如果让AI读懂行情、提出公式，再根据回测结果不断修改，它能否找到我们尚未发现的股票收益规律？

沿着东吴证券《AI因子挖掘的双路径实践与Skill沉淀》的公开框架，我们开展独立研究：让大语言模型参与公式搜索、编写因子函数，再与传统算法和神经网络模型比较。

四组遗传编程实验累计尝试133,711条表达式。这是各组内部去重后的合计，包含传统算法的公式、失败表达式和跨组重复，并非LLM独立提出了13万个因子。反馈组中，Codex提出90条表达式，89条进入后续进化；函数式路线另检验了两轮、18个提案。

结果未显示LLM相对传统遗传编程的独立增量优势。一些单看很强的因子，加入传统变量控制后明显减弱；一些更严谨的修改，也没有带来预测提升。

更多公式意味着更多新规律，还是对已知信息的重复表达？这是这轮研究最想回答的问题。

一、为什么让LLM参与因子挖掘？

因子是给股票打分的规则。例如，把过去20日跌得较多的股票排在前面，观察此后是否更容易反弹，这叫短期反转。再将价格、成交量、波动和换手率组合起来，就能得到更复杂的规则。

传统遗传编程（GP）会让公式不断“繁殖”：保留历史分数较高的公式，交换其中一段结构，再随机修改算子或参数，反复迭代。它擅长大量尝试，却不一定理解表达式的金融含义。只要训练分数够高，单位混乱、分母接近零、仅对少数股票有效的公式，也可能被保留下来。

LLM可能先提出有金融依据的假设，再翻译成公式。例如，高开后持续回落与低开后逐步反弹，可能对应不同的交易行为；同样上涨5%，在低波动和高波动股票上，含义也不同。

这些知识能否改善搜索？“解释合理”和“提供新的预测信息”，需要分别回答。

二、如何区分LLM和传统算法的贡献？

我们设置四组GP实验，逐步加入金融知识和LLM参与，并单独考察直接编写函数的路线。

“岛”是相对独立的搜索小组，每组600个公式，每4代交换优秀个体。两种注入实验每3代、每岛补充5个表达式。68个金融片段由17类机制和4组窗口构成，供算法组合，不等于68种独立收益来源。现场反馈组共进行18轮提案。

研究使用沪深股票的日频价格、成交量、成交额、市值和换手率，覆盖2267个交易日，累计涉及5433只股票，各日可用数量不同。2017年用于滚动指标预热，2018—2021年用于搜索和训练，2022年用于验证，2023年至2026年5月11日用于历史测试。各阶段交界处剔除尚未走满5日观察期的收益标签，因子正向还是反向使用，也只由训练期确定。

主要预测目标是从当天收盘到未来第5个交易日收盘的收益。交易分析则从下一交易日开盘买入，避免用收盘后才能得到的完整信号，假设自己已经按当天收盘价成交。

我们还用158个Alpha158特征训练多层感知机（MLP），即一个小型神经网络。它经过64、32个节点的两个中间层，给出综合预测分数。模型训练5轮，每轮约340.7万条样本，按2022年的验证表现选择模型。另设弹性网模型作辅助参考，但仅覆盖36个测试日期。

三、LLM究竟提高了多少RankIC？

RankIC衡量排序能力：每天分别按因子分数和未来收益给股票排序，计算两种排名的相关程度。7.65%表示相关系数约0.0765，实际收益和预测正确率需另外计算。

我们按训练期覆盖率和因子间相关性筛选，每个GP组保留12个因子；再加上3个研报代表式、3个传统对照和18个函数，统一检验72个因子及两个预测基线。下文结果针对这些因子，不能代表全部搜索公式。

表2｜各列均先计算单个入围因子的统计量，再在组内取均值，不代表组合收益。后两列检验基线模型和传统信息之外的剩余关联，方法见下一节。

现场反馈组平均RankIC比传统GP高约0.005个百分点，差距很小；剔除MLP能解释的部分后，反而低约0.504个百分点。Alpha158MLP自身的测试RankIC为9.616%。这轮实验没有提供LLM增量优势的证据。

