大模型如何重塑量化因子挖掘：从人工构造到智能发现 • halo 的技术博客

量化因子挖掘是量化投资的核心环节。传统的因子挖掘依赖金融学理论和人工构造——研究员根据市场逻辑或学术论文，手工设计因子公式，然后回测验证。这个过程高度依赖人的洞察力和经验积累，效率有限，且容易陷入”已知因子”的重复改良。

2023年以来，大语言模型（LLM）的能力边界的快速拓展，正在从根本上改变因子挖掘的范式。本文探讨大模型在因子挖掘中的三个关键应用方向：自然语言因子生成、多模态数据融合和因子间关系发现。

LLM因子挖掘架构图

一、从公式到语义：自然语言驱动因子生成#

传统因子是一个数学公式，如 F = (Close - MA(Close, 20)) / Std(Close, 20)。研究员需要在脑海中构思”价格突破均线”这种逻辑，再翻译成公式。

大模型带来了一个全新的路径：用自然语言描述投资逻辑，由模型自动生成因子代码并回测。

逻辑输入：研究员用自然语言描述想法，例如：“找出那些营收增速连续三个季度保持20%以上，但股价在过去一个月下跌超过10%的股票——基本面在改善，但市场情绪在恶化，可能存在错杀机会。”
语义理解：LLM 解析这段描述，识别出核心要素：
- 营收增速（财务指标，季度数据）
- 时间窗口（连续三个季度、过去一个月）
- 阈值（20%、10%）
- 方向判断（增速为正、股价为负）
- 逻辑关系（基本面改善 AND 情绪恶化）
代码生成与验证：LLM 将语义结构转化为可执行的 Python/Pandas 代码，直接对接数据接口，输出因子值序列。
批量拓展：一个投资逻辑可以衍生出多个变体——调整时间窗口、替换财务指标（净利润增速替代营收增速）、改变阈值组合。LLM 可以系统性生成整个”因子家族”。

假设研究员输入这样一句话：“寻找技术面与基本面背离的股票”。

这个流程将因子挖掘的”创作效率”提升了两个数量级。

传统量化因子几乎都来自结构化数据——价格、成交量、财务数值。但市场中有海量的非结构化信息：新闻、社交舆情、财报文本、分析师报告、监管公告、专利数据、卫星图像……

大模型的多模态能力，使这些”另类数据”第一次可以系统性地转化为量化因子。

LLM 在文本理解上的飞跃，让 NLP 因子真正走向实用：

与传统情感分析（基于词袋模型或 LSTM）相比，LLM 的语义理解能力远超前代。它能分辨”这个财报其实很糟糕但如果去掉一次性减值数据来说还不错”这种复杂的语义结构——这是传统 NLP 方法无法做到的。

多模态大模型还能处理非文本的另类数据：

传统的因子研究是”纵向”的——挖掘单个因子的预测能力。但市场是复杂系统，因子之间存在耦合、对冲、失效和再生效的动态关系。理解这种”横向关系”是构建稳健多因子策略的关键。

因子交互项发现： LLM 可以从因子数据库中发现”单因子无效但组合有效”的交互效应。例如，低波动因子单独使用时信号一般，但叠加高股息条件后，选股精度显著提升。这种发现在传统框架中需要大量的人工探索。

因子失效预警： LLM 能分析因子收益的时间序列模式，发现”因子拥挤”的早期信号。当一个因子的机构持仓集中度快速上升、因子估值溢价扩大、媒体报道频率激增时，LLM 可以从多个维度综合判断因子是否正在走向失效。

跨资产因子迁移：一个在期货市场有效的动量因子，能否迁移到股票市场？LLM 能理解不同资产类别的微观结构差异，为”因子迁移”提供调整方案，而不是简单照搬。

多因子交互关系图

尽管前景广阔，LLM 在因子挖掘中的应用仍面临几个硬约束：

LLM 有时会生成”看起来合理但数学上荒谬”的因子公式。必须有代码执行和数值验证环节作为安全层。

用大模型做大规模因子搜索，API 调用成本不可忽视。实践中需要做”分层筛选”：先用传统方法快速筛掉大概率无效的因子，再对幸存者使用 LLM 深度分析。

LLM 生成的因子有时”有效但说不清楚为什么有效”。在资管行业，不可解释的策略难以通过投资委员会的审批。在提升预测能力和保持可解释性之间需要权衡。

LLM 的训练数据中可能包含了测试期的市场信息。直接在预训练模型上做因子生成，存在”模型级前视偏差”的风险。实践中应当使用纯开源基础模型，并验证模型的训练数据截止日期。

当下的 LLM 更多是”因子研究员的高级助理”——加速试错、拓展搜索空间、整合多模态信息。但演进方向是清晰的：

量化的护城河曾经是”模型”——谁的公式更巧妙。但在大模型时代，护城河正在向”数据”和”算力”转移。拥有独特另类数据源和充沛算力的团队，将是这场范式转换中的赢家。

对个人量化投资者来说，拥抱大模型工具，学会用自然语言高效地”指挥”模型挖掘因子，是当下最具性价比的能力升级路径。