在量化投资领域，寻找有效的选股因子（Alpha Factor）是获取超额收益的关键。传统上，因子挖掘依赖于研究员的经验、金融理论以及大量的试错。然而，随着人工智能技术的发展，尤其是大型语言模型（LLM）的崛起，为因子工程带来了新的可能性。 本文将介绍如何在 QuantML-Qlib 平台中， 利用DeepSeek自动化挖掘和改进因子。

本框架的核心思想是利用 DeepSeek 模型的自然语言理解和生成能力，结合 QuantML-Qlib 强大的数据处理和因子计算功能，实现以下目标：

1. 因子优化 (Factor Optimization): 对已有的因子表达式进行改进，提升其预测能力（如 RankIC）。
   
2. 因子生成 (Factor Generation): 基于现有因子或从零开始，创造全新的、具有潜力的高性能因子。
   
3. 因子验证 (Factor Validation): 评估因子在不同市场环境或参数下的稳健性。
   

1. 与 DeepSeek 模型集成:
   
   
   
   
   

• 通过 set_deepseek_api_key 设置 API 密钥，连接到 DeepSeek 服务。
  
• query_deepseek 方法负责将构造好的指令（Prompt）发送给 DeepSeek 模型，并获取其返回的建议或新因子表达式。
  
• parse_deepseek_response 用于解析模型返回的文本，智能地提取出核心的因子表达式字符串。
  
• 基于 QuantML-Qlib 的因子计算与评估:
  
  
  
  
  
• 框架深度整合了 QuantML-Qlib。load_qlib_operators 加载 QuantML-Qlib 提供的常用因子计算算子（如 Mean, Std, Ref, Corr 等）以及 TALib上百个算子。
  
• _get_factor_data 和 _get_label_data 方法利用 Qlib 的 D.features 接口高效获取因子值和未来收益率（标签）数据。
  
• 核心评估指标是 RankIC (秩相关系数) 和 ICIR (信息系数的信息比率)。这些指标用于衡量因子的选股能力和稳定性。
  
• 自动化因子优化流程 (factor_optimization):
  
  
  
  
  
• 输入一个原始因子表达式。
  
• 框架计算其初始性能 (RankIC)。
  
• 通过 build_optimization_prompt 构建特定的指令，要求 DeepSeek 模型基于现有变量和算子，提出改进建议以提升 RankIC。
  
• 迭代地与 DeepSeek 交互，获取优化后的表达式，计算新性能。
  
• 如果新因子的 RankIC 显著提升（超过预设阈值）或达到最大迭代次数，则停止优化，并返回**因子。
  
• 自动化因子生成流程 (factor_generation):
  
  
  
  
  
• 可以提供一组参考因子及其性能。
  
• 通过 build_generation_prompt 构建指令，要求 DeepSeek 生成新的因子表达式，目标是达到指定的 ICIR 阈值，并与现有因子保持较低的相关性。
  
• check_low_correlation 方法用于计算新因子与已有因子之间的相关性，确保新因子的独特性。
  
• 迭代生成、评估、检查相关性，直到找到满足条件的因子或达到最大迭代次数。
  
• 因子稳健性验证 (factor_validation):
  
  
  
  
  
• 允许用户测试一个因子表达式在不同参数（特别是时间窗口 %d）下的表现。
  
• 框架会替换表达式中的窗口期参数，重新计算不同窗口下的 RankIC 和 ICIR。
  
• 最终提供因子在不同窗口下的性能统计，如 RankIC/ICIR 的均值、标准差、变异系数等，帮助判断因子的稳定性。
  
• 缓存机制:
  
  
  
  
  
• 为了提高效率，框架内置了缓存机制 (_factor_data_cache, _label_data_cache)。对于相同的因子表达式、时间范围、股票池和频率组合，计算过的数据会被缓存，避免重复计算，尤其是在迭代优化或多次验证时能显著加速。clear_cache 方法可以手动清除缓存。
  
• 灵活的配置:
  
  
  
  
  
• 可以设置默认的回测时间段、股票池（如 “csi300”）、数据频率（“day”）、默认计算窗口期、预测天数等。
  

1. 初始化: 设置 QuantML-Qlib 数据路径，初始化 QuantML-Qlib 环境，创建 FactorEngineeringFramework 实例，设置 DeepSeek API Key。
   
2. 优化: 调用 factor_optimization，传入一个基础因子（如 Std(\(close, %d)/\)close）。框架会自动与 DeepSeek 交互，尝试找到 RankIC 更高的改进版本。
   
3. 生成: 调用 factor_generation，可以传入一些已知因子作为参考，设定目标 ICIR。框架会驱动 DeepSeek 创造新的因子表达式。
   
4. 验证: 对原始因子、优化后的因子或新生成的因子，调用 factor_validation，传入不同的窗口期列表，检查其稳定性。
   

以优化因子为例，提供优化目标因子后，运行代码会自动计算目标因子的ICIR，调用V3或者R1模型对因子进行优化，每轮deepseek会提出五个方案，最终在五个方案中选取一个他认为效果最好的方案：