一个随机种子、不同实际计算量的比较，不足以判定胜负或证明LLM普遍无效。

看一个具体公式，比只看平均数更直观。研报代表因子CANDLE_SHADOW_P3可以写成：

日内收益 = (收盘价 - 开盘价) / 开盘价相对上影线 = (最高价 - max(开盘价, 收盘价)) / 开盘价因子 = EMA((日内收益 + 相对上影线) ** 3, 20)

两部分相加后取三次方，再做指数移动平均，让近期权重更高。20日为本研究窗口，公开材料未能确认原窗口。

乍看之下，它结合了“日内上涨”和“冲高回落”。但不妨用两只假想股票算一遍：甲股开盘10元、收盘10.2元、最高10.4元，两部分相加为2%+2%=4%；乙股开盘10元，收盘和最高都为10.4元，相加为4%+0%=4%。

两种走势的上影线不同，送入后续计算的数值却相同。原因是，当收盘不低于开盘时，这两项相加恰好等于“最高价/开盘价−1”。公式名称中的“影线”，并不意味着它能单独识别影线压力。

它在测试期的原始RankIC为−8.896%。由于训练期已确定反向使用，按训练方向计算后为+8.896%。这个表现值得研究，但还不能说明它发现了传统模型不知道的规律。

稳定性同样重要。2026年截至5月11日，传统GP的平均MLP残差IC降至−0.226%，现场反馈组为0.275%，函数组为0.111%。这段时间较短，尚不足以断言长期失效，但全期较高的平均值已经不能完整反映最近阶段的表现。

四、复杂表达式提供了多少新信息？

假设一个新因子总在挑最近下跌、波动较低的股票，而原模型本来就在做相似判断。两者都可能有不错的RankIC，但把新因子加入模型，未必能增加多少信息。

为此，我们使用双残差检验：先分别估计因子和未来收益中，能够被当天MLP分数线性解释的部分，再比较两边剩下的数值是否仍然相关。它回答的是“排除已有模型的线性解释后，还剩多少关联”，并非将两个IC简单相减。

随后，我们再同时加入市值、20日反转、20日波动和20日换手，检查剩余关联是否还在。这里的未来收益只用于事后统计，不会成为投资时可以提前使用的特征。

表3｜前三项为研报代表表达式，后两项为本研究设计的函数。所有结果沿用训练方向；联合控制分析不用于反过来生成公式或调整方向。

LOWPOS单独的RankIC达到8.161%，加入联合控制后仅剩0.087%，对应t统计量约0.19；CANDLE则转为负值。RETCHG仍保留正关联，可以继续研究，但目前还不能排除其他风险暴露、非线性重复和交易限制。

检验只剔除所列变量的线性解释，加入变量还会改变数据完整的股票范围。因此，前后差异不能全部解释为“剔除了旧信息”，剩余IC也不能直接认定为独立Alpha。

再看一次实际修改。“修正持续度”函数先识别隔夜涨跌与日内涨跌方向相反的情形，再结合修正是否持续，以及近期振幅是否收缩。初版的核心写法是：

修正值 = np.where(隔夜收益 * 日内收益 < 0, 日内收益, 0)

问题在于，收益缺失时，条件判断也会落到“否则为0”。但零表示确实观察到了没有修正，缺失表示根本无法判断。于是我们将它改为：

有效 = np.isfinite(隔夜收益) & np.isfinite(日内收益)修正值 = np.where(    有效,    np.where(隔夜收益 * 日内收益 < 0, 日内收益, 0),    np.nan)

这个修改更准确地区分了“没有发生”和“无法观察”。不过，逐项比较最终因子值，两版结果完全一致，测试RankIC同为3.624%，MLP残差IC同为2.089%。修改改善了代码含义，没有改善预测。我们原先预期该信号正向有效，训练结果却要求反向使用，金融解释也必须接受数据检验。

现场反馈组还有一次更明显的公式改写。令r为每日收益，旧式可以简写为：

旧式 = 成交量 × 换手率 / sqrt(过去10日平均r)新式 = sign(过去10日平均r)       × log(1 + abs(过去10日平均r)                 / (过去20日r的标准差 + 极小正数))

