用DeepSeek優化價量因子.pdf

用DeepSeek優化價量因子。本文是深度學習揭秘系列之三。聚焦于借助 DeepSeek 模型對選股因子進 行生成與改進，在量化投資領域展開深入探索。研究以 Qlib 集成的 Alpha158 量價因子為基礎，該因子集涵蓋日內、波動、價、量及量價相 關性五類因子。通過設定統一測算口徑，運用特定的 Prompt Engineering 和 AI 交互流程，借助 DeepSeek 對原始因子進行優化，以及生成相關性 較低的新因子，取得顯著成果。

在因子優化方面，多數因子經 DeepSeek 優化后預測能力提升顯著。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 1.2 倍提升，35%的因子 RankIC 均值有 1.5 倍提升；ICIR 指標同 樣向好，眾多因子 ICIR 提升且多倍提升的因子數量可觀。從不同窗口期 數據看，優化后的因子表達式普適性強。以波動率因子 std20 為例，多 次改進中引入平均真實波幅 ATR 概念、成交量加權機制、EMA 雙重平滑 及四維波動極值捕捉等，雖部分改進使 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，在優化過程中未呈現顯著提升，揭示傳統因子改進存在理論天花 板。

在因子生成上，從零生成因子較難達到理想效果，然而，站在成功案例 基礎上生成因子，效果顯著。若從零開始，20 次迭代生成的因子具備一 定邏輯，但預測效果一般，ICIR 未達預期。若給予 DeepSeek 部分預測 效果尚佳的因子表達式作為參考，例如 Alpha158 原始及優化因子表達式 與對應的 IC 統計量，則能夠在較少的迭代次數內，生成 5 個 ICIR 在 0.8 以上且與樣例因子相關性低的新因子。其中第一個有效因子通過捕捉量 價協同增強效應，第二個聚焦量價共振強度維度，展現出較好的選股能 力。 

組合維度對比發現，將優化后的 Alpha158 因子及新生成因子線性結合， 使用 Lasso 模型合成因子，能提升選股能力。全 A 數據中，原始因子、 增強因子、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，原始因子疊加優化與新生成 因子得到的復合因子，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 增強至 1.89。

綜上，本文引入 DeepSeek 模型，通過構建“優化 - 驗證 - 再迭代” 框架，貢獻了因子優化與因子生成的新思路，實現了大語言 AI 模型對量 化研究的賦能。