20260110-东吴证券-深度学习系列之一_AI重塑量化_基于大语言模型驱动的因子改进与情绪Alpha挖掘_106页_4mb

报告摘要

金工专题报告总结：AI重塑量化，基于大语言模型驱动的因子改进与情绪Alpha挖掘

核心内容

本报告为深度学习系列报告的第一篇，聚焦于AI在量化投资中的应用潜力，重点分析了基于大语言模型（LLM）和提示工程（Prompt Engineering）的因子研究框架，涵盖低频量价因子、基本面因子、高频因子以及文本情绪因子的挖掘与优化。通过构建一个系统化的AI因子研究体系，报告展示了AI在因子改进、生成以及多维度信息融合方面的显著成效，并提出了一个结合AI生成因子与传统因子的指数增强策略，验证了AI在量化投资中的实际增益。

主要观点

AI因子优化与生成
- 基于Qlib的Alpha158因子库，通过DeepSeek等大语言模型进行因子优化，实现了因子逻辑的深度重构和创新。
- 优化框架采用人机交互的迭代循环，确保因子改进的系统性与可重复性。
- 优化后的因子在多个窗口期（5-60日）下表现稳健，部分因子样本外ICIR甚至达到1.0以上，证明了AI优化因子的有效性与鲁棒性。
AI因子生成能力突破
- 通过提供“成功案例”作为先验知识，AI实现了从零生成新因子，成功挖掘出与样例因子相关性低但ICIR表现优异的新因子。
- 这些AI生成因子在样本外跟踪中持续表现良好，表明其具备一定的市场适应能力与预测能力。
AI在基本面因子挖掘中的应用
- AI能够自主学习并理解财务数据之间的复杂关系，突破传统基本面因子如市盈率、市净率等的限制。
- 通过AI，成功生成了增强版基本面因子（如现金毛利CGP_TTM）及创新因子（如应收账款周转率ART_QR），有效拓展了因子库的维度与范围。
AI在高频因子挖掘中的表现
- AI具备直接编写Python代码的能力，有效挖掘出逻辑新颖且表现优异的高频因子。
- 通过将AI高频因子与日K、周K数据融合进AGRU神经网络模型，策略的年化多头超额收益显著提升，RankIC均值也有明显改善。
- 部分高频因子（如投机波动因子）在多空组合中表现出年化收益超过60%的潜力。
AI文本情绪因子的构建与应用
- 基于Gemini 2.5 Pro模型，AI对海量调研纪要进行情绪分析，构建了周度情绪因子。
- 该因子展现出独特的非对称预测能力，即负面情绪是股价下跌的强预警信号，而正面情绪对股价上涨影响较小。
- 该因子与传统因子相关性极低，可作为独立的增量信息源。
综合策略构建与效果验证
- 将AI生成的高频因子与低频因子融合，构建了AGRU神经网络模型。
- 结合AI文本情绪因子进行空头端风险调整，形成完整的中证800指数增强策略。
- 最终策略在保持换手率基本不变的情况下，年化超额收益由11.15%提升至11.81%，信息比率由2.18提升至2.31，且近三年超额收益均超过1个百分点，验证了AI在量化策略中的协同效应。

关键信息

AI因子优化流程：
- 采用Prompt Engineering技术，构建人机交互优化框架。
- 回测窗口期统一为20个交易日，对因子进行市值行业中性化处理。
- 每个因子至少优化3次，最多尝试5次，确保优化效率与效果。
优化效果：
- 29个因子在5次迭代中表现出积极提升，其中15个因子RankIC提升至1.2倍以上，10个因子提升至1.5倍以上。
- 在ICIR指标上，有23个因子实现提升，14个因子提升至1.2倍以上，10个因子提升至1.5倍以上。
AI因子生成与测试：
- AI生成因子在样本外跟踪中表现持续稳健，部分因子的ICIR超过1.0。
- AI生成的因子与原始因子相关性较低，展现出独立的Alpha挖掘能力。
情绪因子的构建：
- 通过Gemini模型解析调研纪要，构建了周度情绪因子。
- 该因子在空头端表现出显著的规避能力，空头组合年化超额收益达8.26%。
- 该因子与传统因子相关性低，具备独立性。
综合策略效果：
- 将AI因子与传统因子融合后，年化超额收益提升至11.81%，信息比率提升至2.31。
- 策略在近三年均实现超额收益超过1个点，验证了AI在量化研究中的实际应用价值。

限制与风险提示

模型失效风险：基于历史数据构建的因子及模型，在市场环境发生重大变化时可能存在失效风险。
过拟合风险：AI生成的因子可能对历史数据过度拟合，导致在实际应用中表现不佳。
大模型局限性：LLM的输出存在随机性与模型幻觉，可能影响因子的可复现性。
回测与实际差异：回测假设条件理想化，未考虑交易成本、滑点等因素，可能导致实际表现与预期不符。
因子失效风险：AI生成因子的有效性可能随时间衰减，尤其在因子逻辑被广泛认知后，其获取超额收益的能力可能下降。

结构与方法

因子优化流程：
- 提供初始因子表达式与优化目标，引导AI生成改进方案。
- 优化结果以特定格式输出，便于后续解析与使用。
因子分类与表达式：
- 因子分为K线因子、波动因子、价因子、量因子、量价相关性因子等五类。
- 表格形式展示原始因子与改进因子的RankIC均值与ICIR等统计指标。
模型融合与策略构建：
- AGRU模型用于融合日K、周K与高频因子，提升策略表现。
- 情绪因子用于空头端风险调整，进一步优化策略收益风险比。

总结

本报告系统性地展示了AI在量化因子研究中的应用潜力，构建了一个可迭代、可落地的因子优化与生成框架。通过AI对低频量价因子、基本面因子、高频因子及调研文本情绪因子的挖掘与优化，实现了因子逻辑的创新与策略收益的显著提升。最终策略在多个维度上表现出色，验证了AI在量化研究中的“1+1>2”效应。然而，模型的局限性与市场环境的不确定性也需引起重视，以确保策略的长期稳健性。

展开完整摘要