★ FEATURED ARTICLE 简介这份国金证券金融工程专题报告聚焦大语言模型在量化选股中的落地路径面向具备一定因子研究基础的量化从业者与金融工程学习者系统回答如何借助ChatGPT完成高频因子挖掘与策略构建。压缩包内为1个PDF文件约2.16MB完整保留模型原理、提示工程指南、因子测试与回测结果等章节便于按目录检索研读。目前已有248人学习。内容从Transformer架构、Scaling Law与RLHF训练流程讲起给出角色、任务、指令三段式提示公式及思维链提示技巧实战部分展示价量变异系数因子与买卖盘力量因子的生成与检验其中日频多头年化超额收益达17.29%降至周频后仍为9.77%至10.20%并据此构建中证1000指数增强策略在单边千分之二费率下年化超额7.17%、信息比率0.57。报告同时提示模型随机性、代码需微调及历史回测失效等风险适合作为提示工程与因子挖掘结合的参考范本。1. 当AI开始“挖因子”一个让量化研究员既兴奋又警惕的概念如果你最近听到有人聊“用ChatGPT选股”第一反应可能是一个聊天机器人怎么就跟股票扯上关系了打个比方这就像你请了一位读过海量书籍、但从未进过交易大厅的实习生让他从一堆价量数据里给你提几个选股思路——他不懂盘感但他见过足够多的模式偶尔能说出一些老手没往那想的角度。所谓“AI挖因子”说的就是这件事把大语言模型当成一个能对话的研究助手用提示词引导它提出候选的选股因子再由人去做回测验证。因子这个词听着玄学通俗说就是“能区分股票好坏的一个可计算指标”。搞懂这个概念你就能判断这类工具到底能帮你省力还是只会给你添乱。2. 大语言模型凭什么能碰量化从“猜下一个词”到“给数据加权”2.1 它本质上是个超级“接话高手”GPT的全称是Generative Pre-trained Transformer拆开看就是“生成式、预训练、变换器架构”。它的核心任务朴素得让人意外给定前文预测下一个词最可能是什么。训练时喂进去海量文本模型在无数次“猜下一个词”的过程中慢慢学会了词与词之间的关系、句子之间的逻辑。这就像一个读了无数本菜谱的人虽然没真正下过厨但你问他“红烧肉下一步该放什么”他能接得很顺。ChatGPT在此基础上加入了连续对话能力能综合上下文来回应翻译、写邮件、写代码都是这个能力的延伸。放到量化场景里你让它“根据价量数据提一个因子”它其实是在用学到的语言和逻辑模式拼出一个看起来合理的公式。2.2 Transformer解决了老模型的两个硬伤在Transformer出现之前处理文本序列常用LSTM模型它有两个明显短板。第一它没法区分一句话里哪些词更重要所有输入一视同仁第二句子一长前面的信息就记不住了大量细节丢失。2017年提出的Transformer用自注意力机制给输入的不同部分分配不同权重相当于读书时会自动给关键段落画重点还能同时看到前后文。这个改动让模型能处理更大的数据集、长得多的上下文也为后来参数规模一路膨胀铺好了路。从早期上亿参数到后来千亿级参数模型能力随之跃升这就是常说的规模定律——参数和数据的量变会带来能力上的质变。2.3 RLHF让模型学会“说人话、办人事”光会接话还不够模型得知道什么样的回答更符合人类期待。RLHF也就是人类反馈的强化学习分三步走先请标注人员对一批指令做标注用这些数据微调模型再让模型对同一问题给出多个回答由标注员排序用排序结果训练一个打分模型最后用打分模型去优化模型的输出让它越来越贴近人类偏好的答案。打个比方这就像教徒弟做菜先给他示范几道标准菜再让他做一桌你按好吃程度排个序他慢慢就摸清了你的口味。正是这套机制让模型输出更接近人类的常识和表达习惯也让它在被引导提因子时能听懂“原创性”“逻辑支撑”这类要求。3. 提示工程决定AI输出质量的“提问说明书”3.1 一个公式讲清怎么问提示工程说白了就是研究“怎么问模型才答得准”。最基本的提示公式包含三部分角色、任务、指令。形式大致是“作为一个【角色】按照这些指示生成【任务】【指令】”。比如想让模型扮演客服可以写成“作为一名客服人员请生成客户询问的回复这些回复应当专业、准确、简洁”。角色设定相当于给模型戴上帽子约束它的回答视角任务说清要它干什么指令则进一步框定边界。三者越具体输出越可控。在因子挖掘里角色可以设成“资深量化研究员”任务设成“给出一个选股因子”指令里再补上“具有原创性、有逻辑支撑、业绩表现良好”这类限制模型给出的东西才不至于天马行空。3.2 思维链提示逼模型把步骤摊开思维链提示是另一种实用技巧核心思路是让模型分步骤思考把中间推导过程展示出来而不是直接甩一个结论。这在处理复杂逻辑问题时效果明显。