大模型应用于因子挖掘的思考

今天来聊聊大模型智能体，我相信这会是未来。

无论是金融领域，还是其他领域。

智能体形态会重构当前的所有app，app store会变成智能体store。

而金融投资领域，作为信息最密集，离钱最近的领域，LLM agent技术大有作为。

基于大模型的智能体相比于以前智能体，最大变化是利用大模型可以实现智能体行为的路径规划。

行为路径规划过程是利用的大模型思维链能力对用户不清晰或者复杂的指令进行步骤拆解，拆解成清晰的工具执行或者答案，并且可以根据工具执行结果或者环境的变化，重新使用大模型再进行新的路径规划，直到找到合适的路径。

LangChain，还有LammaIndex、AutoGen、SuperAGI等可以支持LLM 智能体的实现。

在人类从事一项需要多个步骤的任务时，而步骤和步骤之间，或者说动作和动作之间，往往会有一个推理过程。

在大模型还没有出来的时候，我关注kensho比较多，当时号称要取代交易员，而且标普以数亿美元的价格将它收购；另外一个就是IBM的watson。

现在看来，在chatGPT为代表的大模型面前，它们都是小儿科了。

当时的人们，希望走知识图谱的路径，做到真正的智能问答。

现在看来，openAI找到了真正的路。

用大模型的视角，重视审视kensho。

kensho其实是面向分析师，做一些定性的分析，其实离交易还有十万八千里。从做交易的角度，策略背后就是因子，因子背后就是因子表达式，因子分析与因子组合回测。

普通人更多关心交易，投资领域本身并非严格意义上的科学，很难做到逻辑自洽，多数是“事后黑天鹅”的自洽和“随机漫步的傻瓜”。因此我们更关心策略，背后就是因子挖掘。

其实咱们星球两大主线：一是确定性的规则，比如趋势交易，使用交易规则，实现简单，易用，可解决，长期有效。当然还包括被动型管理：大类资产配置，风险平价，定投和网格这种。

昨天的文章：研报拆解：大语言模型LLM和多智能体(Multi-Agents)实现量价因子挖掘框架，这个智能体的架构还是合理的。

但除了第一步与LLM有强关系之外，其余还只是调工具，其实“Hard code”也区别不大。第一步比较有意思，通过few-shot让大模型组合因子表达式，并解释其中的含义，把因子的可解释性也解决了，比咱们DeepAlphaDeepAlpha通用因子挖掘：支持GPlearn遗传算法和深度强化学习挖掘因子（代码+数据下载）通过遗传算法、深度强化学习得到的因子表达式，更具可解释性。

因子挖掘

因子挖掘：找到更多与未来股票收益高度相关的因子；——生成表达式，表达式计算代码，因子分析/回测。

咱们星球里开源的DeepAlpha，其实支持GPlearn遗传算法和强化学习的方式挖掘因子。

从本质上讲，挖掘因子，无外乎生成符合要求的因子表达式，然后评估这个因子的性能，按要求去“改进”。

遗传算法、强化学习以及大模型都有这个能力。但大模型的优点在于Few-shot可以在人工因子的基础上去模仿和学习，这个遗传算法和强化学习是做不到了。

因子配置：找到因子对未来收益的影响比重和影响方式。