深度学习揭秘系列之五：AI能否终结人工基本面与高频因子挖掘

周金铭金融工程与金融产品分析师执业编号：S1500523050003联系电话：+86 18511558803邮箱：zhoujinming@cindasc.com 证券研究报告 金工研究 2025年08月18日 周金铭金融工程与金融产品分析师执业编号：S1500523050003联系电话：+8618511558803邮箱：zhoujinming@cindasc.com 在基本面因子的探索中，我们为AI构建了一个包含标准化财务数据字段与预定义处理算子的实验环境，引导其在经典的价值、质量、成长投资框架内进行创新。研究发现，AI不仅能有效复现并优化传统因子，更能生成具备新颖经济内涵的指标，其探索深入到对现金流质量、运营效率和资本结构的精细度量。例如，AI自主生成的“留存收益市值比”因子，旨在衡量公司内源性资本积累的相对价值，表现出稳健的选股能力。本报告进一步展示了一套多阶段的因子优化流程：通过对AI生成的原始因子库进行时间序列衍生计算以强化信号，再利用滚动Lasso回归模型进行动态合成。最终的复合因子选股能力得到显著提升，其周频RankIC均值达到6.85%，ICIR为0.79，充分验证了该自动化研究框架的有效性。 ➢在高频因子的挖掘中，我们采用了一种更为灵活的策略，赋予AI直接生成Python代码的能力，并辅以预置的“分域函数”以引导其捕捉微观市场结构中的复杂模式。该方法成功挖掘出一批结构复杂且与样例因子相关性相对较低的新因子，其逻辑涵盖了波动率结构、动量反转、量价关系等多个维度。例如，一个旨在捕捉市场投机热度与不稳定性的因子，其周频RankIC均值达到9.03%；另一个刻画股价极端加速现象的因子，也展现出很强的信号稳定性（ICIR为0.83）。更重要的是，本报告的实证分析表明，这些AI因子提供了显著的增量Alpha。当AI因子库与一组经典高频因子结合后，组合的RankIC与超额收益均得到实质性稳定提升，证明了AI能够发现独立于传统认知的、具备独特价值的信号源。 ➢本研究的实证结果表明，AI已具备在不同数据频率和投资逻辑下进行自动化因子挖掘的强大能力，可以作为量化研究的有力引擎。这预示着量化投资或许正迈向一个人机协同的新范式：研究员的角色将从繁重的因子挖掘工作中解放出来，更多地转向更高层次的策略思想构建、逻辑验证和智能研究系统的设计与优化。 风险因素：结论基于历史数据，在市场环境转变时模型存在失效的风险。 信达证券股份有限公司CINDASECURITIES CO.,LTD北京市西城区宣武门西大街甲127号金隅大厦B座邮编：100031 目录 深度学习揭秘系列之五：AI能否终结人工基本面与高频因子挖掘..............................................5一、AI基本面因子挖掘：构建自动化研究框架..............................................................................61.1、实验设计：基础数据与处理算子.....................................................................................61.2、人机交互框架：AI因子生成流程详解............................................................................91.3、AI价值因子挖掘：经典框架的有效拓展与创新..........................................................111.4、AI质量因子挖掘：从盈利能力到运营效率的多维度探索..........................................181.5、AI成长因子挖掘：探索盈利增长的多维定义..............................................................241.6、基本面因子衍生计算与合成...........................................................................................26二、AI驱动的高频因子挖掘：从分钟数据到选股信号................................................................302.1、方法论构建：高频因子自动生成的工作流...................................................................302.2、AI高频因子库：整体表现与分类解析..........................................................................352.3、案例剖析之一：投机波动因子（speculative_frenzy_instability）...............................372.4、案例剖析之二：极端加速度方差占比因子（extreme_gamma_burst_ratio）..............392.5、案例剖析之三：动量与加速度相关性因子（momentum_acceleration_corr）............422.6、案例剖析之四：收益与价格偏离的交互效应因子.......................................................442.7、AI高频因子的增量提升.................................................................................................47三、研究结论与展望.........................................................................................................................50风险因素............................................................................................................................................51 表目录 表1：财务数据字段名称与字段释义...............................................................................................6表2：基本面因子算子名称与释义...................................................................................................7表3：样例价值因子释义与表达式.................................................................................................12表4：样例价值因子统计指标.........................................................................................................12表5：AI价值因子释义与表达式....................................................................................................12表6：AI价值因子统计指标 ............................................................................................................13表7：AI价值因子与样例价值因子的因子值秩相关性................................................................14表8：REP_LF因子IC统计指标....................................................................................................14表9：REP_LF因子分年度多头超额收益风险绩效指标..............................................................15表10：REP_LF因子分年度多空超额收益风险绩效指标............................................................15表11：CGP_TTM因子IC统计指标..............................................................................................16表12：CGP_TTM因子分年度多头超额收益风险绩效指标........................................................17表13：CGP_TTM因子分年度多空超额收益风险绩效指标........................................................17表14：样例质量因子释义与表达式...............................................................................................18表15：样例质量因子统计指标.......................................................................................................18表16：AI质量因子释义..................................................................................................................19表17：AI质量因子统计指标..........................................................................................................20表18：GPS_QR、COPPS_QR因子与样例质量因子秩相关性....................................................22表19：GPS_QR、COPPS_QR因子与EPS_QR因子统计指标对比............................................22表20：ART_QR因子分年度多空超额收益风险绩效指标...........................................................23表21：ART_QR因子与样例质量因子秩相关性.............................................................