深度学习揭秘系列之三：用DeepSeek优化价量因子

本文研究了利用DeepSeek模型优化价量因子，并探索基于大语言模型的新因子生成范式。研究以Alpha158量价因子为基础，通过Prompt Engineering和AI交互流程，对原始因子进行优化，并生成相关性较低的新因子。

研究发现，多数因子经DeepSeek优化后，RankIC均值和ICIR指标均显著提升。例如，波动率因子std20的RankIC均值从4.03%提升至7.8%，ICIR从0.31提升至0.55。不同窗口期数据下，优化后的因子表达式仍保持提升态势，展现出普适性。然而，部分因子如Beta20、min20等受限于原始计算逻辑，优化效果不显著。

在因子生成方面，从零开始生成因子效果有限，但若给予DeepSeek成功案例作为先验知识，则能生成ICIR在0.8以上且低相关性的新因子。例如，首个有效因子通过捕捉量价协同增强效应，ICIR达0.83；第二个聚焦量价共振强度维度，ICIR达0.82。

将优化后的Alpha158因子及新生成因子线性结合，使用Lasso模型合成因子，能提升选股能力。全A数据中，原始因子、增强因子、原始 + 生成因子及最终合成因子的RankIC均值和多头超额收益逐次提升。中证800指增组合测试显示，复合因子年化超额收益从7.05%提升至7.92%，信息比从1.63优化至1.89。

综上，本文引入DeepSeek模型，通过构建“优化 - 验证 - 再迭代”框架，为量化投资的因子工程提供了新的方法论突破，实现了大语言AI模型对量化研究的赋能。