AI智能体因子挖掘系统化 vs 低频另类数据探索

0. 近月脉络

近几周灵感简报持续覆盖AI智能体因子挖掘（广发CogAlpha）、财务附注低频因子（广发）、订单聚集高频因子簇（国盛）、组合约束精细化（申万偏度峰度控制）等方向。本期广发金工的两篇报告分别将上述两条主线推到了新深度：CogAlpha首次给出完整的A股实证代码与性能对比，财务附注因子挖掘则系统性地将研发投入数据转化为行业特异性选股信号。申万宏源对波动率分域约束的迭代（两档→五档+动量中性）是此前偏度峰度约束系列（申万金工因子观察第12期）的延续变体。

1. 本期研究灵感 ⭐

灵感点1：全自动因子挖掘AI智能体CogAlpha的A股实证——大模型驱动的“生成-评估-进化”闭环
^[1]

• 灵感点：广发金工完整复现了近期顶刊论文CogAlpha框架（Cognitive Alpha Mining via LLM-Driven Code-Based Evolution），构建了一套“生成-评估-进化”全自动因子挖掘流水线。核心设计包括：七级智能体架构（从市场结构与周期到几何融合）、多样化生成提示词（5种改写模式）、多智能体质量检查器（代码检测+修复+语义评估+逻辑提升）、思维进化（大模型实现突变/交叉）及未来信息泄漏检测（时序截断单元）。实证使用DeepSeek-v4-pro和Qwen3-VL-235B，在全市场10日调仓周期内，前者因子RankIC均值2.15%，后者2.95%，均能生成有预测力的因子。但关键发现是：复杂的“突变+交叉”进化策略实际增益有限，大语言模型的创新能力主要表现为对训练语料的复现与参数微调；因子间相关性较高，同一智能体层级内趋向同质化。
• 出处：广发证券安宁宁/陈原文/林涛团队——专题报告《构建全自动的因子挖掘AI智能体》，是AI赋能因子挖掘的最新落地尝试。
• 启发/怎么用：这篇报告的工程价值比单因子结果更大——它提供了一套可复用的因子挖掘框架，研究者可以直接拿到自己的机器上跑。最值得关注的点：①七级智能体提示词模板（21个专用agent）可以作为“金融逻辑模板库”，自己在定义新挖掘方向时参考；②“时序截断”检测未来信息泄漏的方法非常实用——对任何因子代码都可以加这个测试；③“突变+交叉增益有限”的结论提示：当前大模型更擅长“复现已知逻辑的参数变体”，真正的逻辑创新仍需人工引导，不要期待“全自动生成全新逻辑”。研究者可以用这套框架做“辅助挖掘”——先让大模型生成一批候选因子，人工做二次筛选与逻辑验证。

灵感点2：财务附注中的低频Alpha增量——研发支出因子的行业特异性挖掘
^[2]

• 灵感点：广发金工从财务报表附注中提取研发投入相关数据（研发人员数量、资本化/费用化研发支出、营业收入等），构建了18个研发支出相关因子，在33个申万一级行业中进行季度/半年调仓测试。发现人均研发产出残差（机械设备行业季度RankIC 6.17%，ICIR 0.44）、研发资本化规模（化工行业季度RankIC 10.70%，ICIR 0.46）、资本化研发收入转化效率（计算机行业半年RankIC 7.27%，ICIR 0.45）等因子在特定行业上表现突出。数据来源仅为年报（4月30日以后可用），严格避免前视偏差。报告还强调因子效果集中在行业内部，全市场测试效果明显弱化。
• 出处：广发证券陈原文/安宁宁团队——《财务附注因子挖掘系列研究（一）》，是低频另类数据因子的系统化探索。
• 启发/怎么用：这篇报告的方法论价值在于提供了一个“从财报附注→行业特异性因子”的完整挖掘范式。研究者可以直接复用其框架：找到财报附注中的其他数据维度（如开发支出、在建工程、政府补助、应收账款账龄），对每个维度构建类似的“投入-产出”/“结构-效率”因子，然后在细分行业上做回测。尤其值得关注的是“资本化研发收入转化效率”——它衡量的是研发支出向收入转化的效率，逻辑上更接近“研发质量”而非“研发数量”。另一个可扩展的方向是将这些因子与高频量价因子做组合，利用其极低的相关性改善多因子模型的分散度。注意：这些因子仅适用于研发密集型行业（医药、电子、计算机、化工），在非研发行业效果有限。

