ARTICLE · 1344376
Pdf2Fac:因子蒸馏Skill搭建及评测 | 国联民生金工
- 报告摘要 -
SUMMARY
➤ Pdf2Fac把“还没被量化”的投资知识变成“可检验”的因子，是Alpha挖掘的另解。
➤34部语料13216页蒸馏出649个因子；精选12因子复合组合费后年化超额 +17.0%、信息比率1.47。
➤未来因子挖掘或进入“MOE”架构，循环型、材料型、直觉型等多种形态并发存在。
01
CHAPTER
AI 因子挖掘框架的成熟正在抹平“生产因子”的门槛。今年以来，以RD-Agent为代表的自动化因子挖掘框架快速普及，公开因子库与传统因子思路正被越来越多的投资者以更低的成本获取和使用。当因子本身趋于公共品化，依赖公开因子的策略大概率更快走向拥挤，超额收益的护城河也将加速瓦解。
未来Alpha的挖掘关注两个来源：独特的因子材料，或独特的因子逻辑。前者依赖私有信息与另类数据独占供给；后者则来自尚未被量化、未被广泛编码的投资思路——它们部分分散在从业者的经验文本中，无法被数据挖掘框架直接发现。
我们开发的Pdf2Fac Skill瞄准的是后者：把“还没被量化”的知识变成“可检验”的因子。比如A股短线交易知识大量沉淀在非结构化文本中：贴吧精华帖、操盘手回忆录、交割单、量价分析与交易系统专著。这些文本包含大量可检验的交易规则，但传统人工阅读无法系统化地提取、验证与沉淀。Pdf2Fac的目标是把「读书 → 提炼 → 验证 → 入库」这一链路工程化：一本书从PDF到入库因子清单全程自动化，无需人工介入。
与数据驱动的因子挖掘相比，文本蒸馏的因子自带金融含义与原作者的背书。同一规则若被多位作者提出，其可信度显著高于纯统计挖掘的匿名相关性。
02
Pdf2Fac Skill搭建
2.1Skill架构与工作流
系统按「文本层 → 提炼层 → 转化层 → 回测层 → 精选层 → 精修层」六层组织，各层之间以文件/数据为契约。这样的分层使每一层都可独立替换：换OCR引擎不影响提炼，换数据库不影响回测，换提示词不影响已入库的因子。
2.1.1 文本层：多路径选型
文本层负责把 PDF 变成机器可读文本。文本化的两条路径按PDF类型自动选择：内嵌文字层的PDF直接抽取；扫描件走OCR引擎。选型阶段我们对比过 MinerU、PaddleOCR、Tesseract与云端视觉模型：MinerU版面解析强但部署重、PaddleOCR需本地环境、Tesseract中文竖排与表格弱、云端VLM有成本与出域问题、Vision OCR系统级免费、中英混排稳定。
文本层的首要判据是“书是什么形态”。直抽和OCR判断中有一个隐蔽陷阱是“假文字层”——部分PDF的文字层只有水印文字，直接抽取会拿到错误内容，因此抽取后必须按页均字符量抽样校验，异常者升级为OCR处理。
2.1.2 提炼层：大模型按模板逐书提炼
提炼层把文本变成结构化因子卡。每本书启动一个提炼子Agent，按固化提示词模板产出两类文件：逐章AI总结与因子卡清单（六字段硬格式：类型/定义/构建/频率/数据需求/原文依据）。提示词明确可用数据边界（A股日频行情、市值、TTM财务、宽基指数、中信一级行业）与提炼纪律（不提炼纯心态哲学类内容；无法落地的不强行拼凑、推断型须标注来源类型并给出证据链）。
2.1.3 转化层：从因子卡到可执行代码
转化层把因子卡变成可回测的代码。因子卡是写给机器读的结构化文本，但“放量2倍”、“跌破平台”这类表述要成为可回测的数学定义，中间涉及较多隐含设定：价格口径如何选取、窗口是否包含当日、缺失值（NaN）如何处理、行业映射缺失的标的如何归类。上述设定需在代码中明确并固化。
转化子代理的工作方式是“照模板写码+真数据自测迭代”。转化子代理读因子卡与builder API文档（.md），每本书生成确定性的Python builder文件，每个因子注册一个函数，函数输入为底层数据，输出为标准规格的因子值，并在小样本数据上完成自测运行。若发现问题，子代理进行修正，直至测试通过后交付。
2.1.4 回测层：四类内核×可成交口径
