简介面向量化研究与金融工程从业者的专题报告围绕如何借助ChatGPT从高频价量数据中挖掘选股因子展开兼顾大语言模型原理、提示工程与策略回测。内容先比较Transformer与LSTM的权重分配差异解释Scaling Law与RLHF的三阶段训练再给出角色、任务、指令式提示模板及思维链提示方法实战部分覆盖周频变异系数因子、日频买卖盘力量因子以及用卖盘力量因子构建中证1000指数增强策略并讨论代码生成与因子衰减风险。资源包共1个PDF文件约2.21MB便于集中阅读与检索。已有1359人学习适合希望把大模型用于因子研究、提示设计与策略验证的读者参考。1. 从一句「给我一个高频选股因子」说起18 页研报拆出了什么把 ChatGPT 当成因子生成器最常见的翻车方式是对着对话框敲一句「给我一个高频选股因子」然后拿到一段看着像那么回事、跑起来全是 NaN 的回答。这份 18 页的 Alpha 掘金系列第五篇做的正是把这件事从玄学拉回工程它记录了从 Transformer 底座、提示工程写法到周频变异系数因子、高频买卖盘力量因子再到中证 1000 指数增强策略的完整链路中间夹着 IC 表、多空净值、调仓价格约定和手续费假设。适合三类人手里有 tick 数据但不知道怎么让模型帮忙想因子的人、想复现一条从提示到策略的完整链路的人、以及被模型代码坑过一次、想搞清楚边界在哪的人。下面按「底座—提示—因子—策略—坑—验证」的顺序拆。2. 模型底座与提示工程自注意力、RLHF 三步和三段式提示怎么串起来这一章讲的是「为什么这套模型值得你花时间去调提示而不是随手问两句就放弃」。很多人跳过原理直接问因子结果得到的回答永远是反转因子、动量因子这类教科书货色然后得出结论「大模型不行」。问题往往不在模型而在你没有给它足够的结构约束。理解它的底座和训练方式才知道约束该加在哪一层。2.1 LSTM 的两个硬伤与自注意力补的是什么研报里对传统 LSTM 的评价很直接两大缺陷一是模型对文本中不同的词无法区分重要程度没法让某些词比其他的权重更高二是对长距离信息不能有效提取和记忆导致大量信息丢失。放到因子研究场景里这两个缺陷的后果很具体——当你用一段话描述「过去 5 个交易日、收盘价与成交量的变异系数、取前十档委托量」时LSTM 很难判断「前十档」这个词比「过去」更关键也很难把句子开头限定的「仅使用委托价和委托量」带到句子末尾的公式上。Transformer 的引入解决了这件事核心是自注意力机制Self-attention mechanism通过跟踪序列数据中的关系来学习上下文给输入数据的不同部分赋予不同权重。这个机制对使用者的实际含义是你在提示里写下的每一个限定条件理论上都会被模型按权重分配注意力。所以提示不是写得越长越好而是要把关键约束放在能被高权重捕捉的位置——字段名、单位、数据范围、计算公式这些要比客套话重要得多。对比项LSTM 处理提示文本Transformer 处理提示文本对写提示的启示词权重各词权重趋同按相关性分配权重关键约束要写具体名词别写形容词长距离依赖句尾容易丢句首条件跨句子保留条件限定条件可前置也可重复一次数据规模参数与数据承载有限可吃更大数据集模型「见过」的研报越多越容易照搬落到可执行的一步写因子提示时把数据字段用清单形式列出来而不是混在自然语言里。比如不要写「用高频的委托数据算一个因子」而是写「可用字段为买一至买十价、买一至买十量、卖一至卖十价、卖一至卖十量共 40 列快照频率 3 秒」。字段名一旦明确模型给出的公式才有落地的可能否则它只能给你「order_volume」这种在你表里根本不存在的列名。2.2 Scaling Law 与 RLHF 三步模型为什么爱说「听起来对」的话研报把模型智能水平的来源归到两点参数数量提升带来的涌现现象Scaling Law以及加入 RLHF人类反馈的强化学习带来的对人类偏好理解的提升。参数演进这条线可以看得很清楚2018 年 6 月的 GPT-1 参数约 1.17 亿2019 年 2 月的 GPT-2 到 15 亿GPT-3 高达 1750 亿2023 年 3 月的 GPT-4 把文本输入拓展到图片理解能力也显著提升。