用DeepSeek优化价量因子.pdf

用DeepSeek优化价量因子。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。