MUFASA：以多视角Agent和统计记忆发现金融估值公式

符号回归已在科学中成功用于发现新方程，但在金融估值中仍受到限制。自然科学提供客观正确关系，金融估值则属于另一类符号发现问题：允许多种有效视角，市场条件非平稳，并具有噪声连续绩效信号。我们提出MUFASA，即带符号自适应学习的多Agent基本面分析，一个金融符号发现的分层多Agent框架。它引入三项机制：代表不同估值视角的专用Agent进行解耦方程发现；元协调器对市场上下文做层次推理；以及基于准确率、稳定性和尾部风险等统计绩效摘要推理的记忆机制，在噪声反馈下指导学习。多个国家数据集上的实验表明，MUFASA在估值任务中相对于经典金融方法、金融LLM和符号回归取得先进表现，同时生成可解释方程并向社区分享。我们还公开各演进迭代中提炼的经验及上下文相关策略权重，希望为后续基本面分析研究提供有用参考。