中金：Multi-Agent如何辩论出基本面Alpha？
创建于 更新于
摘要
本报告提出基于Multi-Agent多智能体辩论的基本面因子挖掘框架，由两位Agent分别从价值/质量与成长/动量视角提出并批判因子假设，形成可回测、可入库的迭代闭环。通过“自由探索-约束搜索”两阶段机制与历史优质因子库的经验记忆，显著提升因子质量、覆盖范围与稳定性，最终得到44个低相关的基本面因子，样本内IC约3.5%、最高年化超额收益10.84%，样本外IC约2.1%、最高18.53%。研究强调先充分探索再引入相关性约束以避免早期收敛，同时通过相关性警告、入库阈值等控件实现去相关化与长期迭代的可持续性；并给出QA级别的因子示例（如QVPAM、OLCED）来验证因子经济含义与跨风格鲁棒性。该框架还讨论了Prompt设计、数据口径约束、无量纲化等在实证中的应用与风险控制，强调LLM结果的随机性及复现性问题需要通过多轮生成与回测平均来缓解。[page::0][page::1][page::12][page::13][page::16]
