华泰金工 | GPT因子工场2.0：基本面与高频因子挖掘

本研究在前期呈报《GPT因子工场：多智能体与因子挖掘》（20240220）的基础上，将大模子因子挖掘推广至基本面与高频因子挖掘场景。本文持续沿用前期呈报中的多智能体架构，中枢更变在于针对基本面与高频因子定制化设商量子，以尽可能保证因子抒发式的合适逻辑。从搁置上看，GPT因子工场2.0在基本面因子挖掘中流露尚可，在高频因子挖掘中流露优异，因子辩论性均普遍偏低。此外，本文左右GPT因子工场产出的因子进行指增战略实践，基于高频因子构建中证1000指增战略（回测区间20161230- 20240920），年化逾额收益率为31.32%，信息比率为4.20，战略后果较为出色。

中枢不雅点

]article_adlist-->

东说念主工智能82：GPT因子工场推广至基本面与高频因子挖掘

本研究在前期呈报《GPT因子工场：多智能体与因子挖掘》（20240220）的基础上，将大模子因子挖掘推广至基本面与高频因子挖掘场景。本文持续沿用前期呈报中的多智能体架构，中枢更变在于针对基本面与高频因子定制化设商量子，以尽可能保证因子抒发式的合适逻辑。在基本面因子挖掘中，因子周度IC均值为0.011，周度RankIC均值为0.013；关于高频因子挖掘，因子周度IC均值为0.020，周度RankIC均值为0.031，GPT因子工场2.0挖掘高频因子质料较高。左右GPT因子工场2.0产出的高频因子构建中证1000指增战略（回测区间20161230- 20240920），年化逾额收益率为31.32%，信息比率为4.20。

因子挖掘与GPT因子工场：大模子因子挖掘或成为因子挖掘新兴决策

因子挖掘在量化研究中占据中枢性位，是为多因子模子补充Alpha源的遑急路线。传统的因子挖掘主要包括东说念主工手动挖掘和算法自动挖掘两种决策：东说念主工手动挖掘依赖于量化研究员对阛阓的理解与直观，离不开研究员的专科修养，需挥霍崇高的东说念主力资本；算法自动挖掘将因子挖掘经过自动化，有用缩小东说念主力资本，可是其劣势是过拟合风险与可解释性穷苦。大模子因子挖掘或将成为新兴的因子挖掘决策，其可行性在前期呈报中已得到解说，同期大模子可给以昭着的逻辑解释，过拟合风险或更可控。

基本面与高频因子挖掘：或是自动化因子挖掘难涉之境

算法自动化因子挖掘比拟于东说念主工挖掘存在诸多上风，但却鲜有针对基本面或高频因子的自动化因子挖掘，东说念主工挖掘因子似乎更具上风。关于基本面因子挖掘而言，传统算法在无法左右专科学问的前提下，难以构造具备逻辑性的基本面因子。关于高频因子而言，传统算法可能难以在抒发式中融入日频化采样，高频因子抒发式的复杂性形成一齐隐形的墙。大模子概况是治理之说念，一方面在于大模子近乎东说念主类的逻辑推理才略，另一方面在于，从当然言语中出生的大模子领有更天确凿因子构建与因子商量才略。

因子挖掘后果：基本面因子流露尚可，高频因子后果优异

本文对GPT因子工场2.0产出的基本面因子和高频因子挖掘后果进行测试，远隔进行30次因子挖掘，每次因子挖掘仅包括首次挖掘。因子IC方面，30个基本面因子IC均值为0.011，RankIC均值为0.013，|t|均值为1.542；23个筛选后的高频因子IC均值为0.020，RankIC均值为0.031，|t|均值为4.588。因子辩论性方面，基本面因子辩论总共完全值均值为0.10，高频因子辩论总共完全值均值为0.17，因子工场产出的因子辩论性普遍偏低。

指数增强战略实践：基于量价与高频因子的指增战略均流露较出色

本文基于量价和高频因子远隔进行指增战略实践覆按。关于前期呈报首次挖掘产出的量价因子，沪深300、中证500、中证1000指增战略年化逾额收益率远隔为7.18%、10.34%、18.50%，关于高频因子，三类指增年化逾额远隔为13.78%、18.40%、31.32%。将合成后的量价因子与高频因子按1:4权重统一，统一后因子三类指增年化逾额远隔为12.38%、17.74%、30.72%。指增战略实践标明，GPT因子工场产出的高频因子后果总体优于量价因子，基于高频因子可构建后果较出色的指增战略。

