深度学习揭秘系列之五：AI能否终结人工基本面与高频因子挖掘

请阅读最后一页免责声明及信息披露 http://www.cindasc.com 1 深度学习揭秘系列之五： AI 能否终结人工基本面与高频因子挖掘 [Table_ReportTime] 2025 年 08 月 18 日 [Table_FirstAuthor] 于明明 金融工程与金融产品首席分析师 执业编号：S1500521070001 联系电话：+86 18616021459 邮 箱：yumingming@cindasc.com 周金铭 金融工程与金融产品分析师 执业编号：S1500523050003 联系电话：+86 18511558803 邮 箱：zhoujinming@cindasc.com 请阅读最后一页免责声明及信息披露 http://www.cindasc.com 2 证券研究报告 金工研究 [TableReportType] 金工深度报告 [Table_Author] 于明明 金融工程与金融产品 首席分析师 执业编号：S1500521070001 联系电话：+86 18616021459 邮 箱：yumingming@cindasc.com 周金铭 金融工程与金融产品 分析师 执业编号：S1500523050003 联系电话：+86 18511558803 邮 箱：zhoujinming@cindasc.com 信达证券股份有限公司 CINDA SECURITIES CO.,LTD 北京市西城区宣武门西大街甲 127 号金隅大厦B 座 邮编：100031 [Table_Title] 深度学习揭秘系列之五：AI 能否终结人工基本面与高频因子挖掘 [Table_ReportDate] 2025 年 08 月 18 日 [Table_Summary] ➢ 本报告为《深度学习揭秘》系列的第五篇。在前期报告《深度学习揭秘系列之三：用 DeepSeek 优化价量因子》的基础上，本报告旨在系统性地探究 AI 在基本面与高频两大核心领域的因子挖掘潜力，并评估其在多大程度上能够实现对传统人工研究范式的自动化乃至超越。面对日益复杂的市场环境与海量的另类数据，本研究将探索的边界从前序报告中的日频价量数据，进一步拓展至蕴含长期价值的财务数据与包含精细交易行为的分钟级行情数据。为实现这一目标，我们设计并实施了两套独立的自动化因子生成与验证框架。 ➢ 在基本面因子的探索中，我们为 AI 构建了一个包含标准化财务数据字段与预定义处理算子的实验环境，引导其在经典的价值、质量、成长投资框架内进行创新。研究发现，AI 不仅能有效复现并优化传统因子，更能生成具备新颖经济内涵的指标，其探索深入到对现金流质量、运营效率和资本结构的精细度量。例如，AI 自主生成的“留存收益市值比”因子，旨在衡量公司内源性资本积累的相对价值，表现出稳健的选股能力。本报告进一步展示了一套多阶段的因子优化流程：通过对 AI 生成的原始因子库进行时间序列衍生计算以强化信号，再利用滚动 Lasso 回归模型进行动态合成。最终的复合因子选股能力得到显著提升，其周频 RankIC均值达到 6.85%，ICIR 为 0.79，充分验证了该自动化研究框架的有效性。 ➢ 在高频因子的挖掘中，我们采用了一种更为灵活的策略，赋予 AI 直接生成 Python 代码的能力，并辅以预置的“分域函数”以引导其捕捉微观市场结构中的复杂模式。该方法成功挖掘出一批结构复杂且与样例因子相关性相对较低的新因子，其逻辑涵盖了波动率结构、动量反转、量价关系等多个维度。例如，一个旨在捕捉市场投机热度与不稳定性的因子，其周频 RankIC 均值达到 9.03%；另一个刻画股价极端加速现象的因子，也展现出很强的信号稳定性（ICIR 为 0.83）。更重要的是，本报告的实证分析表明，这些 AI 因子提供了显著的增量 Alpha。当 AI 因子库与一组经典高频因子结合后，组合的 RankIC 与超额收益均得到实质性稳定提升，证明了 AI 能够发现独立于传统认知的、具备独特价值的信号源。 ➢ 本研究的实证结果表明，AI 已具备在不同数据频率和投资逻辑下进行自动化因子挖掘的强大能力，可以作为量化研究的有力引擎。这预示着量化投资或许正迈向一个人机协同的新范式：研究员的角色将从繁重的因子挖掘工作中解放出来，更多地转向更高层次的策略思想构建、逻辑验证和智能研究系统的设计与优化。 风险因素：结论基于历史数据，在市场环境转变时模型存在失效的风险。 请阅读最后一页免责声明及信息披露 http://www.cindasc.com 3 目 录 深度学习揭秘系列之五：AI 能否终结人工基本面与高频因子挖掘 .............................................. 5 一、AI 基本面因子挖掘：构建自动化研究框架 .............................................................................. 6 1.1、实验设计：基础数据与处理算子 ..................................................................................... 6 1.2、人机交互框架：AI 因子生成流程详解 ............................................................................ 9 1.3、AI 价值因子挖掘：经典框架的有效拓展与创新 .......................................................... 11 1.4、AI 质量因子挖掘：从盈利能力到运营效率的多维度探索 .......................................... 18 1.5、AI 成长因子挖掘：探索盈利增长的多维定义 .............................................................. 24 1.6、基本面因子衍生计算与合成 ........................................................................................... 26 二、AI 驱动的高频因子挖掘：从分钟数据到选股信号 ................................................................ 30 2.1、方法论构建：高频因子自动生成的工作流 ................................................................... 30 2.2、AI 高频因子库：整体表现与分类解析 ......................................