深度學習揭秘系列專題報告：AI能否終結人工基本面與高頻因子挖掘.pdf

深度學習揭秘系列專題報告：AI能否終結人工基本面與高頻因子挖掘。本報告為《深度學習揭秘》系列的第五篇。在前期報告《深度學習揭秘 系列之三：用 DeepSeek 優化價量因子》的基礎上，本報告旨在系統性地 探究 AI 在基本面與高頻兩大核心領域的因子挖掘潛力，并評估其在多大 程度上能夠實現對傳統人工研究范式的自動化乃至超越。面對日益復雜 的市場環境與海量的另類數據，本研究將探索的邊界從前序報告中的日 頻價量數據，進一步拓展至蘊含長期價值的財務數據與包含精細交易行 為的分鐘級行情數據。為實現這一目標，我們設計并實施了兩套獨立的 自動化因子生成與驗證框架。

在基本面因子的探索中，我們為 AI 構建了一個包含標準化財務數據字 段與預定義處理算子的實驗環境，引導其在經典的價值、質量、成長投 資框架內進行創新。研究發現，AI 不僅能有效復現并優化傳統因子，更 能生成具備新穎經濟內涵的指標，其探索深入到對現金流質量、運營效 率和資本結構的精細度量。例如，AI 自主生成的“留存收益市值比”因 子，旨在衡量公司內源性資本積累的相對價值，表現出穩健的選股能力。 本報告進一步展示了一套多階段的因子優化流程：通過對 AI 生成的原始 因子庫進行時間序列衍生計算以強化信號，再利用滾動 Lasso 回歸模型 進行動態合成。最終的復合因子選股能力得到顯著提升，其周頻 RankIC 均值達到 6.85%，ICIR 為 0.79，充分驗證了該自動化研究框架的有效性。

在高頻因子的挖掘中，我們采用了一種更為靈活的策略，賦予 AI 直接生 成 Python 代碼的能力，并輔以預置的“分域函數”以引導其捕捉微觀 市場結構中的復雜模式。該方法成功挖掘出一批結構復雜且與樣例因子 相關性相對較低的新因子，其邏輯涵蓋了波動率結構、動量反轉、量價 關系等多個維度。例如，一個旨在捕捉市場投機熱度與不穩定性的因子， 其周頻 RankIC 均值達到 9.03%；另一個刻畫股價極端加速現象的因子， 也展現出很強的信號穩定性（ICIR 為 0.83）。更重要的是，本報告的實 證分析表明，這些 AI 因子提供了顯著的增量 Alpha。當 AI 因子庫與一 組經典高頻因子結合后，組合的 RankIC 與超額收益均得到實質性穩定提 升，證明了 AI 能夠發現獨立于傳統認知的、具備獨特價值的信號源。

本研究的實證結果表明，AI 已具備在不同數據頻率和投資邏輯下進行自 動化因子挖掘的強大能力，可以作為量化研究的有力引擎。這預示著量 化投資或許正邁向一個人機協同的新范式：研究員的角色將從繁重的因 子挖掘工作中解放出來，更多地轉向更高層次的策略思想構建、邏輯驗 證和智能研究系統的設計與優化。