Loopera-ai/loopera

解决的问题

Loopera 是一个专为基本面量化研究设计的 AI 代理。它解决了将原始财务数据和研究材料（如 PDF 和提示）转化为可验证、可解释的投资因子的问题。与随机组合数据字段以寻找统计相关性不同，它专注于财务异常背后的经济逻辑，确保研究结果基于商业现实，而非数据拟合。

如何工作

Loopera 作为一个包含多个阶段的持续研究循环运行：

1. 输入与理解：接收研究主题、文本提示或 PDF 报告，提取主张、公式和经济机制。
2. 假设生成：识别财务异常（例如利润未转化为现金），并提出相互竞争的经济解释，以说明这些现象为何可能影响未来表现。
3. 因子构建：将这些假设转化为「研究合约」——结构化、可计算的对象，定义因子的预期方向和经济含义。
4. 证据门控验证：候选因子必须通过多个「证据关卡」（检查数据可用性、时间/前瞻偏差、会计一致性以及增量价值）后才能被接受。
5. 研究记忆：成功和失败的研究路径均存储在记忆系统中，以防止重复工作并识别研究空白。

适用对象

• 基本面量化团队：希望标准化并扩展其因子研究流程的团队
• 投资研究与 FinTech 机构：希望将内部报告和数据能力与标准化验证流程连接的组织
• 研究经理：需要追踪研究结果背后的决策逻辑、证据和失败原因，而不仅仅是看回测曲线的人

亮点

• 假设驱动：优先考虑经济解释而非单纯计算，以避免过拟合。
• 证据门控：采用多层验证流程，确保因子稳健且逻辑一致。
• 记忆增强：维护研究脉络，记录某些路径失败的原因，将失败转化为团队知识。
• 多模态输入：可处理 PDF 以提取研究主张和公式，同时严格保持来源准确性。