本文来源于量化小论坛策略分享会板块精华帖，作者为豆汁爸爸，发布于2025年2月23日。

以下为精华帖正文：

Quantitative Finance 这个期刊不错，里面很多论文都可以免费下载，时常出现一些有意思能启发人的论文。

今天讲的这篇是使用GPT-4生成因子的论文。文章作者号称生成的某些因子能达到66%年化，4.49sharp

01

背景

自动因子挖掘这事不新鲜，无论是用GA，还是用RL已经有了很多相关论文。但这些方法的问题是完全靠数据驱动，在经济方面缺少令人信服的解释，另外样本外数据的稳定性也是最关心的问题。

GPT模型的优势

与传统的数据挖掘方法不同，GPT（如GPT-4）基于知识推理，能够生成具有经济解释的因子，而无需依赖大量数据输入。这为因子生成提供了一种新的思路。与传统的数据挖掘方法相比，GPT生成的因子具有更强的经济解释能力，能够为投资策略提供有价值的见解。

02

研究方法

GPT-4模型与自主因子生成方法相结合，通过提供数据结构信息（如开盘价、收盘价、交易量等），让GPT生成新的因子，并直接输出计算代码。这些代码可以直接在Python中运行，生成投资策略。

因子生成过程

首先将ChatGPT定位为金融专家目标是获取可观收益(意味着提示词要含有角色)。为了节约GPT的计算开销，只告知它数据存储结构，不涉及具体数据内容。

GPT在进行描述时会故意描述的很模糊避免输出错误信息，但在描述因子表达式时这种描述是不行的。所以要用推理模式。

避免让GPT直接参与因子值计算，只让它推导因子计算式。

prompt样例

数据

GPT4训练数据截止到2021.9，因子的测试数据是2021.10-2022.12. 股票市场为美股。

03

实验结果

单因子组合表现

作者对GPT生成的35个因子进行了实证测试，测试期为2021年10月至2022年12月，股票计算因子值以后前50%做多，后50%做空（相当于把市场所有股票都参与交易额，这得有多少资金量！）。下图选出来的因子有大量不能用的亏钱因子，不过也有赚钱的因子，比如因子4，13，28，35都非常不错。

结果显示，大多数因子在多-空（long-short）组合中表现良好，其中因子28的年化回报率达到66.16%，夏普比率（Sharpe Ratio）达到4.49。在多（long-only）策略中，因子28的年化回报率为53.899%，夏普比率为1.9339。

多因子组合表现

作者还测试了将35个因子组合在一起的多因子投资策略。

一共测了两种组合方法：

静态组合：所有因子值min-max标准化，根据上小节单因子测试结果确定因子正负号，反作用的因子加符号，把这些因子值求算数平均数。

动态组合：所有因子值min-max标准化，每天根据每个因子的历史累计回报动态调整因子的权重，也像上面静态因子那样加正负号，然后求加权平均数。

在静态多-空策略中，组合的年化回报率为39.728%，夏普比率为2.4854，最大回撤（Max Drawdown）为7.1795%。在静态多策略中，组合的年化回报率为45.161%，夏普比率为1.6295，最大回撤为25.439%。

在动态多权重的多-空策略中，组合的年化回报率为37%，夏普比率为3.09，最大回撤（Max Drawdown）为6.11%。在动态多权重多策略中，组合的年化回报率为34%，夏普比率为1.3，最大回撤为22.944%。

在动态多空权重的多-空策略中，组合的年化回报率为30.0%，夏普比率为2.4478，最大回撤（Max Drawdown）为12%。在动态多空权重多策略中，组合的年化回报率为30.2%，夏普比率为1.264，最大回撤为29.177%。