这条线对使用者的意义不是「越大越好」而是模型见过的研报、论文、代码越多它越倾向于复述已有的成熟因子这也是为什么不做约束时它只会给你反转和动量。RLHF 的训练分三步每一步都值得使用者留意。第一步从大量包含人类真实意图的指令集合中采样由 40 名标注人员对指令进行标注标注完成后对模型做微调。第二步再次从指令集采样作为输入让模型给出多个不同结果由标注员对这些输出的好坏顺序做标注再用排序结果训练一个打分模型Reward Model使输出更贴近人类最需要的答案。第三步从指令集采样新指令作为输入根据打分模型进一步优化输出结合打分模型训练得到最终模型。训练步骤做的事对使用者的实际影响应对手法指令微调40 名标注员标注指令微调模型模型学会了「听话」的格式提示要给明确格式要求如「只输出公式和字段说明」排序训练 Reward Model对多个输出排序训练打分模型模型偏向人类觉得「专业」的表达别被术语唬住逐个字段核对是否存在用 RM 优化输出按打分模型继续优化回答更流畅但可能牺牲可执行性要求给出可运行的伪代码并自行验证这也解释了研报里反复提到的一个现象模型在部分情况下可能回答错误不符合用户需求与认知并影响判断。Reward Model 优化的是「人类觉得好」不是「代码能跑」。我一般会把它当成一个知识面很广但从不看你的数据库 schema 的实习生——思路可以采纳字段和口径必须自己过一遍。2.3 三段式提示公式与思维链把「要个因子」问成可执行规格研报给的标准提示公式是三个元素角色模型在文本生成任务中应扮演的角色、任务对需要生成的内容做清晰简洁的叙述、指令生成文本时应遵循的指令。一般形式为「作为一个【角色】按照这些指示生成【任务】【指令】」。最基础的例子是客服场景「作为一名【客服人员】请生成【客户询问的回复】【这些回复应当专业、准确、简洁】」。这个公式真正有用的地方在【角色】和【指令】两处的加码。研报里的做法是角色从「量化研究员」升级成「资深的量化研究员」指令从一句空话升级成三条硬约束——「该因子必须具有原创性、具有较强的逻辑支撑、且因子也应当有出色的业绩表现」。再往下走一步把因子类别、构建方式、使用数据也一并限定模型给出的东西才开始接近可测状态。示例中模型不仅正确使用了逐笔成交数据里的字段还按提示要求给出了用计算均值做降频的操作。# 三段式提示模板因子版可直接照抄改写 角色你是一名有 5 年经验的 A 股量化研究员熟悉 Level-2 逐笔委托与 3 秒快照数据。 任务构造一个用于中证 1000 成分股的选股因子输出因子名称、经济逻辑、计算公式、所需字段、降频方式。 指令 1. 数据范围仅限委托价与委托量不得使用成交额、财务数据、舆情数据 2. 因子必须在横截面上可比若量纲不一致必须给出标准化步骤 3. 给出日频与周频两种聚合口径并说明哪种更可能保持有效性 4. 只输出公式与字段说明不要输出无法执行的伪代码。这段模板的关键改动有三处把角色从泛化身份收窄到具体数据环境把数据边界写成白名单而不是黑名单把输出格式锁死。参数上可以调的只有第 1 条的白名单范围和第 3 条的频率口径其余部分建议固定下来方便多次生成后横向比较。思维链提示Chain-of-Thought Prompting解决的是另一类问题。研报用 IC 指标的缺陷做了一次压力测试两个因子 IC 值分别为 0.22 和 0.25但 A 因子虽然 IC 较低、多头表现较好B 因子 IC 较高、多头组却表现最差——按 IC 选因子会得到与实际相反的结果。直接问模型「怎么改进 IC 指标」它给不出切中要害的答案改用分步引导后模型先提出「每组内分别计算 IC 值再求均值」被指出逻辑漏洞后才给出「计算加权平均 IC反映不同组对整体 IC 的贡献」再提示 A 股存在做空限制模型最终给出「给做多组赋予更高权重」。这条链的价值不在结论而在流程复杂问题上不要一次性问结果要拆成「现象描述—初步方案—指出漏洞—补充约束—收敛」五步。研报也提醒模型处理实际问题时仍存在「生搬硬套」的现象需要不断提示纠正。你把漏洞指出来它才会改你不指它就当没这回事。3. 