东方证券 - 量化研究参考系列之九：大语言模型驱动因子挖掘的模型演进与框架梳理


研究结论
⚫ 文献信息： 本文系统梳理海内外金融工程与 AI 量化相关学术文献，分析大语言模型
驱动因子挖掘的历史演进脉络，将其划分为七个发展阶段，依次为理论因子、公式
化 Alpha、传统自动搜索、LLM 直接生成、文本 Alpha 与另类数据、知识增强与
Agent 闭环、全栈投研与评估治理，囊括 AutoAlpha、Alpha-GPT、FAMA、R&D
Agent-Quant、AlphaCrafter、QuantaAlpha 等海内外主流因子挖掘框架。
⚫ 推荐理由：LLM 驱动的因子挖掘是传统量化投研体系的升级，依托大模型打通金融
语义理解、代码开发、工具调用、回测反馈与研究记忆全链路，推动因子研发由单
点公式生成升级为全实验流程闭环；研究重心逐步从单一因子挖掘，延伸至文本另
类 Alpha 开发、Agent 闭环投研、大模型与进化搜索融合、全栈自动化投研系统建
设，显著压缩了因子的研发周期、打通文本数据与量价数据，并推动因子全生命周
期管理逐步标准化。
⚫ 技术演进：大语言模型驱动因子挖掘的历史可划分为七个阶段。1）理论因子阶段：
以 CAPM、Fama-French 等框架解释收益来源，形成量化投资的经济逻辑基矗
2）公式化 Alpha 阶段：将投资假设转化为标准化字段、算子和表达式，建立可计
算、可回测的因子生产范式。3）传统自动搜索阶段：通过遗传规划、强化学习等方
法批量扩展候选因子，提高初筛效率，但仍存在解释性弱、重复率高和过拟合问
题。4）LLM 直接生成阶段：将自然语言投研思路转化为因子定义、公式草案和代码
框架，降低研究想法到可执行候选的转换成本。5）文本 Alpha 与另类数据阶段：把
公告、新闻等非结构化信息转化为可回测标签，拓展因子信息来源。6）知识增强与
Agent 闭环阶段：接入论文库、研报库、历史因子库和实验日志，打通假设生成、
回测诊断、失败复盘与迭代优化。7）全栈投研与评估治理阶段：能力延伸至因子筛
癣组合构建、交易成本、风控与审计，推动自动化投研从“能生成”走向“可验
证、可落地”。
⚫ 落地建议：机构落地应遵循“底层标准化、分阶段迭代、多层质控”的路径，逐步
接入既有投研体系。1）标准化底层生产环境：优先统一因子计算接口、字段口径和
时间对齐规则，搭建独立沙箱回测环境，并划定代码执行权限与边界；在该阶段，
LLM 主要承担研报拆解、逻辑抽娶公式草案和代码初稿生成，所有输出需经过字
段校验、代码检查、人工复核和样本外回测后，方可进入候选池。2）从知识复用走
向流程闭环：流程跑通后，接入白名单知识库，整合研报、论文、历史因子库、失
败实验复盘和标准字段释义，推动模型从开放式自由生成转向知识增强生成。3）搭
建多层质控体系：在批量生成能力形成后，前置设置基础量化初筛、人工逻辑复核
和多场景压力测试，重点检验覆盖率、换手率、样本外 IC 衰减、成本后收益、相关
性去重和风格暴露；待因子端稳定贡献增量后，再逐步试点 Agent 闭环和组合层权
限，并保留人工审批、风控隔离和审计留痕机制。
风险提示
1. 模型幻觉和代码错误风险：LLM 可能生成不存在的字段、不可执行代码或逻辑上不
成立的因子解释，若缺少 DSL、测试和人工复核，可能影响研究结论。
2. 数据泄漏和前视偏差风险：研报、公告、新闻和财务数据若缺少 point-in-time 记
录，模型检索和回测过程可能引入未来信息，导致样本内表现被高估。
3. 因子拥挤和过拟合风险：自动生成候选数量增加后，重复信号、拥挤交易和样本内
过拟合风险同步上升，实盘表现可能低于回测结果。
4. 合规与权限风险：内部研报、交易日志、客户数据和研究纪要存在权限边界，模型
接入和知识库建设需要满足数据脱敏、访问控制和审计留痕要求。
5. 成本和落地不及预期风险：模型调用、向量库、重排、私有化部署和人工复核均会
带来持续成本，实际节省的人力和新增因子收益可能低于预期。