近期大语言模型（LLM）代理的进展催生了一种新的资产定价范式，称为 Agentic 实证资产定价（AEAP），即系统能够自主完成科学发现全过程。我们首先给出 AEAP 的定义，并划分其核心构件：数据获取、特征生成、因子验证、以及交易信号输出。传统评估仅回测因子或交易的表现，忽视了产生这些输出的自主发现系统本身。为此我们提出了一套参考架构，包含：① 因子发现的标准化流程；② 对发现因子进行严格的统计检验；③ 对发现系统进行样本外回测的完整方法。基于该架构，我们实现了 SEADS，并在两个美国股票面板上与五个重新实现的基线模型进行比较。实验表明，没有单一指标能够一致排序所有系统，因而需要在多个维度上同步评估。随后我们采用滚动重新执行的方式，检验发现过程本身的可靠性，而非单一静态输出。结果揭示了一些负面发现和局限性，提示未来 AEAP 系统在评估设计上仍存在潜在陷阱。
点评