正    文

]article_adlist-->

01 导言

“一法通，万法通”  ——成语

自多因子框架出生以来，因子挖掘便成为多数目化从业者与学术研究者百谈不厌的话题。因子挖掘的老例技法不过乎两种：东说念主工挖掘与机器挖掘，后者包括遗传运筹帷幄、深度学习与强化学习等。与老例技法不同，跟着大言语模子的兴起，左右大模子挖掘因子也成为大模子在量化限制的前锋应用之一，华泰金工在前期呈报《GPT因子工场：多智能体与因子挖掘》（20240220）中作念了深度探索。

量价因子挖掘是自动化因子挖掘的“起手式”，遗传运筹帷幄等如斯，大模子亦是如斯。关于狭义的因子挖掘而言，产出的因子需要具备明确的因子抒发式，量价数据碰巧领有形成明确抒发式的诸多上风：含义昭着、神志整王人、维度一致等等。可是，在濒临基本面与高频因子时，遗传运筹帷幄等决策常堕入逆境，原因在于，一方面基本面因子时时需要昭着的逻辑复旧，仅凭算子的组合很难形成逻辑后果兼备的因子，另一方面高频因子日频化操作需要复杂的神志移动，需要考量算子间清雅的逻辑相干。大模子近乎东说念主类的逻辑推理才略概况能成为基本面因子与高频因子挖掘逆境的治理之说念。

本文是对前序研究GPT因子工场在基本面与高频因子挖掘场景下的推广。在框架策画上，本文沿用了GPT因子工场的多智能体框架：FactorGPT发达因子挖掘，CodeGPT发达代码撰写，EvalGPT发达因子评估。字段方面，关于基本面因子挖掘，咱们筛选钞票欠债表、现款流量表、利润表中的部分财务方针算作底层字段；关于高频因子挖掘，咱们使用分钟频原始量价数据算作底层字段，包括最高价、最廉价、开盘价、收盘价、成交额、成交量和成交笔数7个字段。算子方面，为了贴合基本面与高频因子挖掘，本文策画构建定制化的算子列表，以完结不同场景下的因子挖掘功能。

GPT因子工场2.0显流露较优异的因子挖掘性能。关于基本面因子，因子工场产出的30个基本面因子IC均值为0.011，RankIC均值为0.013，|t|均值为1.542，因子总体后果尚可，因子辩论总共为正的总共均值为0.10，辩论总共为负的总共均值为-0.09，总共辩论总共完全值的均值为0.10，总体辩论性较低。关于高频因子，因子工场产出30个因子，经筛选后保留23个因子，其IC均值为0.020，RankIC均值为0.031，|t|均值为4.588，因子流露较为出色，辩论性方面，辩论总共为正的总共均值为0.20，辩论总共为负的总共均值为-0.13，总共辩论总共完全值的均值为0.17，因子辩论性相同偏低。

与此同期，本文左右前序研究GPT因子工场中产出的量价因子与本文产出的高频因子进行指增战略实证。关于前序研究首次挖掘产出的量价因子，沪深300指增战略年化逾额收益率为7.18%，信息比率1.53，中证500指增战略年化逾额收益率为10.34%，信息比率1.61，中证1000指增战略年化逾额收益率为18.50%，信息比率2.61。关于高频因子，沪深300指增战略年化逾额收益率为13.78%，信息比率2.73，中证500指增战略年化逾额收益率为18.40%，信息比率为2.68，中证1000指增战略年化逾额收益率为31.32%，信息比率4.20。将合成后的量价因子与高频因子按1:4权重统一，量价高频统一因子沪深300指增战略年化逾额收益率为12.38%，信息比率2.45，中证500指增战略年化逾额收益率为17.74%，信息比率为2.56，中证1000指增战略年化逾额收益率为30.72%，信息比率4.08。上述搁置标明，仅基于GPT因子工场产出因子即可构建后果较出色的指增战略，有用彰显了GPT因子工场的实用价值。

