深度报告-2026-06-15-东吴证券-从表达式搜索到Agent化研究流程_AI因子挖掘的双路径实践与Skill沉淀_41页_2mb.pptxVIP

证券研究报告·金融工程·金工专题报告;金工专题报告

应数据生成可执行、可评测、可迭代的选股因子，未来可扩展至基本面、分析师预期、事件文本、高频交易行为或多源融合数据。其工作流覆盖工作区启动或断点恢复、数据接入、评测目标确认、参考因子接入、候选因子生成、自动执行评测、历史反馈记录和工具函数沉淀。每轮迭代后，系统会输出分年度和全区间IC/ICIR、IC走势图、因子历史Excel摘要，并将有效逻辑、失败经验和可复用工具函数持续沉淀到研究工作区中。由此，AI不只是生成某个高IC因子，而是在逐步形成一个能够记忆历史、复用工具、吸收反馈并持续改进的因子研究系统。这也是本文最重要的实践意义：将“AI写因子”推进为“AI挖因子”，并进一步沉淀为团队可共享的AI量化研究工作流。

风险提示：

模型失效风险。本研究基于历史行情数据、因子回测结果和历史样本中的统计规律进行分析，历史表现不代表未来收益。当市场微观结构、投资者行为模式、行业风格、流动性环境或监管政策发生显著变化时，历史有效的量价因子可能出现衰减甚至失效，导致因子组合表现不及预期。

过拟合风险。本文使用大语言模型、遗传编程和函数式因子生成框架进行因子挖掘，尽管在研究中关注了样本外表现、因子相关性和增量IC等稳健性指标，但自动化生成方法仍可能在较大搜索空间中挖掘到偶然有效的历史模式。若未来市场环境与训练或回测样本差异较大，因