深度学习行业市场前景及投资研究报告：用DeepSeek优化价量因子.pdfVIP

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]

1

[Table_Title]

证券研究报告深度学习揭秘系列之三：用DeepSeek优化

金工研究价量因子

[TableReportType]

金工专题报告

[Table_ReportDate]2025年03月21日

[Table_Author]

[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PromptEngineering

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