20260616-广发证券-_广发金工_构建全自动的因子挖掘AI智能体_17页_2mb

报告摘要

本文由广发证券金工团队安宁宁、陈原文及林涛共同撰写，探讨了一种结合大语言模型（LLM）与智能体的全自动因子挖掘框架——CogAlpha。该框架旨在通过智能体与LLM的协同，实现可解释、稳健且多样化的Alpha因子挖掘，解决传统因子挖掘方法在效率、逻辑性与多样性方面的不足。

因子挖掘的挑战：传统因子挖掘方法存在效率低、缺乏金融逻辑引导以及因子同质化等问题，而机器学习和深度学习方法虽具备强大的拟合能力，但其黑箱属性限制了可解释性。
CogAlpha框架：基于LLM驱动的因子代码生成与进化，引入七级智能体架构，实现因子生成、评估、进化全过程自动化，无需人工干预。
智能体设计：每个智能体专注于特定的金融分析视角，从宏观到微观、从抽象到具体，确保因子搜索空间的广泛性和逻辑多样性。
多样化提示词：通过五种改写模式，提高LLM生成因子的多样性与表达方式的丰富性，防止陷入固定的表达套路。
质量检查机制：由四个智能体组成的质量检查器，对因子代码进行语法、逻辑、经济可解释性等多维度评估，确保因子质量。
思维进化策略：通过突变和交叉操作，结合LLM的自然语言提示，实现因子的自然演化，增强模型的灵活性和复杂性。
未来信息泄漏检测：通过时序截断与重算对比，确保因子不使用未来信息，提高因子的可靠性。

CogAlpha框架的核心是一个七级智能体架构，共包含21个专用智能体，分别专注于不同的金融分析方向，如下：

Level	Category	Sub-category
Level I	Market Structure & Cycle	AgentMarketCycle, AgentVolatilityRegime
Level II	Extreme Risk & Fragility	AgentTailRisk, AgentCrashPredictor
Level III	Price–Volume Dynamics	AgentLiquidity, AgentOrderImbalance, AgentPriceVolumeCoherence, AgentVolumeStructure
Level IV	Price–Volatility Behavior	AgentDailyTrend, AgentReversal, AgentRangeVol, AgentLagResponse, AgentVolAsymmetry
Level V	Multi-Scale Complexity	AgentDrawdown, AgentFractal
Level VI	Stability & Regime-Gating	AgentRegimeGating, AgentStability
Level VII	Geometric & Fusion	AgentBarShape, AgentCreative, AgentComposite, AgentHerding

为了提高因子生成的多样性，设计了五种改写模式，分别对应不同的模型温度参数范围：

由四个智能体组成的质量检查器，负责因子代码的多维度审核：

采用以下四个指标综合评估因子质量：

根据综合得分，因子被分为无效、合格、精英三类，合格因子进入父代池，精英因子被永久保存。

模型使用：DeepSeek-v4-pro 和 Qwen3-VL-235B。
因子表现：
- DeepSeek-v4-pro生成因子IC均值为2.15%，Rank IC均值为2.15%。
- Qwen3-VL-235B生成因子IC均值为2.95%，Rank IC均值为2.95%。
因子数量：
- DeepSeek-v4-pro生成136个因子。
- Qwen3-VL-235B生成66个因子。
因子相关性：
- DeepSeek-v4-pro与Qwen3-VL-235B之间因子相关性平均为0.80。
- 部分因子在两个模型间解释度低于0.1，具有较高的独立性。