ChatGPT竟然已经可以挖掘高频选股因子！

国金高智威，王小康 2026-06-11 置信度: high

综合质量 4 /5

新颖性 5 /5

可复现性 4 /5

核心内容

报告探索了ChatGPT在量化选股因子挖掘中的应用。通过设计详细的提示词，限制数据范围为委托价和委托量，引导ChatGPT生成了高频买卖盘力量因子。该因子日频多头超额收益显著但衰减快。通过均值降频至周频后，多头表现依然稳健。最终使用卖盘力量因子构建中证1000指数增强策略，取得较好效果。此外，报告还利用思维链提示引导ChatGPT改进了传统IC指标的计算方法，提出了加权IC以反映多头组贡献的思路。

经济逻辑

高频盘口的买卖委托数据直接反映了市场多空力量的微观博弈。买盘力量强代表主动性买盘多，蕴含了资金流入和看多预期；卖盘力量强代表资金流出和看空预期。两者差异或单边力量蕴含了短期股价变动的方向性信息，通过降频平滑可提取出具有预测能力的Alpha信号。

超额收益逻辑

高频买卖盘委托力量反映了知情交易者的微观行为意图。当买盘力量较强时，股票供不应求，未来收益率具有正向预期；反之亦然。通过均值降频平滑了高频噪音，保留了微观结构中稳定的趋势性信息，使得因子在周频调仓下仍能提供显著的多头超额收益。

构造细节 [factor]

因子定义

根据委托价和委托量构建买卖盘力量因子。假设买盘力量因子为一段时间内买方委托量的某种聚合（如均值或总和），卖盘力量因子为卖方委托量的聚合。买卖盘力量差异因子为买盘力量与卖盘力量之差。具体公式由ChatGPT在Prompt引导下生成。

处理流程

1. 提取个股日内高频买卖委托价格与委托量数据
2. 根据ChatGPT输出的逻辑计算日内买卖盘力量原始值
3. 使用均值法将日频因子降至周频（5日滚动均值）
4. 因子去极值（如MAD法）、标准化（如Z-score）处理
5. 行业市值中性化处理（常规操作）
6. 按因子值分组进行单因子测试，或进行指数增强组合优化

参数

降频窗口: 5日降频方法: 均值

数据输入

: (高频/Tick级): (日频)

组合方式

无多因子组合，直接使用单因子（卖盘力量因子）进行指数增强

绩效

17.29%

买卖盘力量差异因子日频多头年化超额收益率

9.77%

买盘力量因子周频多头年化超额收益率

10.20%

卖盘力量因子周频多头年化超额收益率

7.17%

中证1000指增策略年化超额收益率

0.57

中证1000指增策略信息比率

基准: 中证1000

回测期: 未明确

ChatGPT挖掘的高频买卖盘力量差异因子在日频上多头年化超额收益率达17.29%，但因子衰减较快；降至周频后多头年化超额收益率分别为9.77%（买盘）和10.20%（卖盘）。利用卖盘力量因子构建中证1000指数增强策略，在单边千分之二手续费率下年化超额收益率为7.17%，信息比率为0.57。周频变异系数因子IC表现较好但多头超额收益较低。

收益归因

报告未进行正式的因子归因分析，仅对单个因子进行了IC、分组收益等测试

缺口: 缺少因子间相关性分析、收益归因分解及风险归因分析

稳健性

子样本稳定性: 未提及

风格偏差: 未提及

买卖盘力量差异因子在日频上多头超额显著（17.29%），但因子衰减速度较快。降至周频后，虽然整体多空单调性一般，但多头组合表现尚可（卖盘超额10.20%），展现出一定的稳健性，但在交易成本提高时收益可能下降。

数据依赖

所需数据: Level-2盘口数据（委托价、委托量）及日频量价数据

可复现性: hard

由于具体的因子公式由ChatGPT生成且研报文本未展示完整代码和确切数学定义，完全复现具有较大难度，需要读者自行通过相同提示词引导大模型并验证。

新颖性评估 [新方法]

首次将大语言模型（ChatGPT）通过提示工程应用于高频选股因子挖掘，展示了AI在量化研究中的自动化潜力，而非仅仅作为文本情感分析工具。

不足与缺陷

研报未给出ChatGPT生成的买卖盘力量因子的具体数学公式和完整代码，难以精确复现。
因子衰减速度较快，日频降至周频后多空单调性一般，空头端可能表现不佳。
缺乏对因子进行风险归因、收益归因分解及因子间相关性分析。
回测时间段不明确，且过度依赖ChatGPT的随机生成结果，结果可复现性差。

可复用元素

提供了一套系统化的Prompt提示公式（角色+任务+指令）和思维链提示应用指南，可直接应用于其他量化因子挖掘场景。
证明了高频盘口数据通过简单降频处理（均值法）能在周频保持多头超额收益。
通过AI模型识别传统IC指标的缺陷并提出加权IC的改进思路。

启发

大语言模型可以作为因子挖掘的灵感来源或代码助手，特别是在受限数据条件下寻找非传统因子构造逻辑。
降频处理是缓解高频因子衰减、适应低频调仓周期的有效手段。

改进方向

构建基于主买/主卖成交占比的订单流不平衡因子

基于: 相似逻辑（多空微观力量对比）+ 不同构造（使用逐笔成交数据中的主买主卖标签代替委托量，计算净主动买卖单比例，并使用指数加权移动平均代替简单均值进行降频）预期收益: 更真实反映实际成交多空力量，减少虚假挂单干扰，且通过EMA平滑可能更好地平衡因子敏感度与衰减问题，提升多空单调性和指增策略的IR。

复现计划

1. 准备A股中证1000成分股及备选池的高频盘口数据（委托价、委托量）和日线数据。2. 构造Prompt，扮演资深量化研究员，要求ChatGPT基于委托价和委托量生成买卖盘力量因子。3. 将生成的日频因子通过5日均值法降至周频。4. 去极值、标准化、中性化处理后，进行单因子测试（IC分析、分组回测）。5. 使用卖盘力量因子，在中证1000成分股内构建指数增强策略（行业市值中性，优化器求解），设置单边千分之二手续费，评估年化超额和信息比率。

实体

ChatGPT [model]GPT [model]Transformer [model]RLHF [method]提示工程 [method]思维链提示 [method]变异系数因子 [factor]买卖盘力量因子 [factor]中证1000 [concept]高智威 [person]王小康 [person]

查看原文 → 模型: glm-5-2-260617 分析时间: 2026-07-13

LOCAL SIMILARITY