周频变异系数因子5 日滚动口径下的四张 IC 表与一个反直觉结果这是整份研报里最容易复现的一段因为只用日频量价数据。它的价值也不在因子本身多强——多头超额只有 2.75%——而在于它完整展示了一条「提示产出因子 → 构造 → 测试 → 判断能不能用」的链路以及一个很多人会误读的结果IC 显著不等于策略能赚钱。3.1 四个公式与 5 日滚动口径的实际写法研报里模型给出的原始思路是在收盘价和成交量两个领域分别计算变异系数再相乘得到综合选股因子用来衡量股票的波动性和流动性。研究者在此基础上做了一次变形把两者相除得到新的变异系数因子。四个口径分别是LI σ_price / μ_price价格变异系数VLI σ_vol / μ_vol成交量变异系数LIxVLI LI × VLI乘积因子LI2VLI LI / VLI比值因子数据口径是日频量价取过去 5 天的价格和成交量变异系数进行计算测试区间 2016 年至 2022 年 8 月股票池为中证 1000 指数成份股周度调仓每周初开盘价买入、每周最后一个交易日收盘价卖出。import numpy as np import pandas as pd def cv_factor(df, price_colclose, vol_colvolume, window5): df: 单只股票的日频数据必须含 trade_date / close / volume按日期升序 window: 滚动窗口研报口径为 5 个交易日 返回: 含 LI / VLI / LIxVLI / LI2VLI 四列 g df.sort_values(trade_date).copy() roll g[price_col].rolling(window, min_periodswindow) # ddof0 与研报的总体标准差口径一致改成 1 会让小样本窗口的因子值整体偏大 li roll.std(ddof0) / roll.mean() vroll g[vol_col].rolling(window, min_periodswindow) vli vroll.std(ddof0) / vroll.mean() out pd.DataFrame({ trade_date: g[trade_date].values, LI: li.values, VLI: vli.values, }) out[LIxVLI] out[LI] * out[VLI] # 除零保护停牌或极端缩量时 VLI 可能为 0直接除会得到 inf 污染整个截面 out[LI2VLI] out[LI] / out[VLI].replace(0, np.nan) return out参数上有三个地方值得说清楚。window5是研报设定改大之后因子会更平滑但衰减更慢做周频调仓时窗口和调仓周期最好错开否则会出现「用本周数据算本周信号」的隐性问题。min_periodswindow保证前 4 天不出值避免半窗口因子混进截面。ddof0是总体标准差样本量只有 5 时用ddof1会让因子值系统性偏大约 12%虽然对排序影响有限但和研报数值对不上时先查这里。3.2 面板对齐与调仓价格未来函数最容易藏在这三步单只股票算完只是第一步真正容易翻车的是把几千只股票拼成截面、再和周度调仓对齐。研报的约定是每周初开盘价买入、每周最后一个交易日收盘价卖出这意味着周一开盘用的信号必须完全来自上周五收盘之前的数据。落到代码上有三个动作先在日频上算因子再取每周最后一个交易日的因子值作为下周信号最后把信号整体往后移一期。# 1) 日频因子 - 每周最后一个交易日的快照此时该周数据已全部可得 factor_weekly (factor_daily .set_index(trade_date) .groupby(symbol) .resample(W-FRI).last() .reset_index()) # 2) 关键一步信号后移一期周一开盘只能看到上周五的信号 factor_weekly[signal] (factor_weekly .groupby(symbol)[LI2VLI] .shift(1)) # 3) 交易价格周一开盘买入当周最后交易日收盘卖出 px price_daily.set_index(trade_date) buy_px px.groupby(symbol)[open].resample(W-MON).first() sell_px px.groupby(symbol)[close].resample(W-FRI).last()resample(W-FRI)取的是每周最后一个交易日遇到节假日会自动落到前一个交易日这一点比手写「周五」安全。