聚焦金工专题报告:深度学习系列之四,从人工写因子到AI写因子,LLM-MCTS驱动的可解释因子迭代框架。该方法的重要特点是并不直接让 LLM 一次性生成因子,而是先由 LLM 提出面向特定评价维度的改造建议(refinement suggestion)或 Alpha 画像(alpha portrait),再将其转化为可计算的公式,;本文不再从空白公式空间中泛化挖掘 Alpha 集合,而是以已有的 29 个低频价量因子作为根节点,逐个构建 MCTS 搜索树;在每次扩展时,要求 LLM 显式输出候选公式的逻辑假说、公式实现逻辑、预期方向、与原因子的关系、适用市场状态、潜在风险和组件解释,从而将“因子生成”转化为“可解释的因子逻辑改造”。
聚焦金工专题报告:深度学习系列之四,从人工写因子到AI写因子,LLM-MCTS驱动的可解释因子迭代框架。该方法的重要特点是并不直接让 LLM 一次性生成因子,而是先由 LLM 提出面向特定评价维度的改造建议(refinement suggestion)或 Alpha 画像(alpha portrait),再将其转化为可计算的公式,;本文不再从空白公式空间中泛化挖掘 Alpha 集合,而是以已有的 29 个低频价量因子作为根节点,逐个构建 MCTS 搜索树;在每次扩展时,要求 LLM 显式输出候选公式的逻辑假说、公式实现逻辑、预期方向、与原因子的关系、适用市场状态、潜在风险和组件解释,从而将“因子生成”转化为“可解释的因子逻辑改造”。
聚焦金工专题报告:深度学习系列之四,从人工写因子到AI写因子,LLM-MCTS驱动的可解释因子迭代框架。该方法的重要特点是并不直接让 LLM 一次性生成因子,而是先由 LLM 提出面向特定评价维度的改造建议(refinement suggestion)或 Alpha 画像(alpha portrait),再将其转化为可计算的公式,;本文不再从空白公式空间中泛化挖掘 Alpha 集合,而是以已有的 29 个低频价量因子作为根节点,逐个构建 MCTS 搜索树;在每次扩展时,要求 LLM 显式输出候选公式的逻辑假说、公式实现逻辑、预期方向、与原因子的关系、适用市场状态、潜在风险和组件解释,从而将“因子生成”转化为“可解释的因子逻辑改造”。
本报告由东吴证券发布,发布于 2026 年。
覆盖 2026 年。
本报告为付费报告,可在资料宝站内下单后获取完整内容。
适合战略规划、产品经理、行业研究员等读者参考。
重点分析了AI、金工专题报告等议题。