華西金工：讓大模型先編故事再選股，量化跳出純因子正規化

華西證券金工團隊丟擲了一套挺不一樣的思路：用大語言模型做「敘事驅動」的選股。傳統量化挖因子，本質是在一大堆數學表示式和程式碼函式里搜尋、進化，找能預測漲跌的統計規律；這篇報告反其道而行，先讓 LLM 推演出一個有市場邏輯的量價交易故事，再把這個故事翻譯成可回測的選股規則。

為什麼要從「故事」開始。純因子框架有個老毛病：容易生成結構複雜、邏輯說不清、缺乏交易直覺的因子，過擬合風險偏高。模型可能在歷史資料上跑得漂亮，一換環境就失靈。敘事驅動想解決的，正是「可解釋性」——它要求先講清楚「為什麼這筆交易該成立」，再談怎麼用程式碼實現，而不是反過來用程式碼結果去硬編一個解釋，本末倒置。

具體怎麼做。報告把框架設計成四步閉環：第一步假設，LLM 觀察特徵分佈，提出有金融邏輯支撐的選股假設；第二步編碼，把假設翻成可執行的 Python 選股函式；第三步驗證，用自動回測引擎看效果；第四步反思，LLM 分析回測結果，修正敘事理解，再編碼進入下一輪。整個過程中，交易邏輯由模型完整生成且自洽，是可覆盤的具體敘事，而不是若干因子加權得到的黑箱得分。

這套方法的落腳點很清楚：在追求統計顯著性的同時，也追求策略的可理解與穩健。大模型在量化裡的角色，正從「直接下單的執行者」退回到「投研輔助和因子生成器」——它擅長離線研發、語義校驗和假設推演，但真到低延遲交易，仍要回到嚴謹的回測與風控。

對從業者來說，這或許是大模型落地量化的更務實姿態：先讓模型講人話，再讓它寫程式碼，比直接要一個神秘因子更靠譜。因子的「可解釋」不等於「能賺錢」，但至少讓研究員知道策略為什麼生效、何時可能失效，出了問題能定位，而不是對著一串歷史收益乾瞪眼。

更廣義地看，敘事驅動選股反映了量化行業的一個轉向：從「唯回測論」到「邏輯與資料並重」。當市場結構變化加快、舊因子集體失效時，能快速講出新故事、再用程式碼驗證的框架，比死守一組靜態因子更有韌性。當然，故事講得漂亮不代表實盤能贏，最終還是要回測和實盤雙重檢驗。