shift(1)是按股票分组的漏掉groupby会让信号串到别的股票上这是我自己踩过的坑——回测收益突然变得好得离谱查了两天才发现是跨股票错位。买卖价格分开取而不是统一用收盘价是因为研报明确用了周初开盘买、周末收盘卖这两个价格之间的差异在高波动周能吃掉一多半超额。3.3 IC 表和净值表放在一起看才知道因子能不能用研报给出的 IC 结果是这样的LI 均值 -5.36%T 统计量 -8.07VLI 均值 -2.79%T 值 -7.53LIxVLI 均值 -5.29%T 值 -10.74LI2VLI 均值 -3.11%T 值 -4.69。四个因子的 T 值绝对值全部大于 2按常规标准都算显著。研报的解释是价格和成交量的波动率均为越低越好基本符合低波动异象。但把多空组合指标摆上来故事就变味了因子多空年化收益多空波动率夏普最大回撤多头年化超额LI8.35%16.42%0.5131.43%-1.09%VLI8.40%9.75%0.8620.04%2.75%LIxVLI8.89%12.46%0.7127.58%0.74%LI2VLI2.06%15.87%0.1335.14%0.74%除 LI2VLI 外其余因子的多空曲线走势较为平稳多空年化收益在 8% 出头看着还行。但真正要关注的是多头组合年化超额——LI 是 -1.09%最好的 VLI 也只有 2.75%多头夏普 0.17。研报的结论很克制因子 IC 指标整体表现较好但多头表现欠佳因子单调性整体不够明显难以成功构建投资策略。这里有个特别容易被误读的点。IC 为负、T 值显著只说明「因子值越低、未来收益越高」这个排序关系在全截面上成立它衡量的是整条排序曲线的相关性而多头超额只看最上面那一组的绝对表现。一个因子完全可能在全截面上排得很准但最顶端那一组的超额被交易成本、行业分布、市值暴露吃得干干净净。A 股不能做空多空净值曲线再漂亮拿不到多头那一端就等于没有。所以看到「IC 显著」四个字先别高兴把多头超额那一列单独拉出来看这一条对后面高频因子同样适用。4. 高频买卖盘力量因子3 秒快照前十档到中证 1000 增强的 7.17%周频因子那一节的结论偏负面但它的存在意义是给高频因子做对照。研报选高频的理由写得很清楚利用高频数据构建选股因子是当前市场关注度较高的领域拥挤度相对较低且此类数据所能挖掘到的因子往往与传统因子有一定独立性。换句话说这条路的性价比在「独立性」上不在「更容易」上。4.1 从委托价与委托量到 BSForce 的公式推导研报对模型限定了数据使用范围——只能结合高频数据里独有的委托量和委托价并要求因子有一定原创性。经过引导后模型给出的是买卖盘力量因子。原始公式直接用量乘以价差但研究者发现逻辑上有问题不做标准化的话高价股的因子值会天然大于低价股横截面上根本不可比于是做了修正BForce BVol × (1 − price_bid / price)SForce SVol × (price_ask / price − 1)BSForce (BForce − SForce) / (BForce SForce)其中 BVol 和 SVol 分别代表买盘和卖盘的委托量price_bid 和 price_ask 是委托价price 作为基准价。分母的 BForce SForce 让因子落在 [-1, 1] 区间这正是横截面可比的关键。