报告概述
本报告系统性地构建了一套基于大语言模型（LLM）与提示工程（Prompt Engineering）的自动化因子研究框架，旨在探索AI在量化投资全链条中的应用潜力。报告首先在低频量价因子领域，通过人机交互的迭代循环，实现了对经典Alpha158因子库的深度优化，并进一步从“优化”范式升级为“生成”范式。随后，该框架被成功迁移至基本面和高频数据领域，系统性地挖掘并扩充了传统因子库。最后，报告利用Gemini大模型对海量调研纪要进行情绪解读，构建了独特的文本情绪指标，并将其作为增量信息融入选股策略。该研究为量化研究员提供了一种全新的、高效的因子发现与策略构建方法。
报告的核心结论
AI能有效优化低频量价因子，提升预测稳定性。
报告以Alpha158因子库为基础，通过DeepSeek模型迭代优化，成功将多个因子RankIC均值提升至1.5倍以上，且优化后的因子在不同窗口期下均保持普适性，样本外跟踪表现稳健。
AI能自动生成逻辑清晰、低相关性的基本面因子。
通过提供样例因子，AI系统生成了一系列创新价值、质量、成长因子，如留存收益/市值（REP_LF）、现金毛利/市值（CGP_TTM）等，这些因子与已有因子相关性低，且选股效果优异，多空超额年化收益显著。
AI挖掘的高频因子对多频率融合模型有显著增量提升。
AI生成的高频因子涵盖波动、动量反转等类别，部分因子年化多空收益超60%。将其融入融合日K与周K的AGRU模型后，年化多头超额由18.24%提升至25.28%，RankIC均值提升0.71个百分点。
基于AI的文本情绪因子具有独特空头规避能力。
利用Gemini模型对调研纪要打分，构建的周度情绪因子呈现非对称预测能力：正面情绪与股价上涨关系不强，但负面情绪是下跌的强预警信号，空头年化超额达8.26%，且与传统因子相关性极低。
AI驱动的综合策略实现“1+1>2”的协同效应。
将AI量价因子、高频因子与文本情绪因子有机融合，构建的中证800指数增强策略，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，尤其在近三年超额提升均超1个百分点。
报告回答的关键问题
大语言模型如何用于量化因子挖掘？
报告构建了基于提示工程的人机交互框架，先让AI学习成功案例，再通过迭代反馈生成新因子。在低频量价因子优化中，AI能识别逻辑缺陷并改进表达式；在基本面和高频领域，AI能自主组合财务数据或编写Python代码，挖掘出逻辑新颖、低相关性的有效因子。
AI挖掘的基本面因子有哪些创新？
AI不仅生成了传统价值的增强版本（如现金毛利/市值CGP_TTM），还从留存收益、应收账款周转率等新颖视角构建因子，这些因子与已有经典因子相关性较低，且选股效果优异，例如留存收益/市值（REP_LF）因子全区间RankIC均值近4%，多空年化超额11.48%。
高频因子如何提升深度学习模型效果？
AI自动生成的高频因子（如投机波动因子、极端加速度方差占比因子）具有强预测力，部分因子多空年化收益超60%。将这些因子作为额外特征输入AGRU模型，模型年化多头超额从18.24%提升至25.28%，RankIC均值提升0.71个百分点，验证了高频因子对多频率融合的增量价值。
AI文本情绪因子有什么独特之处？
基于Gemini模型对调研纪要的打分，构建的文本情绪因子呈现非对称预测能力：正面情绪不预示上涨，但负面情绪强烈预示下跌，空头年化超额收益达8.26%。该因子与传统量价、基本面因子相关性极低，可作为独立的风险调整工具，有效提升指数增强策略的稳健性。
AI赋能的指增策略表现如何？
最终策略融合了AI优化量价因子、高频因子和文本情绪因子，在中证800指数增强中，年化超额收益达11.81%，信息比率2.31，近三年超额提升均超1个百分点，验证了AI在量化多环节赋能实现“1+1>2”的协同效果。
报告中的代表性数据
AI生成因子样本外ICIR
样本外跟踪期（2025年3月21日至2025年12月15日），部分AI自主生成的低频量价因子在样本外跟踪中，RankIC均值维持在6%以上，ICIR达到1.0左右，说明AI挖掘的因子具有持续稳定性。
高频投机波动因子多空年化收益
2020年1月1日至2025年6月30日，AI生成的speculative_frenzy_instability因子，多空组合年化超额收益为61.95%，收益波动比4.57，展现出极强的选股区分能力。
调研文本情绪因子空头年化超额收益
2020年1月6日至2025年11月28日，基于Gemini模型对调研纪要打分的情绪因子，空头组合年化超额收益8.26%，收益波动比1.09，显著优于传统量价和基本面因子的空头表现。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 完整Alpha158因子体系概述与优化框架，包括Qlib算子列表、因子分类及优化流程设计。
- 低频量价因子优化案例详解（如波动率因子std20的三次迭代改进及逻辑分析），展示AI如何识别缺陷并提出有效方案。
- AI从零生成新因子的方法突破，包括案例驱动策略、低相关性因子挖掘及样本外跟踪表现。
- 基本面因子自动化挖掘框架，涵盖财务数据字段、处理算子、人机交互流程及20个AI价值因子的完整回测表现。
- 60个AI质量因子的分类回测统计，以及GPS_QR、COPPS_QR、ART_QR等代表性因子的详细逻辑与绩效分析。
- 高频因子生成工作流，包括预置分域函数、代码实现，以及70个AI高频因子的分类统计数据。
- 四个典型高频因子（投机波动因子、极端加速度占比因子、动量加速度相关性因子、收益偏离交互因子）的完整案例剖析。
- AI高频因子对现有因子库增量提升的实证测试，以及融合日K+周K+高频因子的AGRU模型结构与绩效。
- 基于中证800的指数增强策略构建细节，包括约束条件、交易方式、路径合并方法以及加入调研空头调整后的提升效果。
- AI赋能量化研究的范式优势、当前局限（如搜索域受限、模型幻觉、成本依赖）及风险提示。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