02大言语模子与因子挖掘

近几年来，由ChatGPT激励的大模子波澜席卷五行八作，大模子应用在不同限制不休带来工夫翻新。金融限制亦是如斯，大言语模子的海量文本处理才略、逻辑推理才略、生成才略使其在金融限制具有稠密的应用出路。Zhao et al.（2024）以为，大模子在金融任务中展现出的才略可分为5种：问答、情谊分析、定名实体识别、时序权衡、以及数学推理，基于这些才略，大模子在金融工程、金融权衡、金融风险料理、金融实时问答等任务中的应用被凡俗探索。

在大模子自己才略的基础上，合理的应用架构是普及大模子应用后果的必经之路，例如多智能体（Multi-Agent）架构。例如而言，Zhang et al.（2024）建议专为金融交往场景策画的大模子智能体架构FinAgent。FinAgent通过其多模态才略处理金融阛阓数值、文本和视觉数据在内的多模态数据，同期左右低层反念念模块分析阛阓价钱变动、高层反念念模块评估历史交往决策，在交融人人指引与工夫分析方针后完结最终的交往决策。从测试搁置上看，FinAgent的交往盈利后果权贵好于传统工夫交往战略（MACD、KDJ&RSI等）和其他复杂算法（SAC、PPO、DQN、FinGPT和FinMem），显流露智能体架构加抓下的大模子应用后劲。

基于大模子的因子挖掘

因子挖掘在量化研究中占据中枢性位，是为多因子模子补充Alpha源的遑急路线。传统的因子挖掘主要有两种决策，一种是东说念主工手动挖掘，另一种是算法自动挖掘。关于东说念主工手动挖掘而言，量化研究员将其对阛阓的理解与直观漂浮为因子抒发式，进而捕捉Alpha，这一过程将会不休轮回，依赖的是研究员的专科修养以及崇高的东说念主力资本。关于算法自动挖掘，因子抒发式将由算法生成，例如遗传运筹帷幄在上百个算子与字段组成的探索空间中不休试错，以安逸普及因子IC值等为优化主义，而这类决策的劣势在于宽敞探索空间带来的崇高算力资本，而且算法无法提供任何因子含义，可解释性时时受到诟病。

左右大模子进行因子挖掘概况是一种治理之说念。在前期研究“GPT因子工场”中，咱们基于GPT+多智能体架构搭建了大模子运转的因子挖掘框架，为大模子的因子挖掘才略提供笔据支抓。在GPT因子工场中，三个智能体有序单干：FactorGPT发达因子抒发式与因子释义生成，CodeGPT基于FactorGPT产出的因子抒发式撰写因子商量代码，EvalGPT对因子回测搁置进行评估并建议优化建议。在多智能体架构的加抓下，咱们完成了因子挖掘经过的拆解，使得GPT因子工场的因子产出过程褂讪且有用。

学界相同对基于大模子的因子挖掘进行了诸多探索，港科大和IDEA研究院等机构开辟的Alpha-GPT是其中的代表。Alpha-GPT的策画理念是提供一个可交互的自动化因子挖掘框架，因此在其架构策画中，大模子流露的作用在于将研究东说念主员的念念路漂浮为遗传运筹帷幄算法参数，再由遗传运筹帷幄算法进行因子挖掘，终末将流露较好的因子复返给研究东说念主员。Alpha-GPT的上风在于既能将研究东说念主员的想法融入到因子挖掘过程中，又能说合大模子与遗传算法的上风，大大简易东说念主力资本。

Alpha-GPT 2.0借助多智能体架构对Alpha-GPT进行了全面升级。Alpha-GPT 2.0由Alpha Mining Agent，Alpha Modeling Agent和Alpha Analysis Agent组成，其中，Alpha Mining Agent发达根据阛阓数据进行因子挖掘，说合研究东说念主员见解构建因子或进行因子增强，Alpha Modeling Agent发达因子的机器学习建模、构建有用的Alpha信号，Alpha Analysis Agent则说合实时学问，对因子进行全面的投资组合分析和风险料理。