import numpy as np import pandas as pd BID_PX [fbid_px{i} for i in range(1, 11)] # 买一至买十价 BID_VOL [fbid_vol{i} for i in range(1, 11)] # 买一至买十量 ASK_PX [fask_px{i} for i in range(1, 11)] ASK_VOL [fask_vol{i} for i in range(1, 11)] def snapshot_force(df): df: 某只股票某个交易日的 3 秒快照需含上述 40 列 返回: 该日每一条快照的 BForce / SForce单位与委托量一致 bid_px df[BID_PX].to_numpy(dtypefloat64) bid_vol df[BID_VOL].to_numpy(dtypefloat64) ask_px df[ASK_PX].to_numpy(dtypefloat64) ask_vol df[ASK_VOL].to_numpy(dtypefloat64) # 基准价用买一卖一中间价避免用最新成交价时把买卖价差算成因子的一部分 mid (bid_px[:, 0] ask_px[:, 0]) / 2.0 b_force bid_vol * (1.0 - bid_px / mid[:, None]) s_force ask_vol * (ask_px / mid[:, None] - 1.0) # 十档求和研报口径是对前十档分别求值后聚合 return pd.DataFrame({ BForce: b_force.sum(axis1), SForce: s_force.sum(axis1), })三个参数细节。第一基准价研报公式里写的是 price实操中用中间价更稳直接用最新成交价会把买卖价差混进因子导致因子的一部分收益来自价差而不是力量失衡。第二十档求和还是求均值研报原文是「分别求出前十档的买入委托价、买入委托量和卖出委托价、卖出委托量最终每个交易日求出均值」实测下来求和与均值对排序结果影响不大但求和会让因子值的量纲随股票规模大幅波动我在截面回归前一般会再做一次去极值和标准化。第三mid[:, None]这个广播维度不要写错写反了会得到 40×40 的矩阵跑得慢还不报错。4.2 tick 清洗与日频聚合这四类快照必须剔掉把逐条快照聚合成日频因子中间隔着清洗这一步。常见的四类要剔除集合竞价时段的快照十档委托往往不全且没有连续撮合、涨跌停板上的快照买盘或卖盘会挂出天量直接污染当日均值、停牌与长时间无更新的快照重复值会把均值往一边拽、以及买一价或卖一价缺失的快照。def daily_force(snapshots): snapshots: 单只股票单日的全量快照已按时间升序 s snapshots.copy() # 剔除集合竞价只保留连续竞价时段 s s[(s[time] 09:30:00) (s[time] 14:57:00)] # 剔除涨跌停用当日涨跌停价判断买一价等于涨停价即封板 s s[s[bid_px1] s[limit_up]] s s[s[ask_px1] s[limit_down]] # 剔除缺档快照 s s.dropna(subset[bid_px1, ask_px1]) f snapshot_force(s) daily f.mean() # 当天所有快照求均值得到日频因子 daily[BSForce] (daily[BForce] - daily[SForce]) / \ (daily[BForce] daily[SForce]) return daily研报的做法是对每只股票每天 3 秒快照数据分别求前十档的委托价、委托量和委托价均值最终每个交易日求出均值得到买盘力量、卖盘力量和买卖盘力量差异因子。这里有个隐含假设日内快照的算术平均能代表当天的力量水平。如果你发现因子在震荡市里表现明显变差可以试试改成分时段加权或取尾盘 30 分钟均值本质是在处理「日内信息分布不均匀」这件事。4.3 日频测试结果与衰减速度夏普 4.51 为什么不能直接用日频测试区间是 2016 年 1 月至 2022 年 8 月股票池为中证 1000 指数成份股以次日开盘价作为买入价格。