中金 Loop Engineering 自动化因子发现引擎¶
Ch01.1200 中金 Loop Engineering 自动化因子发现引擎¶
📊 Level ⭐⭐ | 4.9KB |
entities/cicc-loop-engineering-factor-discovery-engine-2026-08-06.md
中金 Loop Engineering 自动化因子发现引擎¶
中金公司研究部《大模型系列（7）》：把量化因子挖掘流程（提假设→回测→筛选审查）封装为基于大模型 Loop 机制的自动化 A 股量价因子发现系统。Loop Engineering 在量化金融领域的首个完整落地案例（库内其余 loop 实体均为 devops/编码场景）。
核心数据¶
| 指标 | 数值 |
|---|---|
| 迭代轮数 | 581 轮（每 5 分钟一轮，3 整天） |
| 候选因子 | 16,939 个（成功率 0.41%） |
| 保留因子 | 21 大类 69 个独立因子 |
| 平均超额夏普 | 1.60（28 大类代表 1.63） |
| 平均年化超额 | 11.7%（2025 以来） |
| Top 5 复合 | 夏普 3.14，年化超额 18.3%（2025: 17.3% / 2026: 13.9%） |
| 最优单因子 | 跳空趋势背离 夏普 2.74 / 超额 15.5% |
架构：生成—审查—验证三步闭环¶
Loop 工程组件¶
系统核心是"生成—审查—验证"三步闭环流水线，由五类 Loop 组件支撑：
- loop 命令定时调度：每 5 分钟触发一轮迭代
- 检查点文件：已测试因子哈希集合 + 入库因子完整信息（IC 序列快照+多维评分）+ 动量追踪器状态 + 迭代计数，原子写入——任意时点中断可断点续跑
- Skill 封装：项目背景/算子字段定义/回测参数/工程约束固化为 Skill，无需重复交代背景
- Sub-agents 分离：生成与审查 LLM 调用从编排脚本独立，与硬编码回测隔离——降低单一模型自我说服风险
- Hooks：每轮迭代结束自动输出因子库状态摘要
五维演化¶
因子生成五种操作按比例演化（探索-利用动态平衡）：变异 25%（替换子树）/ 交叉 25%（交换子树）/ 参数扰动 15%（动量引导微调窗口）/ 随机探索 15%（数据驱动特征分布引导）/ LLM 生成 20%（机制族假设驱动，共 13 个机制族）。动态预算随因子库状态调整。
评估体系¶
- 11 项联合过滤：|IC|>0.03、2025/2026 年超额>0、双年夏普>0.5、Calmar>1.0、近 9/12 月超额>0、IC 相关性<0.70
- FSA（频繁子树规避）：超 15% 阈值的结构骨架禁止复用，防搜索同质化
- 五维评分：预测能力/稳定性/多样性/换手率/过拟合风险——避免 Goodhart 定律
- 失败模式库：失败表达式写入，生成阶段自动排除
自适应能力：三次自动方向调整¶
搜索过程展示 Loop 系统的自主演化：①前 50 轮冷启动随机探索（仅入库 4 个），数据驱动特征分布自动提升 overnight 权重 4 倍；②50-400 轮变异交叉在 overnight 骨架平稳积累；③401-450 轮集中爆发（50 轮入库 51 个，占 74%）；④450 轮后 FSA 冻结 overnight 骨架，搜索自动转向 down_shadow（4%→17%）/hl_ratio（9%→17%）。三次转向均无需人工设定规则。
与传统方法对比¶
- Loop vs 简单 for 循环调 LLM：后者每轮独立/无状态传递/无失败学习；Loop 通过检查点持久化 + FSA 失败规避 + 动态预算使搜索效率随迭代累积提升
- 大模型评判经济学含义：避免无意义统计因子
- 可自定义优化方向：非单维度指标
- 模块化扩展：改 Skill 文件即可扩展到另类/高频数据或其他资产类别
局限¶
信号源集中（overnight 85%）；搜索仅 3 天（FSA 后新方向因子夏普 0.92 vs 核心家族 1.68）；限于日频价量数据；样本外表现无法保证。
关联¶
- 交易与量化 AI — 量化因子挖掘/策略回测/Alpha 生成的概念页
- Loop Engineering 方法论 — 通用方法论：感知-决策-执行-验证四阶段
- 阿里云 Loop 实战（日志扫描→预发部署） — Loop 在 devops 场景的应用；本实体是量化金融场景
- Loop Engineering 四层框架 — 另一 Loop 落地框架
- → 原文存档