量化研究参考系列之九：大语言模型驱动因子挖掘的模型演进与框架梳理.docxVIP

金融工程|专题报告

大语言模型驱动因子挖掘的模型演进与框架梳理

——量化研究参考系列之九

研究结论

报告发布日期

30日2026年

30日

l文献信息：本文系统梳理海内外金融工程与AI量化相关学术文献，分析大语言模型驱动因子挖掘的历史演进脉络，将其划分为七个发展阶段，依次为理论因子、公式化Alpha、传统自动搜索、LLM直接生成、文本Alpha与另类数据、知识增强与

Agent闭环、全栈投研与评估治理，囊括AutoAlpha、Alpha-GPT、FAMA、RD-Agent-Quant、AlphaCrafter、QuantaAlpha等海内外主流因子挖掘框架。

l推荐理由：LLM驱动的因子挖掘是传统量化投研体系的升级，依托大模型打通金融语义理解、代码开发、工具调用、回测反馈与研究记忆全链路，推动因子研发由单点公式生成升级为全实验流程闭环；研究重心逐步从单一因子挖掘，延伸至文本另类Alpha开发、Agent闭环投研、大模型与进化搜索融合、全栈自动化投研系统建设，显著压缩了因子的研发周期、打通文本数据与量价数据，并推动因子全生命周期管理逐步标准化。

l技术演进：大语言模型驱动因子挖掘的历史可划分为七个阶段。1）理论因子阶段：以CAPM、Fama-French等框架解释收益来源，形成量化投资的经济逻辑基础。

2）公式化