基本面与高频因子挖掘

尽管算法自动化因子挖掘比拟于东说念主工挖掘有诸多上风，但却鲜有针对基本面因子和高频因子的自动化因子挖掘，东说念主工挖掘因子在这些场景下似乎更具上风。关于基本面因子挖掘而言，底层字段主要开头于各样财务报表，报表与方针间的勾稽相干较为复杂，传统算法在无法左右专科学问的前提下，难以构造具备逻辑性的基本面因子。关于高频因子而言，传统算法挖掘决策的逆境在于难以在抒发式中融入日频化采样，现时主流的高频因子挖掘决策现实是左右时序神经网罗学习高频数据的隐含端正，凯旋权衡过去股票收益，实质上还是脱离了公式化的传统因子挖掘决策，但神经网罗“黑箱”问题仍然是高深之痛。

在前序研究“GPT因子工场”的基础上，本文尝试持续使用大模子进行基本面因子与高频因子挖掘。关于基本面因子挖掘，咱们筛选钞票欠债表、现款流量表、利润表中的部分财务方针算作底层字段，同期策画了基本面因子构造中常用的算子；关于高频因子挖掘，咱们使用分钟频原始量价数据算作底层字段，相同也为高频因子构造了一批定制算子。除此除外，本文尝试远隔左右GPT因子工场产出的量价因子与高频因子构建指数增强战略，最终将经过LGBM模子合成后的量价因子与高频因子加权合成，构建最终的指数增强战略。

03 表率

本文主要探究“GPT因子工场”在基本面与高频因子挖掘场景下的适用性。在应用架构策画层面，本文仍然死守以往“GPT因子工场”的多智能体架构：FactorGPT、CodeGPT与EvalGPT。中枢改造在于字段与算子方面，基本面因子挖掘主要基于原始财务方针数据，高频因子挖掘主要基于分钟K线量价数据，算子则针对因子特点进行个性化策画及筛选。不管是基本面照旧高频因子挖掘，总共关键均由智能体自动履行，因子工场将依据参数设定连绵链接产出因子，同期将因子的抒发式、含义、商量代码、回测搁置以及优化建议保存至土产货。

基本面因子挖掘

字段

基本面因子版GPT因子工场主要依赖于Wind数据源中的AShareCashFlow、AShareBalanceSheet和AShareIncome三张表，具体底层字段如下：

算子

基本面因子版GPT因子工场主要依赖于以下算子：

高频因子挖掘

字段

高频因子版GPT因子工场依赖于以下底层字段：

算子

高频因子版GPT因子工场依赖于以下算子：

选股组合构建

为覆按GPT因子工场产出因子的实用性，咱们基于前期呈报《GPT因子工场：多智能体与因子挖掘》（20240220）挖掘的量价因子与本期呈报挖掘的高频因子构建指数增强选股组合。通过将因子输入LightGBM模子中进行老师，左右老师完成的模子权衡股票过去收益，终末基于股票权衡收益构建选股组合。模子老师与选股组合构建的参数如下表所示。

04 搁置

在GPT因子工场2.0的测试中，咱们共产出30个基本面因子和30个高频因子。关于FactorGPT而言，咱们使用的模子为gpt-4-1106-preview，与前期呈报GPT因子工场中的一致，而其他智能体均改为gpt-4o，这意味着关于产出的因子而言，其样本外区间为2023年11月6日之后，保留较长的样本外区间能够提供因子及战略后果的不雅察窗口，确保论断的可靠性。这次测试中咱们仅对因子进行首次挖掘，未进行因子优化轮回，一方面尽可能反馈大模子凯旋产出因子的才略，另一方面为幸免可能的过去信息。

基本面因子挖掘实例

以下展示基本面因子版GPT因子工场2.0的产出实例。图表13-15展示GPT因子工场2.0挖掘出的一个基本面因子实例：从因子释义看，该因子被GPT定名为“短期偿债才略因子”，因子同期商量企业货币资金同比增长排行和短期欠债排行，并将二者相除，试图反馈企业流动性料理水平，因子释义与因子抒发式相符；从累计周度IC和RankIC看，因子流露尚可，正向趋势较为彰着；从分层回测搁置上看，分层1年化收益率、夏普比率和年化逾额收益率优于其他分层，因子总体分层后果在可吸收界限内。

