智能体自动化因子挖掘、财务附注另类Alpha与组合约束精细化三维突破

1. 本期研究灵感 ⭐

灵感点 1：CogAlpha框架全还原——将LLM智能体与进化计算结合，实现全自动、可解释的Alpha因子挖掘
^[1]

• 灵感点：广发金工完整复现了近期顶尖论文CogAlpha框架的核心架构：七级智能体层次结构（市场结构、极端风险、量价动态等）系统化划分因子搜索空间，每个智能体通过提示词获得特定金融视角，独立生成因子代码。核心创新在于用大模型（DeepSeek-v4-pro和Qwen3-VL-235B）取代了传统遗传编程的固定算子，通过“突变/交叉”操作在自然语言空间中实现因子进化，实现从“手工挖因子”到“AI全自动挖因子”的范式跃迁。实证中两模型分别生成136个和66个因子，Rank IC均值2.15%和2.95%。报告还坦诚讨论了局限性：AdaptiveFeedback模块的回测噪声问题、因子的同质化趋同、“突变+交叉”实际增益有限等。
• 出处：广发金工安宁宁/陈原文/林涛团队 —— 完整复现并针对A股市场优化了CogAlpha框架，这是国内卖方首次系统性地落地此类研究。
• 启发/怎么用：这篇报告的价值不仅是“自动化因子挖掘”，更在于提出了可复现的“生成-评估-进化”流水线和严谨的工程实现细节（包括时序截断防未来函数、质量检查流水线、代码提取与解析）。研究者可以站在这个框架基础上做三件事：一是替换七级智能体的提示词模板（比如把金融逻辑具象化为量价公式），探索更细分的因子方向；二是在“思维进化”环节引入更有效的多样性激励（如设置不同调仓周期、标的池），解决因子同质化问题；三是将该框架迁移到另类数据（如公告文本、舆情）的因子化场景。报告坦诚指出的“LLM创新主要体现为训练语料的复现与参数微调”，也提醒研究者对纯AI挖掘的因子需做严格的逻辑独立性和稳定性检验。

灵感点 2：财务附注中的低频Alpha——研发支出相关因子挖掘体系
^[2]

• 灵感点：跳脱传统财务数据的“三大报表”框架，深入财务附注中挖掘研发端信息，构建了18个研发相关因子，涵盖研发效率（人均研发产出）、研发结构（资本化/费用化比例、资本化规模）、动态转化（资本化研发收入转化效率）等新维度。关键发现：因子主要在行业内部有效（而非全市场），且在特定行业中效果突出——如“人均研发产出残差因子”在机械设备行业季度调仓Rank IC达6.17%、ICIR 0.44；“资本化研发收入转化效率因子”在计算机行业半年调仓Rank IC达7.27%、ICIR 0.45。报告严格遵循信息可得时点（每年4月底后确认数据可用）防止前视偏差。
• 出处：广发金工陈原文/安宁宁团队 —— “财务附注因子挖掘系列研究（一）”，聚焦研发投入的因子化建模。
• 启发/怎么用：这是“另类数据因子挖掘”的一个经典范式——选择被市场忽视的数据源（财务附注），提出有金融逻辑的因子（研发效率、结构、转化效率），并精细到行业维度测试（而非简单的全市场IC盘点）。做基本面量化的团队可直接复用这套方法论：一是将研发因子纳入现有低频因子体系，与成长类、低估类、盈利类因子低相关；二是将“行业特异性”的处理方法推广到其他附注科目（如折旧摊销、应收账款账龄、政府补助等），构造类似的“附注因子簇”；三是在半年调仓频率下（因子更稳定），可尝试与动量类、低波类因子做复合。

灵感点 3：组合优化精细化——从波动率五档分域到高动量中性化的综合约束改进
^[3]

