AI 生成因子范式：从入门到进阶交流纪要

摘要： 本次会议由东吴证券金工团队主讲，探讨了量化投资中从人工挖掘因子向 AI 生成因子范式的演进过程，重点介绍了利用大语言模型（LLM）结合自动化流程、遗传算法及蒙特卡洛树搜索（MCTS）来提升量化因子挖掘效率与质量的方法论。

核心观点：
AI 能够有效突破人类研究员在因子挖掘中的认知边界、产能上限及验证成本。通过构建“AI 生成创意 $\rightarrow$ 标准化流程验证 $\rightarrow$ 结果回传优化”的闭环，可实现因子的快速迭代与性能提升。

论据支撑：

1. 研究阶段演进：从简单的 API 交互优化（1.0 阶段，通过自我循环迭代提升 IC/ICIR）进化到结合遗传算法与 LLM（2.0 阶段，利用 LLM 提取有逻辑的子表达式基因以增强可解释性）。
2. 高级框架构建：引入蒙特卡洛树搜索（MCTS），利用 UCT 打分机制（综合 IC、ICIR、换手率及相关性惩罚）引导 AI 向高潜力方向定向扩展，降低搜索随机性。
3. 多维度因子实践：在低频量价因子、基本面因子（价值、质量、成长）及高频代码生成因子上均验证了 AI 的有效性，部分因子在样本外表现出较强的稳健性。
4. 工具化落地：将研究经验打包为 SKE（能力组件），通过引导用户定义数据和参考样例，实现因子的自动化生成与评测。

局限性/风险：

1. 冷启动问题：AI 在缺乏量化领域专业经验指引时，初始生成的因子效果较差。
2. 信息茧房风险：经验沉淀机制可能导致 AI 过度复用既有逻辑，限制创新，需通过重置（Reset）机制来打破。