用DeepSeek優(yōu)化價量因子.pdf

用DeepSeek優(yōu)化價量因子。本文是深度學(xué)習(xí)揭秘系列之三。聚焦于借助 DeepSeek 模型對選股因子進(jìn) 行生成與改進(jìn)，在量化投資領(lǐng)域展開深入探索。研究以 Qlib 集成的 Alpha158 量價因子為基礎(chǔ)，該因子集涵蓋日內(nèi)、波動、價、量及量價相 關(guān)性五類因子。通過設(shè)定統(tǒng)一測算口徑，運用特定的 Prompt Engineering 和 AI 交互流程，借助 DeepSeek 對原始因子進(jìn)行優(yōu)化，以及生成相關(guān)性 較低的新因子，取得顯著成果。

在因子優(yōu)化方面，多數(shù)因子經(jīng) DeepSeek 優(yōu)化后預(yù)測能力提升顯著。測試 的 Alpha158 因子集中，75%的因子 RankIC 均值提升，50%的因子 RankIC 均值達(dá) 1.2 倍提升，35%的因子 RankIC 均值有 1.5 倍提升；ICIR 指標(biāo)同 樣向好，眾多因子 ICIR 提升且多倍提升的因子數(shù)量可觀。從不同窗口期 數(shù)據(jù)看，優(yōu)化后的因子表達(dá)式普適性強(qiáng)。以波動率因子 std20 為例，多 次改進(jìn)中引入平均真實波幅 ATR 概念、成交量加權(quán)機(jī)制、EMA 雙重平滑 及四維波動極值捕捉等，雖部分改進(jìn)使 RankIC 均值有波動，但整體提升 了因子選股效果。不過，部分因子如 Beta20、min20 等受限于原始計算 邏輯，在優(yōu)化過程中未呈現(xiàn)顯著提升，揭示傳統(tǒng)因子改進(jìn)存在理論天花 板。

在因子生成上，從零生成因子較難達(dá)到理想效果，然而，站在成功案例 基礎(chǔ)上生成因子，效果顯著。若從零開始，20 次迭代生成的因子具備一 定邏輯，但預(yù)測效果一般，ICIR 未達(dá)預(yù)期。若給予 DeepSeek 部分預(yù)測 效果尚佳的因子表達(dá)式作為參考，例如 Alpha158 原始及優(yōu)化因子表達(dá)式 與對應(yīng)的 IC 統(tǒng)計量，則能夠在較少的迭代次數(shù)內(nèi)，生成 5 個 ICIR 在 0.8 以上且與樣例因子相關(guān)性低的新因子。其中第一個有效因子通過捕捉量 價協(xié)同增強(qiáng)效應(yīng)，第二個聚焦量價共振強(qiáng)度維度，展現(xiàn)出較好的選股能 力。 

組合維度對比發(fā)現(xiàn)，將優(yōu)化后的 Alpha158 因子及新生成因子線性結(jié)合， 使用 Lasso 模型合成因子，能提升選股能力。全 A 數(shù)據(jù)中，原始因子、 增強(qiáng)因子、原始 + 生成因子及最終合成因子的 RankIC 均值和多頭超額 收益逐次提升。落地到中證 800 指增組合，原始因子疊加優(yōu)化與新生成 因子得到的復(fù)合因子，月頻 RankIC 均值從 9.01%提升至 10%，ICIR 從 0.93 提升至 1.01，多頭超額年化收益從 7.05%提升至 7.92%，年化信息 比從 1.63 增強(qiáng)至 1.89。

綜上，本文引入 DeepSeek 模型，通過構(gòu)建“優(yōu)化 - 驗證 - 再迭代” 框架，貢獻(xiàn)了因子優(yōu)化與因子生成的新思路，實現(xiàn)了大語言 AI 模型對量 化研究的賦能。