本报告探讨了基于大语言模型（LLM）和提示工程（Prompt Engineering）的自动化因子研究框架在量化投资中的应用潜力。研究发现，AI在低频量价因子、基本面因子和高频因子领域均展现出强大的因子发现和改进能力。
低频量价因子优化： 通过人机交互的迭代循环，AI成功地对Alpha158因子库中的经典因子进行了深度优化，例如波动率因子std20，其RankIC均值和ICIR均得到显著提升。更进一步，通过提供已验证的“成功案例”作为先验知识，AI成功生成多个与现有因子低相关性、ICIR在0.8以上的新因子，并在样本外跟踪中表现持续稳健。
基本面因子挖掘： AI不仅能够生成经典因子的增强版本，例如现金毛利CGP_TTM，更能从留存收益（REP_LF）、应收账款周转率（ART_QR）等新颖视角，对价值、质量、成长三类因子进行有效拓展与创新。例如，留存收益因子REP_LF与所有样例因子的相关性均低于70%，展现了其独特的逻辑视角，并在全市场范围内展现出优异的选股能力。
高频因子挖掘： 通过赋予AI直接生成Python代码的能力，挖掘出一批逻辑新颖且表现优异的高频因子，例如投机波动因子（speculative_frenzy_instability）和极端加速度方差占比因子（extreme_gamma_burst_ratio）。这些因子在多空组合中展现出强大的选股能力，年化收益超过60%。将AI高频因子融入融合了日K与周K行情数据的AGRU神经网络模型后，模型的年化多头超额收益由18.24%提升至25.28%，RankIC均值提升了0.71个百分点。
情绪Alpha挖掘： 利用Gemini 2.5 Pro大模型对近百万字的上市公司调研纪要进行深度解析，并通过双速动态衰减模型构建了周度情绪因子。研究发现，该因子呈现出独特的非对称预测能力，即正面情绪与股价上涨关系不强，但负面情绪是未来股价下跌的强预警信号，其空头组合年化超额收益达8.26%，显著优于传统因子。该情绪因子与传统量价及基本面因子的相关性极低，可作为独立且有效的补充信息源。
综合策略构建： 将AI挖掘的高频因子与低频行情数据融合进AGRU神经网络，形成核心Alpha；再利用AI文本情绪因子对该核心Alpha进行空头端风险调整，构建了最终的中证800指数增强策略。与未加入调研因子调整的策略相比，最终策略在保持换手率基本不变的情况下，年化超额收益由11.15%提升至11.81%，信息比率由2.18提升至2.31，且近三年超额提升皆超过1个点，进一步验证了AI在量化研究多环节赋能并实现“1+1>2”效果的巨大潜力。
研究结论： AI重塑了量化研究的范式，推动了从传统的纯“数据驱动”向“知识与逻辑驱动”的演进。AI能够有效规避过拟合，内嵌领域知识，进行高效的“智能探索”，并实现多维度信息融合，为量化投资带来显著的增益。
