20260528-华泰证券-华泰_金工深度_自进化Skill_选股策略的自动迭代_13页_1mb

华泰 | 金工深度：自进化Skill—选股策略的自动迭代 总结

核心内容

本文探讨了如何利用人工智能实现选股策略的自动迭代，提出了一种名为“自进化Skill”的框架。该框架借鉴Karpathy的AutoResearch思想，将量化选股研究组织为可执行、可回溯、可约束的策略进化流程，旨在提高研究效率和策略稳定性。

主要观点

• 策略自进化流程：策略自进化并非无约束的参数搜索，而是基于明确的研究协议，将投资逻辑、可调边界、样本隔离、版本管理和结果复盘写入Skill，从而形成一个可执行、可迭代的研究框架。
• 策略迭代方式：通过分样本回测（训练集、验证集和测试集）来实现策略的优化，其中验证集用于筛选保留版本，测试集用于最终人工复核，以降低过拟合风险。
• 策略改进路径：策略改进主要来自于多次小幅、可解释的配置调整，而非单次大幅改造，优化集中在红利防守、估值基础池、流动性约束、组合集中度和成长稳定性等变量上。
• AI Agent的作用：AI Agent能够自动完成策略迭代流程，包括阅读代码、提出修改、执行实验、观察结果和继续迭代，从而提升研究效率。

关键信息

• 初始策略：稳健低波价值优选策略，旨在寻找具备价值安全边际、分红支撑、盈利稳定和较低波动特征的股票。
• 版本管理：每轮策略修改都应形成独立版本，保留配置文件、组合权重、打分记录、调仓日期、持仓明细和分样本回测结果。
• 样本隔离：策略进化过程分为训练集、验证集和测试集三个阶段，分别承担策略生成、版本筛选和最终复核的功能。
• 性能提升：通过策略自进化，测试集年化收益率从 $13.47%$ 升至 $15.67%$，夏普比率从0.69升至0.89，波动率和换手率均有所下降。
• 风险提示：大模型存在输出不稳定、效果差异及信息泄露等风险，需谨慎选择和使用。

策略自进化框架结构

策略协议层

• 明确策略核心投资逻辑、数据和因子边界、组合约束和迭代边界。
• 限制策略调整范围，确保每次迭代围绕一个主要假设进行，避免逻辑偏离。

版本管理层

• 每轮策略修改应形成独立版本。
• 版本目录保存配置、权重、得分、调仓日和回测结果，便于复盘和审计。

样本隔离层

• 训练集：用于策略生成和初步筛选。
• 验证集：用于判断版本是否值得保留。
• 测试集：仅用于最终人工复核，不参与自动调参闭环。

Skill构建

• SKILL.md：策略说明、迭代约束和操作纪律。
• skill_config.yaml：可机器读取的参数配置，包括股票池、因子组、组合规则和可调参数。
• skill_strategy_gen.py：根据配置生成持仓、得分和调仓记录。
• skill_strategy_backtest.py：对训练集、验证集和测试集分别进行回测。
• 版本目录：保存每个版本的配置和结果文件，避免覆盖旧结果。

初始版本构建流程

1. 可选池构建：基于流通市值和成交额筛选可交易股票。
2. 价值基础池构建：通过行业内估值与盈利能力的比较，筛选出具有估值安全边际的股票。
3. 得分计算：包括龙头质量、分红防守、成长稳定性三组得分。
4. 组合构建：按月调仓，控制持仓数量、单票权重上限和交易成本。

迭代效果分析

• 训练集：夏普比率波动较大，部分版本未带来明显改善。
• 验证集：夏普比率逐步提升，显示策略优化路径清晰。
• 测试集：测试集夏普比率总体改善，但提升幅度小于验证集，说明验证集筛选具有一定外推效果，但需人工复核。

策略迭代逻辑

• 有效优化集中在红利防守、价值基础池、流动性约束、组合集中度和成长稳定性等变量。
• 优化路径应围绕少数核心问题逐步收敛，而非频繁切换风格或增加复杂因子。

优化方向网络

• 优化路径主要围绕组合构建、估值基础池、流动性约束和红利防守等核心模块。
• 通过优化方向网络图，可以清晰看到策略迭代的逻辑推进路径。

总结与展望

• Skill的价值：Skill的核心价值在于将量化研究流程化和Agent智能化，而非无约束地尝试更多参数。
• 未来方向：进一步规范Skill中的可调入参，详细记录每轮假设、修改项、证据、失败归因和是否保留，以提高策略优化的可审计性和可复现性。
• 策略优化建议：后续优化应围绕策略内核展开，避免偏离红利低波逻辑的风格切换。

风险提示

• 大模型输出可能存在准确性及稳定性风险。
• 不同大模型效果存在差异，需谨慎选择。
• 非本地大模型处理敏感数据可能有信息泄露风险。