回测层负责给因子客观评价，与转化层完全解耦。由于材料涉及的策略类型广泛，我们允许LLM抽取四种因子类型：择时、截面、轮动、筛选。四个回测内核共享同一底层数据库（个股行情透视表、市场情绪序列、行业面板、TTM时点财务）。可成交口径：T+1开盘价进场、剔除一字涨停不可买、一字跌停递延卖出；基准按大盘沪深300、小盘中证2000 映射。可成交口径是回测可信度的保证，四条硬规则全部由引擎统一执行、builder 无权绕过。
2.1.5 精选层：类型化阈值 + 人工并集
精选层把“能看”的因子归集成册，四类阈值的设计逻辑各有侧重。四类因子各有筛选阈值，过线者自动导出绩效图与图文报告。精选层还承担一项口径裁判职责：池子规模标注与迷你池改判。截面因子按中位在池股数审计，迷你池因子截面统计不可信，统一改判为筛选口径的因子重测。
2.1.6 精修层：对因子的进一步参数调优
分精修层回答“参数还能不能更好、敢不敢信”。 因子从书中蒸馏而来时，阈值大多是AI依语境拟定的设计值（原书极少给精确数字），天然存在调优空间；但调参又较为容易过拟合。精修流程为三段式：LLM 出计划、人工决定是否启动、代码做确定性扫描。计划子代理读builder源码，产出参数化变体与候选清单，计划落盘为JSON供人审阅；不带确认标志运行时只打印计划不执行；确认后执行器做参数扫描，批量模式一次加载数据顺序跑完全部计划，已有报告的跳过。将筛选后的参数回写至生产环境builder，并重新运行入库流程；同时引入分样本对照与参数孤立峰检测，以降低过拟合风险。
2.2蒸馏机制详解：提示词、转化与质控
2.2.1 提炼提示词：七结构块约束产出
提示词模板由七块构成：任务与双产物、因子卡六字段硬格式、提炼纪律、可用数据边界、阅读方法、回复约束、按书微调变体。另设深度推断模式：允许大模型从多处原文论述中推导作者未明说的因子逻辑，但须标注来源类型并给出≥2处独立证据链，聚合器对证据不足者将拒绝。
按书微调解决的是“书与书形态差异”的问题。技术分析类概念没有阈值，特许“阈值由你设计参数化版本并在构建栏写清公式”；百万字级长文严禁顺序通读，改用关键词定位规则密集段落；交割单强调“单笔交割单不是规则，注解中反复出现的模式才是”；多人合集要求原文依据注明出处人物；非投资书允许零因子结论。
2.2.2 三种转化模式与取舍
因子卡到代码按原文形态分三类：直译型、参数化型、抽象型。在保真度处理上另有三条策略：直取（规则与阈值原文明确，照译）、近似（不可得数据以日频代理承载，注明信息损失）、改判（迷你池截面 IC 统计不可信时改判为筛选口径回测）。近似与改判可叠加于任何一类，取舍原则是优先降级处理、确保不失实——所有近似与改判都在因子卡与代码注释中留痕。
三类内容被纪律性舍弃：纯心态哲学（无法写成条件）、数据不可得的规则（提炼阶段即弃，不进库）、依附持仓的执行纪律（无独立入场信号）。
03
Pdf2Fac Skill实测
CHAPTER
3.1实测过程：13216页及649个因子
实测分两批共34部语料，13216页，共提取649个因子。书籍资料包括短线交易与书籍25本、《巴菲特致股东的信》全集、量化与价值投资相关8本，覆盖短线交易、交易系统、量价分析、交易纪实、交割单、价值投资、策略百科、量化交易体系、因子方法论、卖方策略框架、盈利质量与对冲基金访谈。全部依次经过文本化、提炼、入库、builder 实现与全区间回测（2010-01至2026-08），全程无需人工干预。
3.1.1 因子类型与特点
产出效率取决于内容密度，而非页数。方法专著单本产出20-30个因子；叙事类纪实四部合计仅63个；访谈录与概览产出个位数且以推断型为主。因子分布上筛选类因子较多，轮动类因子最少。
跨书交叉验证与学术构造复现是有效因子的重要来源。择时类中“市场温度”在两本书籍中都有独立提出，回测绩效一致，是跨书交叉验证的典范。截面类由学术专著显著补强：特质波动率、异常换手率、锚定反转。
