标签： #因子挖掘

量化投资的信息优势从来不只是数字，新闻、财报电话会、社交媒体里埋着大量尚未被价格消化的文本信息。本文把大语言模型（LLM）当成一个『因子矿工』——不做端到端预测，而是用精心设计的 prompt 从非结构化文本中提取结构化情感信号，再与传统因子正交组合。受控实验证明：链式思考（CoT）prompt 的信息系数（IC）达 0.061，显著高于零样本基线（0.032）；prompt 优化后的情感因子与价值因子组合，年化信息比从 1.2 提升到 1.7。附完整 Python 实现与三张真实实验图。

深度拆解量化回测系统的设计决策：从存活偏差到滑点建模，从多资产同步到因子时序对齐，每一个决策都决定回测结果是否可信。

手工构造因子是『人想公式、数据验证』，遗传编程反过来：把因子表达式编码成树（叶子是特征、内部节点是算子），用交叉互换子树、变异随机替换、锦标赛选择淘汰弱者，让公式在 IC 适应度的驱动下自己进化。本文纯 Python 实现极简 GP 引擎：600×100 合成面板埋入非线性真结构 mom*exp(-|vol|)-0.5*rev，进化 25 代后找到 (mom - rev)，验证集 IC 0.098——超过最强单因子（0.078）、逼近真实结构上限（0.105），而且简约压力把树从平均 6.1 节点压到 3.8，没有膨胀成垃圾。但要害在最后一图：500 个随机公式在纯噪声特征上搜索，训练 IC 被『迄今最优』推着单调上涨到 0.018——数据挖掘偏差意味着 GP 天生是过拟合机器，防御靠简约压力+验证集早停+多种子重跑看表达式是否稳定（中阶）。

朴素词袋(BoW)把标题当成一堆无序词的集合，丢掉了「词序」和「哪几个词最关键」。Transformer 的自注意力让每个词去「看」标题里所有其他词、按相关性加权聚合——于是「标题头段和中段的情绪词」能被自动放大。本文用纯 numpy 从零实现自注意力编码器(含完整前向/反向)，在「位置加权的好/坏消息」合成标题上实测：测试集 R² Transformer=−0.026 远优于 BoW 的 −0.873（提升 97%）、方向准确率 54.0% vs 46.4%、读出 token 对关键位置(12,30)的注意力命中率 1.00、互换两个非关键 token 后预测一致性 1.000，并诚实拆穿「注意力一定尖锐聚焦 / 位置编码多余 / 深层才有效 / 小数据随便训 / 注意力=因果」五类真实陷阱（中阶）。

普通自编码器能把 20+ 维量价特征压成 5 维新因子，但它只给你一个"点估计"编码，不知道哪个样本编码得靠谱。变分自编码器 VAE（Kingma & Welling 2014）把编码器变成"一个分布"，每个样本得到一个 (μ, σ²) 的编码高斯——于是除了新因子，你还免费拿到"这个因子值有多可信"。本文用纯 numpy 从零实现 VAE（重参数化技巧 + ELBO），在"3 潜因子驱动收益 + 大量噪声特征"的合成数据上，VAE 组合因子与未来收益 |IC|=0.695，并诚实演示"不确定性到底能不能当信号过滤器"这个反直觉结果，附完整代码与五类真实陷阱（中阶）。

把注意力机制从 NLP 搬进多因子选股：用特征级自注意力让模型自己决定看哪些因子，再门控加权出 1 维注意力因子。合成里门控因子 OOS R²=0.59 远超等权平均 0.15（高阶）。

传统因子是「人拍脑袋的线性组合」，自编码器(Autoencoder)能用无监督方式把几十维原始量价特征压缩成一小组「低相关、信息损失最小」的编码向量，当作新因子喂给选股模型。本文从数学定义、纯 numpy 手写自编码器、到「编码即新因子」的 IC 检验完整走通，并指出无监督≠可预测、容量有限、分布漂移三大真实陷阱。