Alpha 掘金系列之二十一：基于LLM 的全天候财务逻辑因子挖掘框架

LLM因子挖掘框架设计与改进总结

一、LLM因子挖掘背景与框架设计

• 因子挖掘是量化投资的核心环节，传统人工方法依赖专家经验，存在开发效率低、覆盖范围有限等问题。
• 主流自动化方法如遗传规划存在因子可解释性不足的问题。
• 大模型技术提供新思路，能够生成可解释因子，但仍面临相关性控制、创造性平衡、反馈机制和模型灵活性等挑战。

二、LLM因子挖掘框架的改进

• 构建了7×24小时自动化运行的LLM因子挖掘框架，具备相关性控制、成熟因子启发、自适应反馈机制和模块化设计。
• 改进MMR筛选机制，引入时序相关性评估和Barra风险因子，有效控制因子相关性并规避系统性风险。
• 优化检验流程，限定因子挖掘基于2010-2019年数据，仅在入库阶段使用样本外数据进行验证，避免信息泄露。
• 在Prompt设计中新增量纲一致性约束机制，确保因子表达式的金融逻辑和可解释性。

三、日频量价与基本面因子具体设计

• 引入双层循环机制优化因子挖掘流程，内层并行挖掘初选因子，外层进行收益评估和相关性控制。
• 设计适配基本面数据特性的运算符库（一元、二元、截面滚动、价值因子算子）并重构Prompt模板。
• 开发专用表达式修正器，通过语法树解析和类型推断校正因子表达式中的错误。
• 采用多槽位并行生成机制，实现槽位间知识协同，提升因子挖掘效率和质量。

四、LLM挖掘因子效果实践

• 量价因子表现优异：三个因子的IC均值分别为-0.09、0.06、-0.11，风险调整后IC分别为-1.04、0.73、-0.77，多头年化超额收益率分别为22.60%、23.91%、33.60%。
• 基本面因子表现优异：两个因子的多头年化超额收益率分别为18.82%、4.36%。
• 改进机制验证：RAG启发改进案例展示了LLM融合启发思想的优势；反思改进案例中因子IC均值提升4.17%，多头年化超额收益率提升5.85%。
• 因子合成效果：量价因子合成后IC均值0.13，多头年化超额收益率17.40%；基本面因子合成后IC均值0.02，多头年化超额收益率8.96%。

五、总结

• 构建的LLM因子挖掘框架有效解决了传统方法的痛点，通过改进MMR机制、成熟因子启发、自适应反馈机制和专用运算符库提升了因子挖掘的效率和效果。
• 实践表明，框架挖掘的量价因子和基本面因子均表现优异，合成后量价因子多头年化超额收益率达17.40%，基本面因子达8.96%，验证了框架的有效性和实用价值。

六、风险提示

• 模型存在政策、市场环境变化时的时效风险。
• 策略收益受交易成本等假设条件影响，可能下降甚至亏损。