基本面因子挖掘后果

咱们对30个基本面因子进行总体后果评估。图表16与17展示总共基本面因子的累计周度IC和累计RankIC，总体而言，大部分基本面因子的周度IC或RankIC累计趋势较为明确，少数因子累计值趋近于0或存在较大波动，局部看，不乏累计周度IC和RankIC抓续单调且波动较小的优质基本面因子。

从辩论性上看，GPT因子工场2.0产出的基本面因子辩论性普遍偏低。因子辩论总共最大值为0.91，最小值为-0.94，辩论总共为正的总共均值为0.10，辩论总共为负的总共均值为-0.09，总共辩论总共完全值的均值为0.10。

高频因子挖掘实例

关于高频因子挖掘，咱们相同展示一个GPT因子工场2.0的产出实例。图表19-21是一个高频因子实例：从因子释义看，该因子被GPT定名为“高频价钱量辩论波动因子”，通过商量收盘价滚动波动性与成交量滚动波动性间的辩论总共得到因子值，大模子以为价钱与成交量之间的短期辩论性反馈了阛阓的脸色变动；从累计周度IC和RankIC看，因子所在为负向，周度IC与RankIC均较为褂讪；从分层回测搁置上看，分层5各项方针均优于其他分层，因子总体分层后果较优。

高频因子挖掘后果

总体后果上，GPT因子工场在高频因子挖掘上展现出较大的后劲。从累计周度IC和RankIC的搁置中看，因子的累计周度IC与RankIC趋势均较为明确，部分因子展现出抓续强盛的IC和RankIC累计趋势，标明因子后果较为褂讪。值得强调的是，部分因子的累计弧线中间部分为直线且后续存在缺失值，原因可能在于因子商量过程中出现顶点值导致永远空值。

从因子辩论性上看，GPT因子工场2.0产出的高频因子辩论性相同普遍偏低。将周度IC与RankIC累计弧线相当的因子剔除，咱们保留剩下的23个因子进行辩论性覆按：因子辩论总共最大值为0.97，最小值为-0.86，辩论总共为正的总共均值为0.20，辩论总共为负的总共均值为-0.13，总共辩论总共完全值的均值为0.17。

基于GPT因子工场的指数增强战略实践

算作因子挖掘的一种技巧，GPT因子工场并不凯旋输出投资组合或量化战略。为考证GPT因子工场因子产出的现实后果，咱们将因子输入机器学习模子，基于模子权衡搁置构建指数增强战略。由于基本面因子频率较低，较难与量价因子和高频因子羼杂，这里咱们仅对量价因子和高频因子进行测试。

基于合成量价因子的指数增强战略

关于前期呈报《GPT因子工场：多智能体与因子挖掘》（20240220）中产出的量价因子，咱们登第首次挖掘的50个因子，不进行罕见筛选，凯旋输入LGBM模子中进行老师，具体老师参数请参考图表12。

经LGBM模子合成后的因子TOP层相对净值及累计双周度IC和RankIC如图表25和26，因子TOP层在样本外并未衰减，双周度IC与RankIC保抓褂讪。

基于LGBM合成量价因子构建的沪深300指数增强组合战略净值与绩效如下：

基于LGBM合成量价因子构建的中证500指数增强组合战略净值与绩效如下：

基于LGBM合成量价因子构建的中证1000指数增强组合战略净值与绩效如下：

基于合成高频因子的指数增强战略

关于GPT因子工场2.0产出的高频因子，咱们登第前文中保留的23个因子，相同不再进行罕见筛选，凯旋输入LGBM模子中进行老师，具体老师参数请参考图表12。经LGBM模子合成后的因子TOP层相对净值及累计双周度IC和RankIC如图表33和34。

基于LGBM合成高频因子构建的沪深300指数增强组合战略净值与绩效如下：

基于LGBM合成高频因子构建的中证500指数增强组合战略净值与绩效如下：

基于LGBM合成高频因子构建的中证1000指数增强组合战略净值与绩效如下：

基于量价高频统一因子的指数增强战略

咱们将经过LGBM合成后的量价因子与高频因子按1:4的权重统一，形成量价高频统一因子，基于该因子构建远隔构建沪深300、中证500与中证1000指数增强战略。基于量价高频统一因子构建的沪深300指数增强组合战略净值与绩效如下：

