跳出因子范式，走向叙事驱动——基于大语言模型的叙事驱动选股规则生成框架

报告概述

该报告提出了一种基于大语言模型（LLM）的叙事驱动量价选股规则生成框架，区别于传统因子挖掘的公式驱动范式。框架以基础量价特征池为起点，通过假设、编码、验证、反思四步闭环流程，让LLM先推演具有金融逻辑的交易叙事，再将其翻译为可执行的Python选股规则。报告详细介绍了对话驱动与API驱动两种模式，展示了六条选股规则的市场表现，并讨论了框架的差异化特征、适用投资群体及局限性。适合量化投资者、主动技术派投资者及金融工程研究人员阅读。

报告的核心结论

报告回答的关键问题

报告中的代表性数据

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

• 完整市场数据与趋势图表：包含基础量价特征收益分布表、叙事驱动与公式驱动框架对比表，以及回测框架参数和评价指标。
• 四步闭环流程的详细设计：假设阶段的单特征与交互效应分析、编码阶段的函数格式与规则管理、验证阶段的回测参数与合格标准、反思阶段的Prompt设计（先诊断再生成）。
• 对话驱动与API驱动两种模式的对比：在每个步骤中详细说明两种模式在输入方式、LLM调用、输出处理、生成效率与可复现性上的差异，帮助用户根据场景选择。
• 六条选股规则的具体市场表现：包括规则名称、叙事逻辑、年化收益、最大回撤和净值走势图，直观展示框架挖掘能力。
• 框架的差异化特征总结：从研究逻辑（数据统计驱动→市场叙事逻辑驱动）和选股模式（全截面连续排序→条件分类筛选）两个维度解释创新点。
• 局限性讨论：规则表达能力有限（无法表达渐进式信号）、多条件组合后股票数量下降、大语言模型的幻觉风险，以及对应的使用建议。
• 风险提示：量化报告依赖历史规律，AI生成内容可能不准确，使用者需独立判断。
• 分析师承诺、评级说明与免责声明：包含华西证券研究所的评级标准与法律声明。