IC 结果BForce 均值 -0.24%T 值 -0.61SForce 均值 -1.02%T 值 -2.87BSForce 均值 1.13%T 值 7.00。买卖盘力量差异因子的显著性明显高于单边因子。因子多空年化收益多空波动率夏普最大回撤多头年化超额BForce18.74%19.47%0.9635.25%11.17%SForce4.06%18.88%0.2238.71%6.57%BSForce37.00%8.21%4.514.88%17.29%BSForce 的多空夏普 4.51、最大回撤 4.88%这个组合在所有测试里是最漂亮的。但研报紧接着给了一句关键判断日频调仓的成本过高对实际投资的盈利水平影响较大难以获得实际收益而且 BSForce 衰减速度过快在第二天基本已经失效。于是只把买盘力量和卖盘力量因子降到周频测试在中证 1000 成份股上每周第一个交易日开盘价成交。降频之后的结果明显下来了BForce 多头年化超额 9.77%SForce 10.20%虽然整体多空单调性一般但多头组合表现尚可。研报最终选了相对表现更好的卖盘力量因子来构建中证 1000 指数增强策略在单边千分之二的手续费率下年化超额收益率 7.17%信息比率 0.57。这条链路里最值得记住的是「衰减」这两个字。BSForce 的日频夏普 4.51 是真的但它依赖的是买卖盘失衡在次日开盘前的短暂定价偏差一旦把调仓频率降到周频、或者把费率提到千二收益就会被交易成本和信号失效两头夹击。高频因子的夏普要打两个折扣一个是换手率折扣一个是衰减折扣。研报的处理方式很务实——不硬扛日频直接降频看还剩多少剩下的那部分才是能装进产品的。4.4 指数增强的落地7.17% 超额背后有哪些约束用卖盘力量因子做中证 1000 增强年化超额 7.17%、IR 0.57这个数字在单边千二费率下不算惊艳但对一个依赖高频委托数据的单因子策略来说已经是可用的起点。落地时有几个约束必须明确写进流程否则回测和实盘的差距会比这 7.17% 大得多。环节需要固定的口径常见错误股票池中证 1000 成分股按调仓日前一交易日名单用当前成分股回溯引入幸存者偏差权重约束个股相对基准的主动权重上限、行业中性只做市值加权行业暴露吃掉超额换手控制单期换手上限、缓冲带因子排名小幅变动就全额调仓费率吞掉收益费率假设单边千分之二含印花税与冲击成本用万分之一估算回测虚高我在复现这类策略时习惯先把费率调到单边千分之三跑一遍如果超额还剩一半以上才认为这个因子有实用价值。研报给的是千二这是一个偏乐观但不离谱的假设真实冲击成本取决于你的资金规模和下单方式小资金可以更乐观大资金必须往下打折。5. 避坑排查因子挖掘链路上五类翻车现场这一章是我认为整份研报最该反复看的部分——不是因为它写了什么而是因为它没写、但你在复现时一定会撞上的东西。下面五条按「现象 → 原因 → 解决」展开每一条都对应研报里的某个具体口径。第一条因子公式完全照抄多空净值却是一条水平线。现象是代码不报错、因子值也有但分组收益全为 0 或者完全随机。原因通常出在价格口径上研报的委托价是快照里的买一卖一而很多人拿到的是逐笔成交的成交价两者差一个买卖价差而这个价差恰恰是因子收益的主要来源另一个常见原因是复权——用未复权价算 LI 和 VLI除权日当天价格跳空会让变异系数瞬间翻倍这个异常值会污染整个截面。解决方式是把字段映射表先写出来逐列核对单位手还是股、时点快照时间戳还是交易所推送时间、复权方式前复权还是后复权再动手算因子。我一般会在算因子前先跑一遍数据体检每一天的截面股票数、缺失率、因子值的 1% 和 99% 分位这三项里任何一项异常都说明数据没对齐。第二条IC 显著为正多头组却跑输基准。现象和第三章周频因子完全一致T 值大于 2多空曲线平稳向上但把空头那一半去掉剩下的多头超额是负的。原因是 IC 衡量的是整条排序曲线的秩相关它对中间段和空头段同样敏感而实际组合只能买多头。解决方式是在看 IC 的同时强制看三个数多头组年化超额、多头组夏普、以及分组收益的单调性。研报里 LI 因子多空年化 8.35%、多头超额 -1.09%就是典型的「空头贡献全部收益」。