> **来源：[研报客](https://pc.yanbaoke.cn)** # 中金：Multi-Agent如何辩论出基本面Alpha？总结 ## 核心内容 中金提出了一种基于Multi-Agent多智能体辩论的基本面因子挖掘框架，旨在通过不同视角的Agent之间的交互，提升因子质量并拓展搜索空间。该框架结合了LLM的创造性与量化研究的严谨性，构建了一套完整的因子挖掘闭环流程，包括因子生成、验证纠错、评估反馈和入库去相关等环节。 ## 主要观点 - **LLM的推理优势与基本面因子的可解释性**：LLM在金融知识和经济推理方面表现突出，尤其适合基本面因子的挖掘，但需防范会计口径误判和未来信息泄露。 - **Multi-Agent的视角互补与批判机制**：通过设置两个Agent分别代表“质量/价值”和“成长/动量”视角，进行交替分析、批判和改写，模拟量化研究中的“提出假设-同行质疑-修正方案-实证检验”流程，提升因子的经济解释性和有效性。 - **“自由探索-约束搜索”机制**：前期以初始因子为seed，在低约束下扩大搜索空间；后期引入相关性警告和严格入库标准，控制因子同质化，提升因子多样性。 - **因子质量与结构的双重提升**：最终生成的因子多为复合型，结合多个基本面信号与约束条件，表现出较强的预测能力和稳定性。 ## 关键信息 ### 因子挖掘流程 1. **视角构建与因子生成**： - 输入数据：财报科目明细、日度指标、初始因子库。 - 视角构建：两个Agent分别从“质量/价值”和“成长/动量”视角出发，提炼因子构造范式和改进方向。 - Seed因子选择：以一定概率从因子库中抽取已有因子作为seed，或由Agent自主生成。 - 辩论生成：Agent基于上一因子的代码、逻辑评价和量化表现，交替分析与改进，生成新的因子代码。 2. **验证与纠错**： - 检查代码运行、字段使用、输出格式、缺失率和未来信息风险。 - 若检验失败，由correction agent自动修正代码。 3. **评估与反馈**： - 计算IC、ICIR、覆盖率、最大回撤和年化超额收益等指标。 - 将结果反馈给后续轮次，调整因子构造逻辑。 4. **入库与去相关**： - 保留满足入库条件的因子，形成因子库。 - 去除与已有因子高度相关的因子，形成低相关因子库。 ### 因子表现 - **样本内表现**： - 平均IC为3.5%。 - 最高IC为5.8%。 - 最高年化超额收益为10.84%。 - **样本外表现**： - 平均IC为2.1%。 - 最高IC为4.9%。 - 最高年化超额收益为18.53%。 ### 因子特性 - 多为复合因子，而非单一指标的线性变形。 - 多数因子包含现金流质量、盈利真实性、估值锚、经营改善等元素。 - 部分因子引入公告日前后的价格行为，但不单独依赖价格信号。 ### 辩论机制优势 - **提质**：通过多轮辩论，提升因子的预测能力和经济含义。 - **去同质**：通过相关性警告机制，控制因子同质化，提高因子库多样性。 - **持续产出**：即使在多轮迭代中，模型仍能生成具有经济含义的高质量因子。 ### 辩论案例：RES因子的演化 - **原始RES因子**：表现较弱，IC为0.4%，年化超额为-1.46%。 - **第一轮CVCE因子**：通过信号方向和盈利质量修正，IC提升至4.42%，年化超额提升至6.05%。 - **第二轮OLCED因子**：通过更换经济机制，避免与已有因子高度相关，相关性下降至54.0%，年化超额进一步提升至6.17%。 ### 同质化控制机制 - **相关性警告机制**：每轮评估后，提示Agent避免生成与已有因子高度相关的因子。 - **高质量seed因子选择**：综合考虑因子IC排名和相关性排名，选择具有高表现和低相关性的因子作为seed。 - **严格入库标准**：IC>2%、年化超额>2%、覆盖率>70%作为入库标准。 ### 风险提示 - LLM生成结果具有一定随机性，未来可能存在失效风险。 - 建议多次生成结果，取平均值作为最终参考。 ## 框架设计要点 - **Agent设定**： - Agent A：质量/价值视角。 - Agent B：成长/动量视角。 - Correction Agent：负责代码纠错。 - **Prompt设计**： - 嵌入量化研究流程，确保因子可回测、可比较、可入库。 - 设置PIT数据约束、报告期滚动计算规范、无量纲化等细节要求。 - **模型优化**： - 引入相关性警告和严格入库标准，缓解边际效益递减问题。 - 通过多轮迭代，持续产出高质量低相关因子。 ## 实验结果 - **初始探索阶段**： - 12个初始因子，共生成60个候选因子，其中48个满足入库条件。 - 最终保留15个低相关因子，平均IC为3.81%，年化超额为4.94%。 - **同质化控制阶段**： - 23个高质量因子作为初始seed，最终保留44个因子。 - 其中26个为新生成因子，占22%。 ## 未来建议 - **多轮迭代**：建议持续进行多轮辩论与因子优化，提升因子质量。 - **多样化seed**：选择具备高质量和低相关性的因子作为seed，避免重复。 - **风险控制**：注意LLM生成的随机性，提高模型的可复现性。 ## 总结 中金提出的Multi-Agent基本面因子挖掘框架，通过多智能体辩论机制，实现了因子质量与结构多样性的双重提升。该框架结合LLM的创造性与量化研究的严谨性，构建了从因子生成到评估入库的完整流程，有效缓解了边际效益递减问题，提高了因子挖掘的效率与稳定性。最终生成的因子库具备较强的预测能力和经济含义，为基本面因子挖掘提供了一种兼顾创新性与可靠性的路径。