HFT内部研究 | 综述：大语言模型（LLM）在选股因子挖掘中的应用

文章预览

    近期，大型语言模型（LLM）在量化金融领域的应用逐步成为新的研究热点，在因子挖掘方面，展现了巨大的潜力。本文 为 HFT研究组（LLM方向） 的阶段性成果 ， 旨在梳理目前 LLM 在因子挖掘中的主要应用和方法，并总结其优势和挑战，为后续的研究工作做铺垫。 资料来源：HFT整理 1.因子挖掘的传统方法与局限性     传统因子挖掘方法主要分为两类： 人工手动挖掘 和 算法自动挖掘 。人工挖掘依赖于研究员的专业经验和市场理解，但其效率低下且成本高昂。而自动化挖掘则通过机器学习等算法来探索潜在因子，尽管减少了人工成本，但也存在过拟合和可解释性较差的问题。     LLM 因子挖掘 的引入或能有效解决上述问题。     第一，LLM 一方面能够降低人工挖掘因子的高人力成本，另一方面弥补自动化算法在灵活性和 可解释性 上的不足 ………………………………