如果多头超额为负而多空为正这个因子在 A 股基本没有独立使用价值只能作为多因子的对冲腿或者风险因子。第三条回测收益高得离谱一查是未来函数。现象是年化收益 50% 以上、最大回撤个位数、夏普超过 3。原因几乎总是信号和交易时点错位常见的三种用当日收盘价算因子、当日收盘价买入用周频resample之后忘记shift导致周一用了本周五的数据以及在截面标准化时用了全样本均值而不是滚动窗口把未来信息漏进了历史。解决方式是做一次「时间机器测试」——把回测的结束日期往前挪一年重跑如果曲线形状大幅变化说明有前视再做一个「随机信号对照」用同分布的随机数替代因子值跑同样的流程正常应该得到接近 0 的超额如果随机信号也能跑出正超额说明流程里有系统性的泄漏。第四条照抄模型给的代码运行报列名错误。现象是KeyError或者跑出来的因子全是 NaN。原因是模型生成的代码用的是通用列名close、volume、bid_price而你的表里可能是last_px、total_vol、bp1或者模型默认了「买一到买十」的列顺序而你的数据是「卖一到卖十在前」。研报里也提到模型针对常用的量化研究所需框架和函数能较准确地给出结果但使用时需要注意代码细节确保符合实际需求对模型给的代码做微调可以大幅提升研究效率。解决方式很朴素让模型先输出字段映射表再输出代码拿到代码后第一件事不是跑而是把每个df[...]里的列名对着自己的 schema 过一遍。我现在的习惯是在提示末尾固定加一句「代码中所有列名必须来自我给出的字段清单不得自创」。第五条因子第二天就失效但没人测过衰减曲线。现象是日频回测夏普 4.51改成周频调仓后收益腰斩实盘更差。原因是这类委托量因子捕捉的是极短周期的供需失衡研报明确写了 BSForce 在第二天基本已经失效只有 BForce 和 SForce 降频后还能保留 9.77% 和 10.20% 的多头超额。解决方式是在因子测试阶段就加一张衰减表分别用 T1、T2、T3、T5 的收益算 IC看 IC 衰减到一半需要几天。如果半衰期只有 1 天这个因子就只能做日内或 T1任何周频组合都是在赌如果半衰期超过 5 天才值得考虑降频使用。这张表的成本很低但能省掉后面几个月的无效优化。6. 进阶验证把模型给的代码压进一条可复跑的研究流水线模型给的代码能跑通只是及格线能复跑、能对照、能证伪才算过关。我在这类项目上固定跑三步验证每一步都设了通过标准任何一步不过就不往下走。验证步骤具体做法通过标准不通过怎么办随机因子对照用同分布随机数替换因子值跑完整流程多头超额在 ±1% 内查信号对齐、查费率、查分组逻辑衰减曲线用 T1 到 T5 收益分别算 IC半衰期覆盖目标调仓周期缩短调仓周期或换因子费率敏感性单边费率从万五到千三各跑一遍千三下超额仍为正加换手约束或降低调仓频率随机因子对照这一步最容易被跳过但它能抓出 90% 的流程性错误。研报里 BSForce 的多空夏普 4.51 看着诱人我用随机信号跑同样流程时曾得到过 0.8 的夏普一查是分组时用了未来一期的行业分类——这类错误不会报错只会让你的因子看起来特别好。第二个习惯是给每个因子写一行「墓志铭」数据来源、构造公式、测试区间、股票池、调仓频率、费率假设、多头超额、半衰期八个字段一张表。研报里的四个变异系数因子和三个力量因子我全部按这个格式记了一份后来发现真正能进组合的只有两个其余的在第二步衰减曲线就挂了。没有这张表三个月后你连自己测过什么都没印象。第三个是模型输出的归档。每次让模型生成因子把完整提示、原始回答、你改了什么、改完的测试结果一起存下来。研报里那次思维链纠偏用了五轮提示才收敛到「给做多组更高权重」这个纠偏过程本身就是资产——下次遇到类似问题可以直接从第三轮开始问不用从零磨。说个自己的教训。早期复现高频因子时我看到 BSForce 日频夏普 4.51 就直接上了周频组合结果实盘第一周就发现换手率高得离谱千二费率吃掉了大部分超额回头才去补衰减曲线和费率敏感性两张表。从那以后我每次拿到一个新因子不管夏普多漂亮都强制先走一遍「随机对照—衰减曲线—费率敏感性」这三步一步都不跳。希望帮到你。本文还有配套的精品资源点击获取