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

叙事驱动选股规则框架

核心观点

当前大模型因子挖掘框架以数学表达式和代码函数为核心，本质是公式导向的自动化数值搜索工具，易生成复杂、不清晰且过拟合的因子。本文提出叙事驱动的量价选股规则生成框架，由大语言模型（LLM）推演具有市场逻辑的量价交易故事，再将自然语言叙事翻译为可回测的选股规则，提供“先交易逻辑、后量化表达”的全新研究范式。

框架设计

框架设计为四步闭环流程：

1. 假设：LLM观察特征分布数据，提出有金融逻辑支撑的参数化选股假设。
2. 编码：将假设翻译为可执行的Python选股函数。
3. 验证：自动回测引擎验证规则效果。
4. 反思：LLM分析回测结果，修正叙事理解，重新编码后进入下一轮。

驱动模式

框架可采取两种驱动模式：

• 对话驱动：研究员直接与LLM讨论、修正，手动执行回测，适合探索和打磨规则。
• API驱动：Python脚本自动调用LLM API，批量回测，适合规模化生产。

市场表现

叙事驱动选股规则取得显著优于基准的年化收益（具体数据未在摘要中体现），最大回撤控制在可接受范围。规则具有可解释性，逻辑自洽，不再是黑箱得分，而是可复盘的交易叙事。

研究结论

• 叙事驱动框架形成两大差异化特征：研究逻辑由数据统计驱动转向市场叙事逻辑驱动；选股模式由全截面连续排序转变为条件分类筛选。
• 框架能够稳定挖掘出具有清晰经济含义的选股信号，如超跌反弹、缩量筑底、趋势延续等。
• 规则产生显著选股效果的原因包括：市场存在大量可识别的模式化行为、布尔规则具有容错性、LLM带有金融逻辑的先验知识。
• 框架存在局限性：规则表达能力有限、多条件组合后股票数量下降、LLM可能提出无效的叙事。

风险提示

量化报告结论基于历史统计规律，历史规律改变时模型和结论可能失效。人工智能生成内容可能不准确，使用者应独立判断。