04

写提示词的原则

生成因子提示词的9条原则

一、理解数据，向GPT明确数据结构和类型（如股票的开盘价、收盘价、交易量等），以及生成因子的需求（如投资目标、交易频率等）。

二、让GPT参考已知的金融技术指标，如移动平均线（Moving Averages）、布林带（Bollinger Bands）、MACD等。

三、将不同的技术指标或基础因子进行组合，创建复杂的因子。例如，将动量（Momentum）和波动率（Volatility）结合。

四、生成的因子基于特定的金融理论或投资哲学，例如价值投资、成长投资或市场效率理论。

五、对价格、成交量或其他数据应用数学或统计变换，如标准化、归一化、对数变换等。

六、对数据进行分组（如按股票、按时间）并应用滚动计算（如滚动平均、滚动标准差）。

七、生成因子后，通过回测、样本外测试和统计分析来评估因子的有效性，并进行必要的调整。

八、利用特定行业的知识、市场条件或公司特性来启发新的因子。

九、生成的因子需要能够从可用数据中计算出来，对噪声具有鲁棒性，并且适用于实际交易场景。

具有经济数学的可解释性的3条原则

一、GPT利用基础数学和统计属性来分析不同指标如何有意义地组合。例如，将一个衡量趋势的指标与一个衡量波动率的指标结合，可能会提供关于趋势市场动量的见解。

二、基于历史数据和行业实践，GPT可以对某些指标在不同市场条件下的行为做出合理猜测。

三、考虑一些通用性方法，GPT可以应用标准的数学和统计技术，如归一化、加权和统计相关性。

输入进GPT用于组合的基本指标在论文的table7。

与GPT的对话过程

按照上面的原则跟GPT对话是这样：

给GPT输入数据，把上面已有的指标输入进去，让GPT生成一个因子的代码。

把代码放到自己本地的回测框架中跑一下得到结果。

根据结果反馈给GPT，例如这个因子信号太频繁，降低信号灵敏度等，让它生成下个因子。

05

因子的经济解释

例如，某些因子结合了变化率（ROC）、累积/分配线（ADL）和商品通道指数（CCI），能够反映价格变化的速度、资金流向和价格偏离历史平均水平的程度。把计算公式输入给GPT可以直接让它生成解释。（这个功能好像对行业内工作的人更有用，毕竟要和boss解释因子为啥好使）。

06

论文复现

因为我没有GPT账号，先用Deepseek玩一个玩具版本的因子生成。日后有钱了本地部署再微调用deepseek也方便。

经过推理后deepseek得到的结果如下：

设计原理

波动率调整系数：使用高频波动率对后续指标进行动态缩放，在低波动时期放大信号，高波动时期抑制噪声。

量价收敛：通过成交量动量(VMO)与价格动量的差值识别虚假突破。

自适应布林带：突破强度根据波动率动态调整带宽，防止在波动高峰期的假突破。

MACD动量分层：对MACD进行非线性变换，在趋势延续时增强因子强度，反转时快速衰减。

复合运算：采用乘积而非简单加权平均，要求三个维度同时发出正向信号。

动态标准化：每日横截面标准化确保因子中性化。

回测建议及历史表现

持仓周期：5-10日（因子半衰期经测试约7日）

组合构建：多空对冲或行业中性分层

风控机制：当市场整体波动率超过历史90%分位数时自动降低仓位

该因子在历史回测中（使用SP500成分股2018-2022数据）表现：

年化夏普比率：2.1-2.3

最大回撤：-12.7%（2020年3月）

月度胜率：68%

换手率：约6倍/月

我这次测试为了方便，使用了worldquant的快速表达式测试功能：

测试结果，（黄线是测试集数据）这个因子有一定的信号sharp0.35还是不太令人满意。持股换手率高达52%，说明开仓信号较为频繁。2022年测试数据的表现也比较差。

接下来根据测试结果反馈给deepseek，让它尝试改进

deepseek提出的改进

一、市场状态自适应机制

使用ADX指标动态识别趋势市（ADX>25）和震荡市

不同市场状态下切换参数：

趋势市：使用动量逻辑（20日动量）+标准MACD参数

震荡市：使用反转逻辑（10日反转）+快速MACD参数

二、波动率计算优化

引入成交量加权的HL波动率：(high/low -1)*log(volume)

波动率调整系数范围扩大到[0.3,3.0]，增强极端行情适应性。

三、回撤控制模块

当市场20日均收益为负时，通过指数衰减因子强度：exp(-3 * market_ret<0)

在2020年3月和2022年下行阶段自动降低风险暴露。

四、换手率控制技术

5日信号平滑处理：adj_factor.rolling(5).mean()

交易成本惩罚项：1/(1+0.05*|Δfactor|)，抑制小幅波动产生的交易。

五、非对称MACD增强

趋势市中：MACD在信号线上方时放大趋势强度（比率形式）

震荡市中：MACD在信号线下方时生成反转信号（负向绝对值）

上述改进如果全都加进去因子就太复杂了。我只选择了2，并且把计算所有均值是时间窗口加大，把因子值做了5日平滑。结果如下

Sharpe1.14 Turnover22.96% Fitness1.31 Returns30.10% Drawdown31.15% 各项指标均有显著改善。不足是2018-2019不赚钱了。

为了进一步改善，把因子作为y市值作为x进行线性回归，取残差作为新因子值，消除了市值影响。效果如下：