择时类因子评价的核心是“什么时候该在场内”。以市场情绪指标为绝对主力——涨跌家数比、涨停溢价、晋级率等温度计式信号在多本互不相关的书中被独立发明，构成文本蒸馏独有的置信度来源。
轮动类以“主线识别+板块效应”为共同主题。中信一级行业只有30个选项，单看超额容易被个别年份的题材大年抬高，因此精选设“超额+胜率”双门槛。入选因子的共同主题是“主线识别”：指数与板块共振确认、板块内上涨标的占比扩散、领涨行业集中度提升，均属于对主线形成初期特征的量化刻画。
筛选类因子是事件驱动股票池，收益最高、方差也最大。全部结果已是可成交口径，但表观年化200%+的高频打板策略对成本极度敏感，实际效果有明显折扣。
截面类因子给全市场股票打分排序，评价看IC与ICIR。结构上有两个值得注意的现象：交易心得语料的截面因子以回避型为主；而学术专著显著补强正向侧。
3.1.2 前视偏差的机制与审计
前视防护以“约定+抽检”为主。防护分三层：引擎层统一执行滞后（择时信号滞后一日、T+1开盘进场），builder只输出当日收盘可知的信号；数据层对TTM财务按公告日时点正确对齐；规范层在builder API文档中约束并由子代理自测。
3.1.3 因子质量：结构化规则
没有纯算子拼出来的“无意义因子”。34个builder文件共18472行、649个注册因子，平均每因子约29行。复杂度四档：单条件规则（不足两成）、多条件打分（吸筹五分制、F-Score 八项）、状态机（MACD谷底回撤、牛熊攻防切换）、统计构造（市场模型残差、KNN收益预测）。因子的存在性由文本逻辑背书而非数据挖掘产出，每个组件可回溯原文段落。
3.1.4 材料忠实度与幻觉控制
证据链闸门与方向纪律保障“读的是书，不是想象”。证据链强制是第一道闸：明示型必须附原文引用，推断型需≥2处跨章独立证据。方向纪律上忠实优先于绩效：多个因子实测与原文相反时保留原方向。书籍内容由提炼代理按实际内容提炼并显著标注，以降低按书名臆测导致的内容错配风险。残留的幻觉风险主要在阈值：原书较少给精确数字，阈值为AI依语境的设计值，由精修层的孤立峰检测部分校验。
3.2精选因子案例
3.2.1 择时案例：40/20通道突破择时
来源：《量化交易策略》
原文：「enters long when a market's close is the highest close of the past 40 days… Longs are exited if today's close is the lowest close of the past 20 days.」
提炼因子：中证1000收盘创40日新高且站上120日均线时做多，创20日新低离场；信号次日开盘成交（T+1），双边千3计费。
回测绩效：策略年化13.7%、超额 +4.6%、夏普0.90、最大回撤−28.8%（基准中证2000，2010-01-04至2026-10-30，有效交易日4068天，T+1开盘成交、双边千3）；年均调仓约3.5次。
3.2.2 轮动案例：指数大阳线-板块共振主线
来源：《短线交易书籍1》
原文：「当指数和一个题材共振走出来的时候一定要特别重视，极大概率是新的主线题材」
提炼因子：宽基指数单日涨幅≥1.5%且放量当日，取中信一级行业涨幅第一名作为共振主线买入；排名连续3日跌出前10或出现新主线则退出。
回测绩效：多头年化66.0%、超额 +29.6%、胜率48.0%（中信一级行业等权基准，2010-01-04至2026-10-30，有效交易日4068天）。
3.2.3 截面案例：利润现金含量
来源：《巴菲特致股东的信》1980年信
原文：“Our acquisition preferences run toward businesses that generate cash, not those that consume it… we remain leery of businesses that never seem able to convert such pretty numbers into no-strings-attached cash.”