基于量价高频统一因子构建的中证500指数增强组合战略流露如下：

基于量价高频统一因子构建的中证1000指数增强组合战略流露如下：

转头而言，量价高频统一因子的后果主要开头于高频合成因子，量价合成因子一定进度上成为拖累。基于量价高频统一因子构建的沪深300增强战略年化逾额收益率为12.38%，略逊于合成高频因子的13.78%。基于量价高频统一因子的中证500增强战略历史流露优异，年化逾额收益率，但近一年来后果平平。而中证1000增强战略历史区间逾额收益褂讪，在2024年年内测试区间也取得了11%傍边的年化逾额收益，总体后果较好。

此外，咱们测试了华泰金工前期呈报《基于全频段量价特征的选股模子》（20231208）中全频段因子与本文因子间的辩论性，搁置如下表。全频段因子与本文产出的量价合成因子、高频合成因子与量价高频统一因子总体辩论性较低，远隔为0.38、0.26与0.31；量价合成因子与高频合成因子辩论性略高，为0.57。

05 转头

本文是GPT因子工场推广至基本面与高频因子挖掘场景的深远实践。在GPT因子工场2.0中，架构上基本沿用之前的多智能体架构，即FactorGPT生成因子抒发式和因子释义，CodeGPT生成因子商量代码，EvalGPT发达评估因子搁置以及生成优化建议。在因子后果方面，30个基本面因子IC均值为0.011，RankIC均值为0.013，|t|均值为1.542；23个筛选后的高频因子IC均值为0.020，RankIC均值为0.031，|t|均值为4.588。因子辩论性方面，基本面因子辩论总共完全值均值为0.10，高频因子辩论总共完全值均值为0.17，因子工场产出的因子辩论性普遍偏低。基本面因子后果总体尚可，高频因子流露出色。

因子挖掘一直是量化研究金冠上的明珠之一，基于大模子的因子挖掘在过去或将成为极具后劲的新兴决策。传统因子挖掘不管是基于东说念主工照旧自动化算法，皆存在得此失彼的近况，大模子一方面能够缩小东说念主工挖掘因子的妙手力资本，另一方面能够有用弥补自动化算法空泛可解释性与天真性的劣势。华泰金工前期呈报《GPT因子工场：多智能体与因子挖掘》（20240220）是对大模子挖掘因子可行性的有劲解说，而本文不仅进一步将这种可行性推广至基本面与高频因子挖掘，同期左右GPT产出因子构建出较出色的中证1000指数增强战略，有用彰显了GPT因子工场的实用价值。

本文的主要搁置及论断如下：

1. GPT因子工场可推广至基本面与高频因子挖掘场景，因子产出质料较好。因子工场产出的30个基本面因子IC均值为0.011，RankIC均值为0.013，因子工场产出的23个高频因子IC均值为0.020，RankIC均值为0.031。

2. GPT产出的因子辩论性偏低持续在基本面与高频因子挖掘中得到体现。基本面因子辩论总共完全值均值为0.10，高频因子辩论总共完全值均值为0.17。

3. GPT因子工场产出的因子可构建较出色的中证1000指增战略。仅基于前期呈报《GPT因子工场：多智能体与因子挖掘》（20240220）产出的量价因子可构建出年化逾额收益率达18.50%的中证1000指增战略，基于本文产出的高频因子可构建出年化逾额收益率达31.32%的中证1000指增战略，二者加权合成后中证1000指增战略年化逾额为30.72%。

本文仍有多项未尽之处：（1）本研究挖掘的高频因子仅限于分钟K线，尚未始试更高频量价数据的因子挖掘；（2）本研究仅波及较低频的财报基本面因子挖掘，过去可尝试将量价与基本面方针交融、以及使用例如一致预期数据，构建更为高频的基本面因子；（3）本文并未将基本面因子融入指增战略构建中，过去可尝试向战略中融入多维信息，以普及指增战略褂讪性。

参考文件

Wang, S., Yuan, H., Zhou, L., Ni, L. M., Shum, H. Y., & Guo, J.(2023). Alpha-gpt: Human-ai interactive alpha mining for quantitativeinvestment.arXiv preprint arXiv:2308.00016.