方案1：引入价格趋势方向 表达式: EMA(Std($close,20)/$close,20)*Slope($close,20) 优化逻辑: 将波动率标准化与价格趋势斜率结合，捕捉波动率在趋势中的不对称性。 潜力: -优点：可能提升对趋势延续或反转的预测能力。 -风险：若斜率噪声大，可能引入额外波动。 相关性:与原始因子相关性中等（因引入新变量）。

方案2：相对波动率标准化 表达式: EMA(Std($close,20)/Mean($close,20),20) 优化逻辑: 用窗口期均值代替当前价格$close，减少极端值对分母的影响。 潜力: -优点：更稳定的分母，降低异常值敏感性。 -风险：可能平滑过度，丢失短期信号。 相关性:与原始因子相关性较高（逻辑相似）。

方案3：波动率与成交量结合 表达式: EMA(Std($close,20)/$close*Sign($volume-Ref($volume,20)),20) 优化逻辑: 加入成交量变化方向符号，捕捉量价协同效应。 潜力: -优点：量价结合可能增强因子区分度。 -风险：成交量噪声可能干扰波动率信号。 相关性:与原始因子相关性低（引入新维度）。

方案4：价格高低波动不对称性 表达式: EMA(Std($high-$low,20)/$close,20) 优化逻辑: 改用日内波动（high-low）代替收盘价波动，捕捉日内波动特征。 潜力: -优点：日内波动可能包含更多信息。 -风险：与原始因子逻辑差异较大，需验证稳定性。 相关性:与原始因子相关性低（变量不同）。

方案5：波动率分位数标准化 表达式: EMA(Std($close,20)/Ref($close,20),20) 优化逻辑: 用滞后价格Ref($close,20)作为分母，避免当前价格瞬时影响。 潜力: -优点：减少分母的同步性偏差。 -风险：滞后可能降低因子时效性。 相关性:与原始因子相关性中等。

**方案选择 选择方案3（波动率与成交量结合），因其： 1.与原始因子相关性低（满足要求5）。 2.引入成交量信息，增强逻辑多样性。 3.保持无量纲特性（分母仍为$close）。

最终改进因子 改进后因子表达式: EMA(Std($close,20)/$close*Sign($volume-Ref($volume,20)),20)

因子优化逻辑: -保留原始波动率标准化核心，但叠加成交量变化方向（Sign函数）。 -当成交量上升时，波动率信号被增强；下降时被抑制，反映量价协同效应。

因子解释: -衡量标准化波动率与成交量变化的协同作用。 -正值表示波动率扩大伴随放量，负值表示缩量波动，可能预示不同市场状态。 -仍为无量纲因子（分子分母均为价格/成交量单位）。

提取目标因子后，对因子进行验证，如果不满足条件则进行下一轮改进，直至DeepSeek改进后的因子满足要求为止：

经过10轮之后，最终的因子IC是原始因子IC的1.8倍，效果有了明显的提升。

1. 优化代码运行效率
   
   
   
   
   
2. 校验大模型生成的因子结构
   
   
   
   
   
3. 多智能体结构
   
   
   
   
   

代码见examples/alphazoo/alphagpt/alpha_deepseek.py,QuantML-Qlib已包含40+SOTA模型，各类因子挖掘方案（研报因子复现，GP,RL,LLM等），欢迎加入星球共同测试交流

加入QuantML星球，与800+专业人士一起交流学习：

往期回顾

QuantML-Qlib开发版：

• QuantML-Qlib重磅更新：DeepSeek核心模型结构用于选股
• QuantML-Qlib Factor | 融合TA-Lib100+技术指标，自定义构建AlphaZoo
• QuantML-Qlib Model | 还在使用MSE？试试这些更加适合金融预测的损失函数
• QuantML-Qlib Model | 如何运行日内中高频模型
• QuantML-Qlib Model | 超越GRU，液态神经网络LNN用于股票预测
• QuantML-Qlib Model | 华泰SAM：提升AI量化模型的泛化性能 研报复现
• QuantML-Qlib Model | 华泰AlphaNet模型复现
• QuantML-Qlib Model | 清华大学&华泰证券 在高胜率时交易
• QuantML-Qlib Factor | 高效优雅的因子构建方法：以开源金工切割动量因子为例
• QuantML-Qlib Model | 滚动模型训练
• QuantML-QlibModel | KAN + GRU 时序模型用于股票预测
• QuantML-Qlib开发版 | 蚂蚁&清华 TimeMixer：可分解多尺度融合的时间序列模型用于金融市场预测
• QuantML-Qlib Model | Kansformer：KAN+Transformer时序模型用于股票收益率预测
• QuantML-QlibModel | 使用OPTUNA优化模型超参
• QuantML-QlibDB | Clickhouse 行情存储与读取方案
• QuantML-Qlib LLM | GPT-4o复现因子计算代码
• QuantML-Qlib开发版 | 最新xLSTM用于股票市场预测
• QuantML-Qlib开发版 | 强化学习因子挖掘
• QuantML-Qlib开发版 | 清华大学时序SOTA模型iTransformer用于股票市场预测QuantML-Qlib开发版 | 最新神经网络结构KAN用于因子挖掘
• QuantML-Qlib开发版 | 直接读取pg/mysql/mongodb数据库
• QuantML-Qlib开发版 | MoE混合专家系统用于提升Transformer表现
• QuantML-Qlib开发版 | 一键数据更新
• QuantML-Qlib开发版 | AAAI**论文Informer用于金融市场预测
• QuantML-Qlib开发版 | 取代Transformer的下一代神经网络结构Mamba用于金融市场预测
• QuantML-Qlib开发版 | 时序SOTA模型PatchTST用于金融市场预测
• QuantML-Qlib开发版 | 一行代码运行DLinear模型用于股票预测
  研报复现：
  
