📰 研报摘要
查看全文 ➔摘要： 本次会议由国金证券研究员分享一种利用大模型（LLM）实现财务逻辑因子全天候自动化挖掘的量化框架。该框架旨在结合人工构造的高解释度与机器学习的高效率，通过自动化流程降低因子开发成本并提升因子的实用性。
核心观点：
- 构建全天候挖掘闭环：设计了包含因子初始化、因子改进（利用 MMR 限制相关性）及 Idea 提取三个阶段的自动化框架，实现 7x24 小时并行挖掘。
- 优化挖掘逻辑：引入 RAG 机制，将成熟因子经验与向量匹配结合，增强 Prompt 的引导能力，使大模型生成的因子具备更连贯的经济学语义。
- 量价与基本面双线并行：框架同时支持量价因子（侧重波动与动量）和基本面因子（侧重财务报表滚动指标），并针对基本面因子的复杂算子设计了语法树修正机制。
论据支撑：
- 回测效果：量价因子合成后，多头年化超额收益率可达 17.4%，超额净值曲线稳健。基本面因子虽波动较大，但在风险暴露控制上表现更优。
- 对比优势：相比于传统的遗传规划（GP）等暴力组合方法，LLM 挖掘能保持因子的可解释性，且能根据具体 Idea 进行定向改进。
- 实操流程：采用“内层循环（并行挖掘）+ 外层循环（收益与相关性控制）”结构，每轮可筛选出 2-3 个优质因子入库。
局限性/风险：
- 计算能力限制：大模型不擅长直接进行数值计算，因此框架仅将其用于生成公式，具体的计算与回测仍需在本地环境下完成。
- 样本外表现风险：为避免未来信息泄露，需严格区分挖掘样本期（如 2010-2019 年）与检验样本期（如 2020-2025 年）。