大语言模型投研应用:构建全自动的因子挖掘AI智能体-22页(附)

1.传统遗传规划方法:通过显式公式组合生成因子,虽然可解释性较强,但缺少金融逻辑的引导,导致挖掘效率低下。这类模型不具备理解金融语义的能力,只能依靠随机试错。

2.机器学习与深度学习方法:以XGBoost、GRU和Transforme等模型为代表,拟合能力突出,能够自动挖掘非线性特征,但模型本身黑箱属性明显,决策逻辑难以解释。

3.大模型方法:近年来也涌现了一批用大语言模型直接生成因子代码,再结合回测结果来筛选因子的方法,一定程度上提升了因子挖掘的自动化水平。但这类方法仍有明显短板,比如:选代过程依赖上下文进行随机生成,无法有效继承和复用已验证的有效经验;回测噪声容易引发语义漂移,使因子逐渐偏离原本的经济含义;因子同质化问题突出,难以支撑高效且多样化的研究思路探索。