量化研究参考系列之九：大语言模型驱动因子挖掘的模型演进与框架梳理

研究结论

本文系统梳理了海内外金融工程与AI量化相关学术文献，将大语言模型驱动因子挖掘的历史演进脉络划分为七个发展阶段：

• 理论因子阶段：以CAPM、Fama-French等框架解释收益来源，形成量化投资的经济逻辑基础。
• 公式化Alpha阶段：将投资假设转化为标准化字段、算子和表达式，建立可计算、可回测的因子生产范式。
• 传统自动搜索阶段：通过遗传规划、强化学习等方法批量扩展候选因子，提高初筛效率。
• LLM直接生成阶段：将自然语言投研思路转化为因子定义、公式草案和代码框架，降低研究想法到可执行候选的转换成本。
• 文本Alpha与另类数据阶段：把公告、新闻等非结构化信息转化为可回测标签，拓展因子信息来源。
• 知识增强与Agent闭环阶段：接入论文库、研报库、历史因子库和实验日志，打通假设生成、回测诊断、失败复盘与迭代优化。
• 全栈投研与评估治理阶段：能力延伸至因子筛选、组合构建、交易成本、风控与审计，推动自动化投研从“能生成”走向“可验证、可落地”。

LLM因子挖掘的价值在于提升投研流程效率和研究资产复用效率，推动候选因子进入生命周期管理，并逐步实现因子全生命周期管理的标准化。机构落地应遵循“底层标准化、分阶段迭代、多层质控”的路径，逐步接入既有投研体系。

风险提示

• 模型幻觉和代码错误风险
• 数据泄漏和前视偏差风险
• 因子拥挤和过拟合风险
• 合规与权限风险
• 成本和落地不及预期风险