深度学习揭秘系列之三：用DeepSeek优化价量因子

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三： 用 DeepSeek 优化价量因子 [Table_ReportTime] 2025 年 03 月 21 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] 金工专题报告 [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三：用 DeepSeek 优化价量因子 [Table_ReportDate] 2025 年 03 月 21 日 [Table_Summary] ➢ 本文是深度学习揭秘系列之三。聚焦于借助 DeepSeek 模型对选股因子进行生成与改进，在量化投资领域展开深入探索。研究以 Qlib 集成的Alpha158 量价因子为基础，该因子集涵盖日内、波动、价、量及量价相关性五类因子。通过设定统一测算口径，运用特定的 Prompt Engineering和 AI 交互流程，借助 DeepSeek 对原始因子进行优化，以及生成相关性较低的新因子，取得显著成果。 ➢ 在因子优化方面，多数因子经 DeepSeek 优化后预测能力提升显著。测试的 Alpha158 因子集中，75%的因子 RankIC 均值提升，50%的因子 RankIC均值达 1.2 倍提升，35%的因子 RankIC 均值有 1.5 倍提升；ICIR 指标同样向好，众多因子 ICIR 提升且多倍提升的因子数量可观。从不同窗口期数据看，优化后的因子表达式普适性强。以波动率因子 std20 为例，多次改进中引入平均真实波幅 ATR 概念、成交量加权机制、EMA 双重平滑及四维波动极值捕捉等，虽部分改进使 RankIC 均值有波动，但整体提升了因子选股效果。不过，部分因子如 Beta20、min20 等受限于原始计算逻辑，在优化过程中未呈现显著提升，揭示传统因子改进存在理论天花板。 ➢ 在因子生成上，从零生成因子较难达到理想效果，然而，站在成功案例基础上生成因子，效果显著。若从零开始，20 次迭代生成的因子具备一定逻辑，但预测效果一般，ICIR 未达预期。若给予 DeepSeek 部分预测效果尚佳的因子表达式作为参考，例如 Alpha158 原始及优化因子表达式与对应的 IC 统计量，则能够在较少的迭代次数内，生成 5 个 ICIR 在 0.8以上且与样例因子相关性低的新因子。其中第一个有效因子通过捕捉量价协同增强效应，第二个聚焦量价共振强度维度，展现出较好的选股能力。 ➢ 组合维度对比发现，将优化后的 Alpha158 因子及新生成因子线性结合，使用 Lasso 模型合成因子，能提升选股能力。全 A 数据中，原始因子、增强因子、原始 + 生成因子及最终合成因子的 RankIC 均值和多头超额收益逐次提升。落地到中证 800 指增组合，原始因子叠加优化与新生成因子得到的复合因子，月频 RankIC 均值从 9.01%提升至 10%，ICIR 从0.93 提升至 1.01，多头超额年化收益从 7.05%提升至 7.92%，年化信息比从 1.63 增强至 1.89。 ➢ 综上，本文引入 DeepSeek 模型，通过构建“优化 - 验证 - 再迭代”框架，贡献了因子优化与因子生成的新思路，实现了大语言 AI 模型对量化研究的赋能。 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三：用 DeepSeek 优化价量因子 ..................................................................... 4 一、Alpha158 因子体系解析与优化框架 .......................................................................................... 5 1.1、Qlib 算子与 Alpha158 因子集概述 ................................................................................... 5 1.2、动态交互框架：基于 Prompt Engineering 的因子优化流程设计 ................................... 8 1.3、优化效果验证：RankIC 的跨周期普适性与稳定性突破 .............................................. 12 1.4、以波动率因子为例：洞察模型优化方向 ....................................................................... 16 二、从优化到创造：基于大语言模型的新因子生成范式 ............................................................. 21 2.1、从零生成的困境：独立探索下的效率与效果瓶颈 ....................................................... 21 2.2、案例驱动的突破：基于先验知识的低相关性因子挖掘 ............................................... 24 三、策略应用与组合绩效验证：复合因子在指增组合中的增益 .................................................. 30 3.1、复合因子的收益增强：中证 800 中 RankIC 均