东吴金工：AI 生成因子范式从入门到进阶研究交流纪要

会议纪要 数据与宏观 / 策略观点笔记
🔒
登录解锁完整投研深度报告与行情联动： 免费查阅完整机构研报原件、音频转写、五维画像模型与异动监控
立即登录 / 免费注册 ➔

📰 研报摘要

查看全文 ➔

摘要： 本次会议由东吴证券金工团队主讲，探讨了量化因子挖掘从传统人工模式向 AI 驱动范式的演进，重点介绍了利用大语言模型（LLM）进行因子优化、生成及与成熟算法（遗传算法、MCTS）结合的 2.0 框架。

核心观点：
AI 能有效突破人类研究员的认知边界和挖掘产能上限。通过构建“LLM+标准化流程”或“LLM+搜索算法”的体系，可以在保持因子可解释性的同时，大幅提升因子挖掘的效率和样本外稳定性。

论据支撑：

  1. 因子优化与生成：通过 API 交互与自我迭代，AI 能将部分原始因子的 IC 提升 1.5 倍以上；在提供量化经验引导后，AI 能高效生成高 IC/ICR 的基本面和量价因子。
  2. 高频代码构建：AI 具备强大的 Coding 能力，可直接编写复杂的 Python 函数（如投机狂热度因子），其逻辑清晰且样本外表现优异。
  3. 2.0 增强范式：结合遗传算法（GA）提升生成效率，利用蒙特卡洛树搜索（MCTS）引导 LLM 进行逻辑扩展与审查，解决了纯 AI 生成的随机性问题，且因子相关性低，多样性强。
  4. 工具化落地：将上述方法论打包为 Skill，实现从种子因子到自动化挖掘、评测、回传的闭环。

局限性/风险：
经验沉淀机制是一把“双刃剑”，若过度依赖历史成功经验，AI 可能会陷入“信息茧房”，导致生成因子的多样性下降，需通过 Reset 机制定期清理。