金工-GPT因子工厂2.0：基本面与高频因子挖掘

免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 1 金工 GPT 因子工厂 2.0：基本面与高频因子挖掘 华泰研究 研究员 林晓明 SAC No. S0570516010001 SFC No. BPY421 linxiaoming@htsc.com +(86) 755 8208 0134 研究员 何康，PhD SAC No. S0570520080004 SFC No. BRB318 hekang@htsc.com +(86) 21 2897 2202 联系人 沈洋 SAC No. S0570123070271 shenyang023029@htsc.com +(86) 21 2897 2228 高频合成因子中证 1000 指增净值 注：股票池：中证全指成分股；回测区间：2016-12-30至 2024-09-20；交易费率双边 3‰；周调仓单边换手率上限 20%；优化器约束条件：80%成分内选股，行业偏离约束±2%，市值偏离约束±0.2 资料来源：Wind，OpenAI，华泰研究 2024 年 9 月 26 日│中国内地 深度研究 人工智能 82：GPT 因子工厂扩展至基本面与高频因子挖掘 本研究在前期报告《GPT 因子工厂：多智能体与因子挖掘》（20240220）的基础上，将大模型因子挖掘扩展至基本面与高频因子挖掘场景。本文继续沿用前期报告中的多智能体架构，核心改变在于针对基本面与高频因子定制化设计算子，以尽可能保证因子表达式的合乎逻辑。在基本面因子挖掘中，因子周度 IC 均值为 0.011，周度 RankIC 均值为 0.013；对于高频因子挖掘，因子周度 IC 均值为 0.020，周度 RankIC 均值为 0.031，GPT 因子工厂 2.0挖掘高频因子质量较高。利用 GPT 因子工厂 2.0 产出的高频因子构建中证1000 指增策略（回测区间 20161230- 20240920），年化超额收益率为31.32%，信息比率为 4.20。 因子挖掘与 GPT 因子工厂：大模型因子挖掘或成为因子挖掘新兴方案 因子挖掘在量化研究中占据核心地位，是为多因子模型补充 Alpha 源的重要途径。传统的因子挖掘主要包括人工手动挖掘和算法自动挖掘两种方案：人工手动挖掘依赖于量化研究员对市场的理解与直觉，离不开研究员的专业素养，需消耗高昂的人力成本；算法自动挖掘将因子挖掘流程自动化，有效降低人力成本，然而其缺陷是过拟合风险与可解释性难题。大模型因子挖掘或将成为新兴的因子挖掘方案，其可行性在前期报告中已得到证明，同时大模型可给予清晰的逻辑解释，过拟合风险或更可控。 基本面与高频因子挖掘：或是自动化因子挖掘难涉之境 算法自动化因子挖掘相比于人工挖掘存在诸多优势，但却鲜有针对基本面或高频因子的自动化因子挖掘，人工挖掘因子似乎更具优势。对于基本面因子挖掘而言，传统算法在无法利用专业知识的前提下，难以构造具备逻辑性的基本面因子。对于高频因子而言，传统算法可能难以在表达式中融入日频化采样，高频因子表达式的复杂性形成一道隐形的墙。大模型或许是解决之道，一方面在于大模型近乎人类的逻辑推理能力，另一方面在于，从自然语言中诞生的大模型拥有更灵活的因子构建与因子计算能力。 因子挖掘效果：基本面因子表现尚可，高频因子效果优异 本文对 GPT 因子工厂 2.0 产出的基本面因子和高频因子挖掘效果进行测试，分别进行 30 次因子挖掘，每次因子挖掘仅包括首次挖掘。因子 IC 方面，30 个基本面因子 IC 均值为 0.011，RankIC 均值为 0.013，|𝑡|均值为 1.542；23 个筛选后的高频因子 IC 均值为 0.020，RankIC 均值为 0.031，|𝑡|均值为4.588。因子相关性方面，基本面因子相关系数绝对值均值为 0.10，高频因子相关系数绝对值均值为 0.17，因子工厂产出的因子相关性普遍偏低。 指数增强策略实践：基于量价与高频因子的指增策略均表现较出色 本文基于量价和高频因子分别进行指增策略实践检验。对于前期报告初次挖掘产出的量价因子，沪深 300、中证 500、中证 1000 指增策略年化超额收益率分别为 7.18%、10.34%、18.50%，对于高频因子，三类指增年化超额分别为 13.78%、18.40%、31.32%。将合成后的量价因子与高频因子按 1:4权重合并，合并后因子三类指增年化超额分别为 12.38%、17.74%、30.72%。指增策略实践表明，GPT 因子工厂产出的高频因子效果总体优于量价因子，基于高频因子可构建效果较出色的指增策略。 风险提示：GPT 挖掘因子是对历史的总结，具有失效风险。GPT 挖掘因子可解释性受限，使用需谨慎。大模型训练集广泛，可能存在过拟合风险。 -30%-25%-20%-15%-10%-5%0%0123456782016-12-302017-05-302017-10-302018-03-302018-08-302019-01-302019-06-302019-11-302020-04-302020-09-302021-02-282021-07-312021-12-312022-05-312022-10-312023-03-312023-08-312024-01-312024-06-30超额收益回撤(右轴)策略净值中证1000指数基准累计超额收益 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 2 金工研究 正文目录 导言 .............................................................................................................................................................................. 4 大语言模型与因子挖掘 ................................................................................................................................................. 5 基于大模型的因子挖掘 .......................................................................................................................................... 6 基本面与高频因子挖掘 .......................................................................................................................................... 7 方法 .