【精选研报】【方正证券】金工研究专题报告:探遗传规划因子挖掘:基

📄 本文PDF完整版已上传云盘，点击链接保存后可随时查阅：https://pan.quark.cn/s/cdff3d0327d6

纯 LLM 挖因子质量够用，但贵、慢、还容易长得像；把 LLM 只嵌进遗传规划的初始化、变异和精英修剪三处，质量能贴近纯 LLM，时间大幅缩短，种群多样性还更好。

这件事现在值得看，是因为传统 GP 已经卡在两个结构性瓶颈上：表达式越长、适应度不跟涨的膨胀，以及语法合法、经济逻辑却站不住的语义失范。样本内 IC 好看，样本外更容易失效。LLM 进来之后，行业从“符号空间乱搜”转向“带着金融语义搜”，但全流程交给大模型又会把成本和同质化一起抬上去。后文就沿这条主线走：为什么混合比两端都划算、挖出来的因子到底稳不稳、接下来该盯什么。

为什么是现在：语法合法已经不够

前序工作已经把 gplearn 和 Dask 做成日频、分钟频混输的高频挖掘框架。剩下的硬伤更隐蔽。

遗传规划只要表达式树语法过关就能进下一代。树在代际里越长越繁，适应度却未必同比例提升；更麻烦的是，因子可以在样本内 IC 很好，表达式却没有经济逻辑，样本外失效风险偏高。

LLM 的角色被写成“具备金融领域知识的量化分析师”：按语义逻辑构造因子，而不是在参数空间盲目搜。已有路线包括用 LLM 替换遗传算子的 LLMGP、加适应度引导交叉与多样性引导变异的 LLEGO、MCTS 树搜索的 AlphaJungle、七层 21 智能体的 CogAlpha，以及把整条挖掘流程当“轨迹”来交叉变异的 QuantaAlpha。方向已经清楚：认知推理要和符号搜索绑在一起，而不是互相替代。

混合框架怎么卡质量、效率和多样性

底座仍是 gplearn。LLM 只进三个环节，介入程度全部收成超参数。

初始化用 LLM-GP 混合：GP 负责符号空间覆盖的广度，LLM 负责金融语义的深度。变异把 LLM 语义变异当成第五种算子，和原生四种变异并行竞争——随机探索和语义精炼分工。精英修剪上 TEDE（Trigger-Evaluate-Decide-Execute）四阶段：触发、评估、决策、执行，让 LLM 对精英表达式做语义审查和结构精简。

实验结论写得很硬：混合策略因子质量接近纯 LLM，运行时间较纯 LLM 大幅缩短，种群多样性显著优于纯 LLM。受益的是要持续供因子、又受算力和同质化约束的量化团队；受损的是只靠堆表达式复杂度、没有语义约束的纯 GP 流水线，以及把每一次初始化、交叉、替换都打满 API 的纯 LLM 方案。

挖出来的 20 个因子，数字并不含糊

在这套框架上盘点了 20 个低相关性的 LLMGP 因子。近三年单因子 5 日 Rank IC 平均 6.14%，ICIR 平均 1.95，多空组合年化收益率平均 30.96%，信息比率平均 2.02。RankIC 均值和多空对冲收益被写成表现稳健。

相关性矩阵给出的是另一层信息：因子之间并非一团高相关。例如 llmgp_008 与多数同伴的相关明显偏低（与 llmgp_001 为 24.18%，与 llmgp_007 为 20.05%，与 llmgp_010 为 14.55%），组合时增量信息更值钱。这对应报告后续方向里反复强调的一点：在更丰富的特征空间里挖，提升因子库多样性与增量信息含量。

谁会受益：需要可解释表达式、又能把多空和 ICIR 落到组合层的选股与指增研究。谁会受损：样本内 IC 好看、表达式膨胀、样本外逻辑对不上的“黑箱树”。