举个量化里的例子IC指标也就是秩相关系数常被用来评价因子好坏但它有个漏洞——两个IC值相近的因子实际多头表现可能天差地别。有的因子IC值0.22多头组收益却不错另一个IC值0.25多头组反而垫底。直接问模型“怎么改进IC指标”它往往给不出切中要害的答案但用思维链一步步引导先让它意识到分组收益差异的问题再提示做空限制的现实约束它才可能给出“给多头组更高权重、计算加权IC”这类靠谱思路。这个过程也暴露了模型的局限它有时会生搬硬套需要人不断纠偏。3.3 提示类型不止一种除了标准公式提示还有多种类型。知识生成提示是把新信息与已有知识结合生成新内容情感分析提示是让模型判断一段文本的情感倾向对抗性提示则是故意生成难以被简单分类的文本。在量化研究里情感分析可以用来处理新闻热点但由于模型本身有随机性遇到情感词不明确的文本结果会有波动整体准确率尚可但不能全信。理解这些分类的意义在于你得知道手里的任务适合哪种问法而不是一套模板打天下。4. 易混概念辨析别把“AI提因子”想简单了4.1 易混点一AI提因子不等于AI替你炒股很多人一听“ChatGPT挖因子”就以为模型能直接告诉你买哪只股票。实际上模型产出的是一个因子构建思路比如“用收盘价和成交量的变异系数相乘”这类公式它离可交易策略还隔着回测、降频、成本核算好几道关。为什么容易混因为“选股”这个词把研究和交易揉在了一起。区分方法很简单看输出物是公式还是买卖指令。模型给的是公式能不能用、怎么用得靠人拿历史数据去验证。4.2 易混点二IC值高不等于因子好用IC是评价因子的常用指标但它只衡量因子值与收益率的整体秩相关不反映分组内部的差异。前面提到的例子就是血泪教训IC值更高的因子多头组可能表现最差。初学者容易把IC当成唯一标尺看到数值高就以为捡到宝。区分的关键是看分组单调性和多头超额收益IC只是入场券不是判决书。真正决定因子能不能上策略的是多头组在扣掉交易成本后还剩多少。4.3 易混点三日频表现好不等于周频还能用高频因子在日频上往往亮眼比如买卖盘力量差异因子日频多头年化超额能到17%以上但它的衰减速度极快隔天基本失效。有人看到这个数字就以为找到了圣杯忽略了调仓频率和交易成本。为什么混因为回测曲线好看容易让人忘记实盘的手续费。区分办法是看因子在不同频率下的表现降到周频后原本的差异因子可能已经失效而单方向的买盘或卖盘力量因子反而还能维持一定超额。频率一变因子的生命周期就变了。4.4 易混点四模型会写代码不等于代码能直接用ChatGPT对常用的量化研究框架和函数能给得比较准但代码细节常有偏差比如参数顺序、边界处理、数据对齐方式。新手容易直接复制运行结果报错或结果失真。这跟“会背菜谱不等于能开餐馆”是一个道理。区分方法把模型给的代码当成草稿逐行核对输入输出用小样本先跑通再上全量。微调之后的代码往往能大幅提升研究效率但前提是你得看得懂它在干什么。5. 什么时候该用、什么时候别用一份边界判断把大语言模型放进量化研究流程最合适的定位是“提思路的助手”而不是“出结论的权威”。具体来说当你卡在因子构思阶段、需要一些跨领域的灵感时用提示工程引导模型给出候选公式再拿历史数据去验证这条路是走得通的。报告里那套流程就是范例先在中低频用价量数据让模型提变异系数因子回测发现IC指标尚可但多头超额不足再限定高频数据范围、要求用委托价和委托量引导出买卖盘力量因子日频测试多头年化超额可观但衰减快降到周频后单方向力量因子仍有一定超额最终用卖盘力量因子构建指数增强策略在单边千分之二手续费下年化超额7%左右、信息比率0.57。整个过程里模型负责“想”人负责“验”和“砍”。反过来以下几种情况就别指望它。一是需要精确数值结论时模型有随机性可能答错不能拿它的输出当最终依据二是涉及交易成本和实盘约束时模型对做空限制、手续费结构的理解常常不到位得靠人补三是市场环境变化后历史回测出来的因子可能失效模型不会主动提醒你这一点。还有一点容易被忽略模型给的因子有时是现有文献的变形组合原创性需要人自己判断别把“它说原创”当成原创。场景适合用不适合用因子构思阶段引导模型提候选公式、拓展思路直接拿模型结论当策略代码框架搭建生成常用函数草稿、加速起步不加核对直接上全量数据指标改进讨论用思维链引导分析指标漏洞指望它自动理解交易约束策略落地人做回测、降频、成本核算让模型判断实盘可行性我自己的习惯是每次让模型提完因子都强制走一遍“公式抄下来、小样本回测、看分组单调性、再决定要不要降频”的流程一步都不省。模型可以帮你少走构思的弯路但验证的弯路一步都绕不过去。希望帮到你。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
