华西金工：让大模型先编故事再选股，量化跳出纯因子范式

华西证券金工团队抛出了一套挺不一样的思路：用大语言模型做「叙事驱动」的选股。传统量化挖因子，本质是在一大堆数学表达式和代码函数里搜索、进化，找能预测涨跌的统计规律；这篇报告反其道而行，先让 LLM 推演出一个有市场逻辑的量价交易故事，再把这个故事翻译成可回测的选股规则。

为什么要从「故事」开始。纯因子框架有个老毛病：容易生成结构复杂、逻辑说不清、缺乏交易直觉的因子，过拟合风险偏高。模型可能在历史数据上跑得漂亮，一换环境就失灵。叙事驱动想解决的，正是「可解释性」——它要求先讲清楚「为什么这笔交易该成立」，再谈怎么用代码实现，而不是反过来用代码结果去硬编一个解释，本末倒置。

具体怎么做。报告把框架设计成四步闭环：第一步假设，LLM 观察特征分布，提出有金融逻辑支撑的选股假设；第二步编码，把假设翻成可执行的 Python 选股函数；第三步验证，用自动回测引擎看效果；第四步反思，LLM 分析回测结果，修正叙事理解，再编码进入下一轮。整个过程中，交易逻辑由模型完整生成且自洽，是可复盘的具体叙事，而不是若干因子加权得到的黑箱得分。

这套方法的落脚点很清楚：在追求统计显著性的同时，也追求策略的可理解与稳健。大模型在量化里的角色，正从「直接下单的执行者」退回到「投研辅助和因子生成器」——它擅长离线研发、语义校验和假设推演，但真到低延迟交易，仍要回到严谨的回测与风控。

对从业者来说，这或许是大模型落地量化的更务实姿态：先让模型讲人话，再让它写代码，比直接要一个神秘因子更靠谱。因子的「可解释」不等于「能赚钱」，但至少让研究员知道策略为什么生效、何时可能失效，出了问题能定位，而不是对着一串历史收益干瞪眼。

更广义地看，叙事驱动选股反映了量化行业的一个转向：从「唯回测论」到「逻辑与数据并重」。当市场结构变化加快、旧因子集体失效时，能快速讲出新故事、再用代码验证的框架，比死守一组静态因子更有韧性。当然，故事讲得漂亮不代表实盘能赢，最终还是要回测和实盘双重检验。