  
• 重磅更新！80+量化策略复现（持续更新中）
• BARRA CNE6模型复现
• 研报复现 | QRS择时信号及改进
• 研报复现 | 跳跃因子系列-下
• 研报复现 | 跳跃因子系列-上
• 研报复现 | 锚定反转因子
• 研报复现 | 另类ETF交易策略：日内动量
• 研报复现 | 国盛金工：如何将隔夜涨跌变为有效的选股因子？——基于对知情交易者信息优势的刻画
• 研报复现 | 招商证券：基于鳄鱼线的指数择时及轮动策略
• 研报复现 | 华西金工-股票网络与网络中心度因子研究
• 研报复现 | 基于筹码分布的选股策略
• 研报复现 | 开源金工-高频追涨杀跌因子复现
• 研报复现 | 开源证券 ：形态识别，均线的
• 券商研报因子复现及表现研究
  前沿论文代码：
  
  
• DeepSeek-TS+: MLA-Mamba及GRPO用于多序列预测统一框架
• Hummingbot：开源加密货币做市机器人框架
• FinRLlama：基于强化学习和市场反馈的金融情感分析LLM优化方案
• 端到端基于LLM的增强型交易系统
• 基于分层强化学习的日内风险因子挖掘
• DeepScalper：深度强化学习捕捉日内交易的短暂机会
• TradingAgents：基于多智能体LLM的金融交易框架
• Kaggle - Optiver trading at the close第一名解决方案及部分代码
• 量化交易全攻略：从入门到精通的终极指南
• 普林斯顿&牛津大学 | 大模型在金融领域的应用、前景和挑战
• Style Miner：基于强化学习算法的风格因子构造
• AQR创始人Cliff Asness：市场效率下降假说
• 增强动量策略：动量Transformer模型
• XGBoost 2.0 ：提升时间序列预测能力
• NIPS 24 | FinCon: 基于LLM的多智能体交易及组合管理框架
• NIPS 24 | CausalStock : 基于端到端因果发现的新闻驱动股价预测模型
• JFE | 高效估计买卖价差的模型、实证与应用
• 超越传统网格交易：新型网格交易系统
• JFE | ETF日内套利研究
• NIPS 24 | 超越CVXPY,新型端到端优化器
• 揭秘Jane Street低延迟系统的优化技巧——减少系统抖动
• 南京大学LAMDA-强化学习DRL挖掘逻辑公式型Alpha因子
• 3万个因子，数据挖掘能超越同行审议的因子吗？
• KDD 24 | 基于增强记忆的上下文感知强化学习的高频交易框架
• FinRobot：用于金融领域的大模型AI平台
• KDD 23 | DoubleAdapt: 显著提升各类模型表现的元学习模型
• 市场微观结构教程：深度订单簿预测
• 基于高频和日频因子的端到端直接排序组合构建模型
• BOA 312页报告：Everything you wanted to know about quant
• 深度学习模型DeepLOB用于订单簿价格预测
• What KAN I say？KAN代码全解析
• 取代MLP？MIT全新神经网络结构KAN,3天1.4k star
• WWW‘24 | FinReport: 结合新闻语义信息的多因子模型显著提升预测准确性
• WWW’24 | UniTime: 融合文本信息的时间序列预测模型
• WWW‘24 | EarnMore: 如何利用强化学习来处理可定制股票池中的投资组合管理问题
• KDD’23 | AlphaMix: 高效专家混合框架（MoE）显著提高上证50选股表现
• IJCAI‘23 | StockFormer: RL+Self-Attention优化摆动交易提高股票预测精度
• AAAI-24 | EarnHFT:针对高频交易的分层强化学习（RL）框架
• AAAI-24 | MASTER 结合市场信息的自动特征选择的股票预测模型，25%年化收益
• COLING 2024 | AlphaFin: 结合深度学习及大模型用于股票预测和金融问答，击败现有预测模型