灵感点3（补充）：组合约束精细化迭代——波动率分五档+高动量中性的综合方案
^[3]

• 灵感点：申万宏源延续对组合约束的精细化探索。在“波动率分两组”基础上提出升级方案：(1) 波动率分五组，分别设置0.7%~0.3%的线性个股偏离约束，效果优于分两组；(2) 高动量前10%组直接做中性（要求组合该组权重与指数一致），比“全组中性”更好——收益提升且回撤下降；(3) 将波动率五档分域与高动量10%中性叠加，四个多因子组合年化超额提升0.6%~1.0%，最大回撤改善约3%。该方案在2026年样本外也有正贡献。
• 出处：申万宏源邓虎团队——“申万金工因子观察第11期”，是此前波动率分域约束系列（第12期偏度峰度约束）的直接延伸。
• 启发/怎么用：这篇报告的实操价值在于给出了一个“立即可用”的组合构建改进方案。研究者可以在自己的指增优化器中直接添加两条约束：①对波动率分五组加线性偏离约束（0.7/0.6/0.5/0.4/0.3%）；②对动量因子得分前10%的股票，要求组合权重与指数中性。从分年度效果看，两方案在年份上有互补性，叠加后效果更稳定。值得警惕的是，该方法对沪深300效果欠佳（较多组合收益下降），更适合中证500/1000，且参数（分五组的偏离幅度）在不同年份需要滚动优化。

2. 方法论主题归类

• 模型与算法：广发金工 ^[1] 构建了AI智能体驱动的全自动因子挖掘框架CogAlpha，实证显示大模型能生成有预测力的因子但“进化”模块增益有限；长江金工 ^[4] 对AI大模型在量化中的应用做了综述（方法论口述，无实证）。
• 新因子构建：广发金工 ^[2] 从财务附注中挖掘研发支出相关因子，人均研发产出、研发资本化规模、资本化研发收入转化效率等在特定行业有效。
• 框架与方法：申万宏源 ^[3] 将组合约束从波动率两档升级为五档分域+高动量中性综合方案，为指增组合的精细化构建提供了可直接嵌入的工程方案。

3. 值得持续追踪的系列

• 广发金工 “财务附注因子挖掘系列”：第1期《从财务附注中寻找低频Alpha增量》 ^[2]，首期覆盖研发支出，后续可关注是否拓展到其他附注维度（开发支出、在建工程、政府补助等）。
• 广发金工 AI智能体因子挖掘：本期为CogAlpha框架的A股复现 ^[1]，可作为智能体因子挖掘的基准框架，后续可关注大模型迭代（更新版本的LLM）对因子性能的影响。
• 申万宏源 “申万金工因子观察系列”：已更新至第11期 ^[3]（2026/6），第12期 ^[3] 为偏度峰度约束，本系列持续迭代组合构建的精细化约束，可关注后续是否拓展到更多因子或市场状态。

附：补充信源

• ^[4] 长江金工 — 《海富通李自悟：人工智能重构量化投资》：基金经理口述AI应用思考，强调大模型从“工具”升级为“任务指挥官”和“多智能体协同”，虽无实证但提供了重要的实践视角框架。
• 本期其余报告（^[5][6][7][8]）为跟踪型周报（多因子选股周报、择时周报、因子周报、指增组合跟踪），无方法论或新因子创新。^[9]为产品分析（主动ETF），^[10]为研究成果列表，均非方法论研究。

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。