金工专题报告 20260110：深度学习系列之一：AI重塑量化，基于大语言模型驱动的因子改进与情绪Alpha挖掘

深度学习系列之一：AI重塑量化，基于大语言模型驱动的因子改进与情绪Alpha挖掘 2026年01月10日 证券分析师于明明执业证书：S0600525120002yumm@dwzq.com.en ◼该框架首先被应用于低频量价因子的挖掘与优化。本文以Alpha158因子库为基础进行优化实验，通过案例剖析（如波动率因子std20）展示了AI能够识别原始因子逻辑缺陷并提出有效改进方案，且优化效果在5至60日的多个窗口期下均具备普适性。进而，通过为模型提供已验证的“成功案例”作为先验知识，本文实现了从零生成新因子的突破，成功挖掘出多个与样例因子相关性低、ICIR在0.8以上的新因子。这些AI生成因子在样本外跟踪中表现持续稳健，部分因子的样本外ICIR能达到1.0以上，证明了该方法论的有效性与鲁棒性。 ◼将研究拓宽至基本面与高频领域后，AI同样展现出强大的因子发现能力。在基本面维度，AI不仅能生成经典因子的增强版本（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。在高频维度，通过赋予AI直接生成Python代码的能力，本文挖掘出一批逻辑新颖且表现优异的高频因子，其中部分强信号因子（如投机波动因子）的多空组合年化收益超过60%。将AI高频因子库融入融合了日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%显著提升至25.28%，RankIC均值提升了0.71个百分点。 ◼本文还探索了AI在另类数据处理上的潜力，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。更重要的是，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。 ◼最终，本文打造了一个多维信息融合的综合策略：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。 ◼风险提示： 1)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。本报告所有结论均基于历史数据的回测分析，历史规律不代表未来，当市场风格、投资者结构、宏观环境等发生重大变化时，报告中构建的因子及模型可能失效。2)模型过拟合风险。本报告构建的因子及深度学习模型，可能对历史数据存在过度拟合的问题，即模型可能学习到了历史数据中的噪音而非真实的规律，从而在未来市场的实际应用中表现不佳。3)大语言模型（LLM）自身局限性的风险。本报告的研究依赖于特定版本的大语言模型，且大语言模型的输出具有随机性，同时可能存在模型幻觉问题，导致报告结果无法复现。4)回测设置与实际存在差异的风险。报告中的回测分析基于一系列理想化的假设（如特定的成交价格、固定的交易费用、未考虑市场冲击等），实际交易环境中的成本、滑点和各种限制可能导致策略的真实表现不及预期。5)因子失效风险。报告中通过AI挖掘的因子，其有效性可能随着时间的推移而衰减。特别是在因子逻辑被市场广泛认知或被大量资金使用后，其获取超额收益的能力可能会显著下降。 内容目录 1.深度学习系列之一：AI重塑量化，基于大语言模型驱动的因子改进与情绪Alpha挖掘........82.低频量价因子的优化改进与生成......................................................................................................92.1. Alpha158因子体系解析与优化框架.........................................................................................92.1.1. Qlib算子与Alpha158因子集概述..................................................................................92.1.2.动态交互框架：基于Prompt Engineering的因子优化流程设计..............................122.1.3.优化效果验证：RankIC的跨周期普适性与稳定性突破...........................................172.1.4.以波动率因子为例：洞察模型优化方向.....................................................................222.1.5.改进波动率因子样本外跟踪：持续稳健且优于原始波动因子.................................272.2.从优化到创造：基于大语言模型的新因子生成范式...........................................................282.2.1.从零生成的困境：独立探索下的效率与效果瓶颈.....................................................282.2.2.案例驱动的突破：基于先验知识的低相关性因子挖掘.............................................312.2.3. AI生成因子样本外跟踪：IC出色超额上行................................................................36 3. AI基本面因子挖掘：构建自动化研究框架....................................................................................38 3.1.实验设计：基础数据与处理算子...........................................................................................383.2.人机交互框架：AI因子生成流程详解.................................................................................413.3. AI价值因子挖掘：经典框架的有效拓展与创新...................................................................443.4. AI质量因子挖掘：从盈利能力到运营效率的多维度探索...................................................513.5. AI成长因子挖掘：探索盈利增长的多维定义.......................................................................57 4. AI驱动的高频因子挖掘：从分钟数据到选股信号........................................................................61 4.5.1.数据处理与模型参数.....................................................................................................834.5.2.以日K与周K为特征的AGRU..................................................................................854.5.3.以日K+周K+高频因子为特征的AGRU....................................................................884.5.4. AGRU融合日K+周K+高频因子的周频800指增.....................................................91 5. AI文本分析：对量化选股的增益....................................................................................................93 5.1.通过Gemini模型读取调研文本情绪.....................................................................................935.1.1.近年来调研数量与字数有所提升.................................................................................935.1.2.综合考虑调研情况，选用Gemini 2.5 Pro模型..........................................................945.1.3.打分结果展示.................................................................................................................955.2.从调研评分到调研因子：双速动态衰减模型.......................................................................965.3.调研因子特色：独特的空头规避能力...................................................................................975.4.调研因子对成熟指增框架的再提升.....................................................................................100 7.风险提示..........................................................................................................................................105 图表目录 图1：因子优化流程示意图.................................................................................................................14图2：std20原始因子与第一次改进因子累计RankIC.....................................................................23图3：std20原始因子与第一次改进因子多头超额净值.......