旧式将不同单位混在一起，而且平均收益为负时，实数范围内无法开平方。新式保留涨跌方向，用波动率衡量趋势强弱，再通过对数压缩极端值。

在包括预热期的搜索数据中，能够算出有限值的比例由48.7%提高至97.8%，可计算IC的日期从806天增至968天。但训练期原始IC绝对值由10.63%降至2.27%。两式可用样本不同，不能据此直接比较预测强弱；它至少说明，计算更完整并不保证训练分数更高。两式均未入围后续大范围测试，因此尚不能判断改写是否提高了测试表现。

“成本锚加速”则是一个负例：以5日和20日成交量加权价格作为成本参考线，用真实波幅统一尺度，观察两线差距是否加速，再削弱高换手时的信号。思路可以解释，按训练方向计算的测试IC却为−0.307%。如果看到负值后再翻转方向，同一段历史便参与了第二次选择。

公式数量还会夸大信息的丰富程度。四组GP的入围公式、研报代表式和传统对照合计54条，去掉完全相同的公式后只有43种。不同公式之间，也可能仍在表达相近的反转或波动逻辑。

五、大规模自动因子挖掘的边界在哪里？

首先，搜索会忠实追随我们给出的目标。本研究主要奖励原始RankIC和ICIR，并惩罚公式深度。ICIR是IC均值与日间标准差之比，用来描述预测关联的稳定程度。这个目标没有直接奖励强基线之外的独立信息，算法便可能反复找到成熟规律的复杂变体。

覆盖率筛选也会影响结果。我们曾先取训练分数前500名，再检查覆盖率，发现只对少量股票有效的高分公式挤占了筛选范围。调整后，先排除不可能满足覆盖率的公式，再要求训练覆盖至少80%、平均绝对日相关低于0.90，门槛并未放宽。更严格的逐日覆盖评分只在60个体、3代的小规模实验中检验，本文1800个体、20代的结果尚不能代表该规则下的表现。

其次，搜索次数越多，越需要警惕偶然性。十多万次尝试足以产生历史上漂亮的公式，即使做多重检验，也不能凭一个随机种子、一次时间划分和128只搜索股票排除选择偏差。本文采用按时间划分的历史测试，后续仍需在研究方案确定之后，用尚未参与研究的新日期检验。

第三，数据口径会改变公式含义。本研究99.146%的换手记录采用普通换手率，与研报所用自由流通换手率不完全一致；历史数据是否全部能在当时取得，仍未完全核实，也未排除行业差异的影响。这些限制会影响因子比较和复现程度。

最后，预测关联必须经过交易检验。我们按下一交易日开盘入场、第5个交易日收盘退出，分别考察5、10、20bps的单边费用。10bps相当于0.1%。在数据完整的持有批次中，单边10bps时，各路线平均长短组合净收益均为负。

这一结果还不能推广到完整策略。每个因子计划162个持有批次，传统GP平均只有37.3个批次能观察全部多空成员的收益，现场反馈组为39.8个，函数组为43.2个。只要有成员收益缺失，我们就不计算该批次，没有重新挑股票或补零，因此可用批次仅约23%—27%。

负均值提醒我们交易成本可能侵蚀信号，但较低的数据完整比例，也限制了对全样本盈亏的判断。涨跌停能否成交、能否借到股票、资金如何连续持有，以及策略能容纳多少资金，都还需要进一步研究。

这些发现也改变了我们下一轮的研究顺序：明确预测目标与数据定义，检查公式覆盖多少股票，再检验已有模型之外的增量；修改公式时，比较样本变化与预测变化；最后判断成本和成交约束是否允许获利。

LLM已经能够帮助研究者提出假设、表达机制和修改公式，但本轮实验没有显示，它因此比传统GP找到了更多独立Alpha。下一步需要更直接地以独立增量作为搜索目标，扩大有代表性的搜索样本，并通过多随机种子、新日期和更完整的交易检验，判断它的表达能力能否转化为投资价值。