深度报告-2026-06-15-东吴证券-从表达式搜索到Agent化研究流程_AI因子挖掘的双路径实践与Skill沉淀_41页_2mb

金工专题报告总结：AI因子挖掘的双路径实践与Skill沉淀

核心内容

本报告围绕AI因子研究中的“搜索能力”与“沉淀能力”展开，提出了一种结合大语言模型（LLM）与遗传算法（GA）的双路径因子挖掘方法。该方法旨在构建一个可迭代的AI因子研究流程，使AI不仅能够生成因子，还能参与因子研究的完整链条，包括提出假设、生成信号、接受评测、吸收反馈并沉淀工具函数。

主要观点

• LLM写因子的能力与瓶颈：LLM具备较强的金融逻辑推理能力，能够对已有因子进行改写、增强和构造。然而，其推理速度较慢，且依赖提示词设计，难以形成稳定、可复用、可持续扩展的因子研究流程。
• 两条路线：
  1. 表达式空间：通过LLM增强遗传编程，引入金融逻辑和子表达式基因，构建具有解释性的因子搜索空间。
  2. 代码空间：让LLM直接生成可运行的Pandas/Numpy因子函数，并通过历史反馈和工具函数库实现因子的迭代与沉淀。
• 研究目标：构建可复盘、可继承、可共享的AI因子研究流程，推动因子研究从“AI写因子”走向“AI挖因子”。

关键信息

表达式空间：LLM增强遗传编程

• 通过LLM提取金融逻辑和子表达式基因，构建表达式树搜索空间，结合遗传算法进行分岛进化和低相关筛选。
• 实验结果：87个候选因子，全区间|RankIC|均值为6.98%，测试集|RankIC|均值为6.93%；全区间|ICIR|均值为0.79，测试集|ICIR|均值为0.66。
• 与传统因子的相关性较低，约81.6%的因子对内部相关性低于0.70，约91.2%低于0.75。
• 相对Alpha158MLP的平均增量IC为2.53%，说明该框架挖掘到了传统因子之外的结构信息。

代表因子分析

• LOWPOS_SHARPE_COV：衡量日内最低价与收盘价的位置关系及动量强度，捕捉质量动量信号，IC表现稳定。
• CANDLE_SHADOW_P3：刻画短期情绪过热后的反转信号，通过EMA强化K线形态，IC表现负，但具有较强增量信息。
• RETCNG_MINUS_GAP：剔除跳空影响后的量价拥挤信号，捕捉盘中量价共振，表现稳健，且在2026年仍有效。

函数式因子挖掘

• 生成80个函数式因子，RankIC均值为4.90%，ICIR均值为0.66，因子间相关性较低，约85.5%的因子对相关性低于0.50。
• 相对Alpha158MLP的平均增量IC为1.67%，说明其在基础数据之上加入了路径、状态和条件判断。
• 代表因子包括：
  • 隔夜-日内修正因子：刻画资金对隔夜情绪的再定价。
  • 极值形成过程因子：区分放量追高与恐慌出清的非对称信号。
  • 量能体制切换因子：识别同一跳空在不同环境下含义差异。

东吴金工Skill

• 将因子挖掘流程封装为【东吴金工】选股因子迭代Skill，实现因子研究的自动化与可复用性。
• Skill支持低频量价数据、基本面数据、分析师预期、事件文本、高频交易行为或多源融合数据。
• 每轮迭代输出分年度和全区间IC/ICIR、IC走势图、因子历史Excel摘要，并沉淀有效逻辑和失败经验。

风险提示

1. 模型失效风险：历史表现不代表未来收益，市场环境变化可能导致因子失效。
2. 过拟合风险：自动化生成方法可能挖掘偶然有效的历史模式，泛化能力可能下降。
3. 极端行情风险：在流动性危机、政策冲击等极端环境下，因子信号可能失效或反向。
4. 数据质量与评测口径风险：原始数据缺失、异常或收益标签偏差可能影响因子表现。
5. LLM生成风险：因子逻辑、代码和工具函数可能存在理解偏差或实现错误。
6. 交易成本与流动性风险：实际交易中可能面临冲击成本、滑点等问题，侵蚀回测收益。

总结与展望

• 两条路线均表明，LLM与GA的结合提升了因子的可解释性与有效性。
• 表达式路线强调在可控空间中引入金融逻辑，函数式路线则突破固定算子限制，表达复杂交易行为。
• 从报告到Skill的转化，使AI因子研究流程产品化，为团队提供可共享的研究能力。
• 未来可扩展至基本面、分析师预期、事件文本、高频交易行为或多源融合数据。