提炼因子：现金含量 = 经营现金流TTM/净利润TTM。入池条件：净利润TTM>0且现金含量≥0.6，即经营现金流基本覆盖净利润；按现金含量降序取前 10%。做多“账面利润能变成真金白银”的公司。
回测绩效：Rank IC +0.017、ICIR +0.19、IC>0 占比 58%（全A月频，2010-01-04至2026-10-30，有效交易日4068天）；十分组单调性成立。作为巴菲特质量家族的代表因子，强度温和但方向稳健。
3.2.4 筛选案例：低关注度+基本面改善
来源：《策略投资》
原文：「对于中长线的投资者和机构投资者来说，应该首先选择投资圈缺少看法、股票市值低、并且基本面确实很好或者正在变好的股票。这样可以获得双倍收益……每股收益增加50%造成股价上涨50%，但市盈率从10倍涨到30倍，会使得股价上涨200%，两者的综合作用造成股价上涨350%」
提炼因子：关注度以MA20成交额代理，取横截面后20%为“低关注”；基本面改善 = 净利润TTM>0且同比增长>20%。入选 = 低关注∩改善，按净利同比降序取前50，持有120个交易日。
回测绩效：组合年化+18.9%、超额+12.0%、夏普0.75、最大回撤−59.6%、胜率56.9%（基准中证2000，2010-01-04至2026-10-30，有效交易日4068天，总笔数9929笔，持仓覆盖率99.5%）。
3.3组合构建实证
本节我们将蒸馏得到的因子进行组合测试，评估本轮蒸馏最终产物。回测口径：双边千3费后、基准中证2000、信号T+1开盘成交；训练期（2010-2023）定参数、2024隔离、验证期（2025-01至2026-10）。
3.3.1 策略构造
月度层（复合打分）：12个精选截面因子在月末做截面rank标准化（NaN 转0），按IC定符号、|ICIR|定权重加权求和得复合分，取前200名为当月候选池。
日频层（回避增强）：情绪回避因子WXM-F07经距离修正（f′=−|rank_pct−0.15|，峰位由训练期最优分组定）并做5日平滑后每日打分；最终分=底仓rank + 0.3×回避rank，候选池内持有前100只。
执行：等权建仓；排名缓冲120名（跌出才卖）、单股票最短持有5个交易日；T+1开盘价成交，剔除上市不足120日/停牌/一字涨停/ST股票。
3.3.2 因子明细
精选因子既涵盖基本面质量类因子，也涵盖波动率、换手率等传统风险溢价因子，以及短线思路中的市场强弱判断类因子。
3.3.3 回测绩效
策略在全样本内取得年化收益25.5%、费后年化超额（中证2000，2013年末前以中证1000承接）+17.0%、信息比率1.47、跟踪误差10.3%、超额最大回撤−22.1%、月胜率65%、月均换手268%。分窗口看，验证期（2025-01至2026-10）超额+12.3%、IR0.62，较训练期（+17.2%、1.69）有所回落，主因2026年10月小盘风格回调。整体而言，本实验获得的因子有一定的有效性。
短线交易类数据的挖掘结果偏向小微盘策略。本轮蒸馏的12因子复合增强组合在结构上由“截面质量＋过热回避”驱动，Alpha 与小盘风格暴露同源；超额回撤的主因是换手费用与动量暴露。就本轮蒸馏的整体效果而言：文本语料中确实存在可机采的截面 Alpha。整体因子类型与RD-Agent类挖掘框架的“算子融合”型因子差异明显，是多样化因子池的有效补充。
04
总结与展望
CHAPTER
我们构建的Pdf2Fac Skill证明了「投资书籍→可检验因子→组合」的全自动化路径可行。共34部语料蒸馏649个因子，616个完成全区间回测出图，12个精选的截面因子合成的100只股票组合在双边千3成本下费后年化超额+17.0%（IR1.47）。Skill将沉淀于文本信息中的交易/投资思路自动转化为了可评估的量化因子，并进行了回测验证。
这标志着因子挖掘进入“MOE”架构，未来因子挖掘将由循环型、材料型、直觉型等多种形态并发存在。循环型即RD-Agent类自主循环迭代的因子挖掘器；材料型就是本报告所提出的Pdf2Fac类提炼思路并验证的框架；直觉型目前尚未出现，但我们认为是重要的开拓方向，通过向LLM输入数据特征，令LLM自然产生数据直觉后进行因子挖掘。多路专家并行的因子挖掘框架或有助于提升因子来源的多元性、新颖性、有效性，是未来量化团队的重要基础设施。