Yuan, H., Wang, S., & Guo, J. (2024). Alpha-GPT 2.0:Human-in-the-Loop AI for Quantitative Investment.arXiv preprintarXiv:2402.09746.

Zhang, W., Zhao, L., Xia, H., Sun, S., Sun, J., Qin, M., ... & An,B. (2024). FinAgent: A Multimodal Foundation Agent for Financial Trading:Tool-Augmented, Diversified, and Generalist.arXiv preprintarXiv:2402.18485.

Zhao, H., Liu, Z., Wu, Z., Li, Y., Yang, T., Shu, P., ... & Liu, T.(2024). Revolutionizing finance with llms: An overview of applications andinsights.arXiv preprint arXiv:2401.11641.

风险辅导：

GPT挖掘因子是对历史的转头，具有失效风险。GPT挖掘因子可解释性受限，使用需严慎。大模子老师集凡俗，可能存在过拟合风险。

辩论研报

]article_adlist-->

研报：《金工：GPT因子工场2.0：基本面与高频因子挖掘》2024年9月26日

分析师：林晓明 S0570516010001 | BPY421

分析师：何康    S0570520080004 | BRB318

辩论东说念主：沈洋   S0570123070271

]article_adlist-->

善良咱们

]article_adlist-->

华泰证券研究所国内站（研究Portal）

https://inst.htsc.com/research

走访权限：国内机构客户

华泰证券研究所国际站

https://intl.inst.htsc.com/research

走访权限：好意思国及香港金控机构客户

添加权限请辩论您的华泰对口客户司理

]article_adlist-->

免责声明

]article_adlist-->

▲进取滑动有瞻念看

本公众号不是华泰证券股份有限公司（以下简称“华泰证券”）研究呈报的发布平台，本公众号仅供华泰证券中国内地研究工作客户参考使用。其他任何读者在订阅本公众号前，请自行评估吸收辩论推送内容的得当性，且若使用本公众号所载内容，务必寻求专科投资参谋人的指引及解读。华泰证券不因任何订阅本公众号的步履而将订阅者视为华泰证券的客户。

本公众号转发、摘编华泰证券向其客户已发布研究呈报的部天职容及不雅点，好意思满的投资意见分析应以呈报发布当日的好意思满研究呈报内容为准。订阅者仅使用本公众号内容，可能会因空泛对好意思满呈报的了解或空泛辩论的解读而产生理解上的歧义。如需了解好意思满内容，请具体参见华泰证券所发布的好意思满呈报。

本公众号内容基于华泰证券以为可靠的信息编制，但华泰证券对该等信息的准确性、好意思满性实时效性不作任何保证，也分歧证券价钱的涨跌或阛阓走势作笃定性判断。本公众号所载的意见、评估及权衡仅反馈发布当日的不雅点和判断。在不同期期，华泰证券可能会发出与本公众号所载意见、评估及权衡不一致的研究呈报。

在职何情况下，本公众号中的信息或所表述的意见均不组成对任何东说念主的投资建议。订阅者不应单独依靠本订阅号中的内容而取代自己零丁的判断，应自主作念出投资决策并自行承担投资风险。订阅者若使用本府上，有可能会因空泛解读工作而对内容产生理解上的歧义，进而形成投资圆寂。对依据或者使用本公众号内容所形成的一切后果，华泰证券及作家均不承担任何法律连累。

本公众号版权仅为华泰证券总共，未经华泰证券书面许可，任何机构或个东说念主不得以翻版、复制、发表、援用或再次分发他东说念主等任何神志滋扰本公众号发布的总共内容的版权。如因侵权步履给华泰证券形成任何凯旋或曲折的圆寂，华泰证券保留追究一切法律连累的权柄。华泰证券具有中国证监会核准的“证券投资商讨”业务经历，运筹帷幄许可证编号为：91320000704041011J。

]article_adlist-->

（转自：华泰证券金融工程）

海量资讯、精确解读，尽在新浪财经APP