金工專題報告：深度學習系列之四，從人工寫因子到AI寫因子，LLM_MCTS驅動的可解釋因子迭代框架.pdf

上傳者：A*****
時間：2026/06/23
熱度：64
0人點贊
舉報

本報告構建了LLM-MCTS可解釋因子迭代框架，旨在實現從人工寫因子到AI挖因子的范式升級。框架中，MCTS負責在公式或代碼搜索樹中進行選擇、擴展、評測和回傳，LLM負責生成金融假說、可執行表達式或Python函數，并解釋機制及審查數據合法性。相比一次性讓模型寫公式，該框架將候選生成、周度RankIC/IR評測、樣本內選擇、樣本外檢驗和經驗庫沉淀組織成閉環，覆蓋日頻Seed改造、低頻Seed池批量挖掘和高頻分鐘行為挖掘。在日頻Seed定向改造中，以29個低頻價量原始因子為起點，結果顯示候選池層面25/29個Seed至少搜索到過樣本外優于原始Seed的候選。在低頻Seed池批量挖掘中，以12個根節點機制為起點，樣本內生成的173個因子優于對應原始Seed，其中143個同時實現樣本內和樣本外優于原始Seed，占樣本內有效候選的82.7%。雙優候選去重后包含123個公式，且全局絕對相關性整體偏低，說明搜索結果未坍縮為少數同質信號。該框架亦可用于高頻分鐘因子挖掘，如“高量脈沖次數”因子表現突出，驗證了框架從日頻公式擴展到分鐘級交易行為機制的有效性。