深度学习揭秘系列之五：AI能否终结人工基本面与高频因子挖掘

东吴于明明周金铭 2026-06-23 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 5 /5

核心内容

报告介绍了两套独立的AI自动化因子生成与验证框架。基本面领域：构建包含财务数据与预定义算子的标准化环境，通过Prompt引导LLM生成因子表达式，结合时间序列衍生与滚动Lasso回归动态合成复合因子；高频领域：赋予AI生成Python代码能力并辅以分域函数，挖掘微观结构因子。两者均验证了AI因子具备稳健选股能力，与经典因子相关性低，能带来显著增量Alpha。

经济逻辑

基本面方面，通过经典价值/质量/成长逻辑的变体与创新，挖掘如留存收益市值比（衡量内源性资本积累相对价值）等更具经济内涵的指标。高频方面，通过刻画微观市场结构，如捕捉日内量价剧烈波动的不稳定状态（投机热度），或分析价格“加速度”分布特征以捕捉股价变动爆发性，获取交易行为中的微观定价偏差。

超额收益逻辑

超额收益来源于AI挖掘出独立于传统认知的新颖信号源。基本面方面，通过对现金流质量、运营效率和资本结构（如留存收益）的精细度量捕获市场定价偏差；高频方面，通过捕捉微观市场结构中日内量价波动的不稳定状态及价格加速度的爆发性，获取交易行为产生的微观Alpha。通过滚动Lasso合成与多因子组合，进一步剥离共线性，提纯增量信息。

构造细节 [factor]

因子定义

1. 基本面因子：提供get(字段)、ttm()、yoy()、quarter()、op([表达式列表], 'val0/val1...')等算子。样例：留存收益市值比因子REP_LF表达式，op([get('retained_earnings'), get('mv')], 'val0 / val1')。2. 高频因子：预置分域函数，AI直接生成Python代码计算分钟级特征。样例：投机波动因子(捕捉日内量价剧烈波动下的不稳定状态)，极端加速度方差占比因子(分析价格'加速度'Gamma的分布特征)。

处理流程

1. 初始化：设定AI角色，输入可用数据字段、预定义算子库及经典样例因子回测表现。
2. AI生成：AI输出标准化JSON格式因子（包含因子名称、逻辑释义、表达式或Python代码）。
3. 验证与评估：利用标准回测框架计算RankIC、ICIR、超额收益等绩效指标。
4. 方向调整与中性化：根据RankIC正负调整因子方向，进行市值行业中性化处理。
5. 反馈与迭代：将成功因子及指标作为动态知识库反馈给AI，要求生成不重复的新因子。
6. 合成与增强：基本面因子进行时间序列衍生+滚动Lasso动态合成；高频因子与经典因子库结合验证增量。

参数

财务字段覆盖率阈值: 75%新股剔除条件: 上市不满365个自然日中性化处理: 市值行业中性化因子方向调整: 根据RankIC正负调整

数据输入

: (低频(季度/年度)): (日频): (分钟)

组合方式

基本面因子：对AI生成的原始及衍生因子库进行时间序列衍生计算强化信号，再利用滚动Lasso回归模型进行动态合成。高频因子：将AI生成的新因子库与一组经典的样例高频因子结合。

绩效

6.85%

基本面复合因子周频RankIC均值

4.43

基本面复合因子多空年化收益波动比

3.97%

留存收益市值比因子周频RankIC均值

9.03%

投机波动因子周频RankIC均值

0.98

投机波动因子ICIR

0.83

极端加速度方差占比因子ICIR

基准: VWAP收益率

回测期: 2013年12月31日至2025年6月30日

收益归因

报告主要评估因子的RankIC、ICIR、超额收益等选股能力指标，以及新因子与样例因子的相关性，未对收益来源进行风险归因。

缺口: 缺少对行业、风格等风险因子暴露的剥离与详细归因分析。

稳健性

子样本稳定性: AI生成的20个基本面因子组合RankIC均值稳定在3%以上，ICIR均值超过0.35；高频投机波动因子ICIR达0.98，极端加速度方差占比因子ICIR达0.83，展现出高信号持续性。

风格偏差: 因子均经过市值与行业中性化处理，有效控制了主要风格暴露。

通过滚动Lasso动态合成及与经典因子的低相关性实证，证明AI生成的因子在不同频段上具备较好的稳健性和独特的增量价值，但报告未深入探讨更细分的风格暴露归因。

数据依赖

所需数据: 基本面：覆盖率>75%的核心财务数据、日度总市值、TTM分红数据；高频：分钟级行情数据。

可复现性: medium

数据和算子定义清晰，回测框架标准化，但高频因子的'分域函数'具体代码及LLM使用的具体版本与Prompt细节未完全公开，需读者自行实现闭环系统。

新颖性评估 [新方法]

创新性地提出了基于LLM的自动化基本面和高频因子生成闭环框架，结合预定义算子与直接生成代码两种模式，实现了从逻辑创新到验证反馈的全自动化人机协同挖掘范式。

不足与缺陷

缺乏对AI生成因子的详细风险归因分析，未剥离除市值和行业外的其他风格因子暴露（如估值、动量等）
高频因子部分未详细披露'分域函数'的具体实现与Python代码生成的约束细节，复现门槛较高
未明确说明滚动Lasso回归的具体窗口长度和正则化参数选择逻辑

可复用元素

基于System Prompt与User Prompt协同的'生成-验证-反馈'闭环因子挖掘流程设计
将LLM因子生成拆分为基本面（结构化算子表达式）与高频（直接生成Python代码）两条适配不同数据特征的技术路线
利用时间序列衍生计算强化原始因子信号，再结合滚动Lasso回归进行动态合成的因子增强方法

启发

利用LLM不仅可以生成截面因子，还可以通过其代码生成能力处理非结构化的高频数据模式，极大拓展了自动化挖掘的边界
将成功生成的因子及其表现动态反馈给模型作为上下文，有效避免了LLM的重复探索，引导其向更深的因子空间推进

改进方向

在基本面因子生成中引入'横截面标准化算子'与'异常值缩尾算子'，并要求LLM在生成表达式时直接内置对极端财务异常的处理逻辑

基于: 报告所述基本面因子生成框架及留存收益市值比等因子构造逻辑预期收益: 降低财务数据极端异常值对因子分布的扭曲，预计可进一步提升合成因子的ICIR和多空收益波动比。

在高频因子挖掘中，除直接生成代码外，引入AST（抽象语法树）校验机制限制计算复杂度，并在'分域函数'中加入跨日高频特征（如隔夜跳空与日内波动的交互）

基于: 报告所述高频因子生成与分域函数方法预期收益: 控制高频因子计算耗时并防止过拟合日内单一模式，增强高频因子在样本外的泛化能力与容量。

复现计划

1. 数据准备：提取A股核心财务数据（字段覆盖率>75%）、日频市值及分钟行情数据；2. 框架搭建：编写基础算子库（get, ttm, yoy等）及高频分域函数；3. 闭环构建：通过API对接LLM，实现System Prompt设定与User Prompt动态反馈的自动循环；4. 回测引擎：设定2013.12.31-2025.06.30回测区间，剔除次新股与ST，进行市值行业中性化，按周频VWAP调仓计算RankIC与ICIR；5. 因子合成：对筛选出的有效因子进行时序衍生，采用滚动Lasso回归合成基本面复合因子，并与经典高频因子进行增量验证。