 個交易日內達到了統計顯著的排名 IC -0.0134，展示了該系統生成可操作（儘管適中）預測洞察的能力。儘管並非突破性成果，但這一表現與動能或均值回歸等機構級短期策略所使用的訊號相符。
更廣泛的市場背景
多智能體系統正在量化金融領域獲得越來越多的關注，成為對複雜市場動態進行建模的框架。近期的進展，例如階層式強化學習和基於圖的架構，增強了 MAS 在投資組合優化和市場監控等領域的能力。例如，2025 年研究人員引入了一個圖注意力框架來對跨資產依賴關係進行建模，而 Fere AI 等新創公司也開始將自我改進的交易智能體商業化。
NVIDIA 對模組化與可觀測性的重視進一步使其產品脫穎而出。透過在 YAML 配置中集中管理工作流程，並整合 Arize Phoenix 等即時可追蹤性工具，該平台讓用戶能夠以最小的阻力除錯問題並擴展實驗。量化團隊可以輕鬆將系統調整至不同的資產類別、交易策略或專有數據集，使其成為機構和進階零售交易者皆適用的多功能工具。
展望未來
NVIDIA 的 NeMo Agent Toolkit 為自動化量化研究的未來提供了一瞥。隨著 MAS 框架日趨成熟，它們有望重新定義交易者在 Alpha 生成、風險管理和執行策略方面的方法。對此感興趣的人士，NVIDIA 提供 GPU 加速的部署環境以及 GitHub 上的開源實作，讓渴望嘗試這些尖端工具的量化研究人員能夠輕鬆上手。
圖片來源：Shutterstock
Source: https://blockchain.news/news/nvidia-ai-automates-signal-discovery