后续工作沿四个方向展开：一是共识因子，跨书同构因子合并单独建档；二是组合深化，风格中性化约束与择时/筛选因子风控叠加；三是新语料，经典文献/小众心得帖继续扩充方法论覆盖；四是精修滚动化，随数据更新定期重估采纳参数有效性。
05
风险提示
CHAPTER
1）量化结论基于历史统计，如若未来市场环境发生变化不排除失效可能。本篇研究中所有因子的回测表现均基于A股历史数据测算，若未来市场结构、行业风格或交易制度发生显著变化，相关因子组合的样本外表现可能不及预期。
2）LLM生成代码存在错误的风险，模型也有过拟合风险。大模型存在偶有臆造数据字段、忽视前视偏差等问题，需人工抽检与防御式校验。因子筛选与组合基于历史表现，可能放大样本外表现的不确定性，有过拟合的可能。
3）LLM挖掘因子具有一定随机性，报告中得到的因子仅代表单次运行结果，不保证可再次按顺序挖到。模型的逻辑抽取和代码编译等环节由于大模型的随机性不可保证每次挖掘都得到相同因子。
报告信息：
叶尔乐 S0590525110059 yeerle@glms.com.cn
本文来自国联民生证券研究所于2026年11月10日发布的报告《Pdf2Fac：因子蒸馏Skill搭建及评测》，详细内容请阅读报告原文。
重要提示
《证券期货投资者适当性管理办法》于2017年7月1日起正式实施，通过本微信订阅号/本账号发布的观点和信息仅供民生证券的专业投资者参考，完整的投资观点应以国联民生证券股份有限公司（下称“国联民生证券”）发布的完整报告为准。若您并非国联民生证券客户中的专业投资者，为控制投资风险，请取消订阅、接收或使用本订阅号/本账号中的任何信息。本订阅号/本账号难以设置访问权限，若给您造成不便，敬请谅解。国联民生证券不会因为关注、收到或阅读本订阅号/本账号推送内容而视相关人员为客户；市场有风险，投资需谨慎。
免责声明
国联民生证券股份有限公司（下称“国联民生证券”）已获中国证监会许可的证券投资咨询业务资格，本平台推送观点和信息仅供国联民生证券研究服务客户参考，完整的投资观点应以国联民生证券研究所发布的完整报告为准。若您非国联民生证券研究服务客户，为控制投资风险，请勿订阅、接受、转载或使用本平台中的任何信息，若给您造成不便，敬请谅解。国联民生证券不会因订阅本平台的行为或者收到、阅读本平台推送内容而视相关人员为客户。任何未经国联民生证券同意或授权而对本平台内容进行复制、转发或其他类似不当行为均被严格禁止。对于使用本平台包含信息所引起的后果，国联民生证券概不承担任何责任。
本平台及国联民生证券研究报告所载资料的来源及观点的出处皆被国联民生证券认为可靠，但国联民生证券不对其可靠性、准确性、时效性或完整性做出任何保证。本平台推送内容仅反映国联民生证券研究人员于发出完整报告当日的判断，本平台所载的资料、意见及推测有可能因发布日后的各种因素变化而不再准确或失效，国联民生证券不承担更新不准确或过时的资料、意见及推测的义务，在对相关信息进行更新时亦不会另行通知。在任何情况下，本平台所载信息、意见不构成对任何人的投资建议，所述证券或金融工具买卖的出价或征价，评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。本平台所包含的观点及建议并未考虑获取本平台包含信息的机构及个人的具体投资目的、财务状况、特殊状况、目标或需要，客户应当充分考虑自身特定状况，进行独立评估，并应同时考量自身的投资目的、财务状况和特定需求，必要时就法律、商业、财务、税收等方面咨询专家的意见，不应单纯依靠本报告所载的内容而取代自身的独立判断。在法律允许的情况下，国联民生证券及其关联方可能持有本平台推送内容中提及的公司所发行证券的头寸并进行交易，也可能为这些公司提供或正在争取提供投资银行、财务顾问、咨询服务等相关服务。客户应充分考虑可能存在的利益冲突，勿将本平台推送内容作为投资决策的唯一参考依据。对任何直接或间接使用本平台所载信息和内容或者据此进行投资所造成的任何一切后果或损失，国联民生证券及/或其关联人员均不承担任何形式的法律责任。
法律声明
本微信号及其推送内容的版权归国联民生证券所有，国联民生证券对本微信号及其推送内容保留一切法律权利。未经国联民生证券事先书面许可，任何机构或个人不得以任何形式转载、翻版、复制、刊登、发表、修改、仿制或引用本订阅号中的内容。任何订阅人如引用或转载本平台所载内容，务必注明出处为国联民生证券研究所，且转载应保持完整性，不得对内容进行有悖原意的引用和删改。转载者需严格依据法律法规使用该文章，转载者单方非法违规行为与我司无关，由此给我司造成的损失，我司保留法律追究权利。