• 灵感点：申万宏源在前几周“因子分域约束”研究的基础上进一步深化：一是将波动率分两档升级为分五档（个股偏离约束从0.7%线性递减到0.3%），实证效果优于两档；二是提出“仅对动量得分前10%的股票做中性化”而非全动量中性化，收益回撤同时改善（超额提升0.3%~0.5%，最大回撤改善1%~3%）；三是将两种方案叠加形成“波动率五档分域+高动量中性”的综合方案，在四个多因子组合上超额比单一方案改进更显著（年化超额提升0.6%~1.0%），且2026年样本外测试表现良好。报告还测试了沪深300、中证1000上的效果，发现沪深300上效果弱于中证500/1000。
• 出处：申万宏源杨俊文/邓虎团队 —— “申万金工因子观察第11期”，是上一期“因子分域”系列研究的延续与深化。
• 启发/怎么用：这个系列是典型的“组合优化层面的精细化改进”，不依赖新因子，而是改变优化器中的约束条件。核心启示：在某些因子（如低波、低流动性）上，约束松紧与超额收益之间存在单调性；而在动量因子上，则需要“部分中性”而非“放松约束”。研究者可直接复用其思路：对自家多因子组合做“波动率五档分域”与“高动量前10%中性”的组合测试，优化组合的收益-回撤效率。此外，该框架在中证1000上效果优于沪深300的发现，也提示风格类因子约束改进在市场宽度更大的小盘指数上更有发挥空间。

灵感点（补充）：AI在量化投资中的应用理念——从暴力挖掘到逻辑驱动，从归纳到演绎
^[4]

• 灵感点：海富通基金经理李自悟系统分享了AI大模型对量化投资的四大核心变革：非结构化数据处理补齐传统量化短板；因子挖掘从“暴力遍历”转向“逻辑驱动”（大模型可研读论文、研报指导因子迭代方向，而非盲目组合测试）；投资推理范式从“归纳思维”转向“演绎思维”（实时市场信息主动推演，适配主题行情）；以及多智能体自主循环迭代的Auto Research模式。
• 出处：长江证券金融工程团队 —— 海富通基金经理李自悟分享。介绍了微软框架的落地实践案例（因子挖掘自动化实现小时级迭代）、产品层面的策略迭代（将AI新策略从300系列产品开始逐步移植）。
• 启发/怎么用：虽然这是基金经理的宏观理念分享而非卖方研报的完整方法论，但其中“因子挖掘从暴力到逻辑”的判断与广发CogAlpha框架^[1]形成呼应，表明业内头部管理机构对AI赋能因子研究的共识。研究者可重点关注“演绎思维”对传统均值回归量化框架的补充价值，尝试在主题行情判别、事件驱动策略中引入LLM的实时推理能力，与传统的统计模型形成互补。

2. 方法论主题归类

• 模型与算法：广发金工完整复现CogAlpha智能体因子挖掘框架，实现LLM驱动的大规模因子全自动生成与进化^[1]；长江金工报告隐含了AI智能体从暴力挖掘到逻辑驱动的范式转变思路^[4]。
• 新因子构建：广发金工从财务附注中挖掘18个研发支出相关因子，聚焦“人均研发产出”“资本化研发收入转化效率”等低频Alpha增量^[2]。
• 框架与方法：申万宏源在组合优化层面提出“波动率五档分域+高动量前10%中性”的综合约束改进方案，将分域约束从两档扩展至五档、并引入部分中性化理念^[3]。

3. 值得持续追踪的系列

• 广发金工“财务附注因子挖掘系列”：首期《财务附注中寻找低频Alpha增量》^[2]，聚焦研发投入因子，后续可追踪该系列是否会拓展到其他附注科目（如折旧、应收账款、政府补助）。
• 申万宏源“申万金工因子观察系列”：第11期《因子的偏度研究初探》^[3]，延续对组合优化约束的精细化探讨，是“因子分域”方向的深化。
• 广发金工AI因子挖掘方向：首次完整复现CogAlpha框架^[1]，可关注其后续是否推出升级版本（如引入更多层次的因子搜索空间、或迁移至港股/期货市场）。

附：补充信源

• ^[3] 申万宏源 — 因子的偏度研究初探：提供了“波动率分五档+高动量前10%中性”组合约束的完整回测框架，可直接复用作指增组合优化参考。

---

本报告为卖方金工研究的灵感摘录，方法与结论以各家原始报告为准，不构成投资建议。