本文深入探讨了如何通过融合大型语言模型（LLMs）来进化和优化基本面因子挖掘的统一框架。报告首先回顾了基本面因子挖掘的三种主要范式：传统的手动挖掘、基于算法的自动挖掘，以及最新的Human-AI交互算法。特别强调了Human-AI交互算法的优势，即结合了LLMs的能力，按照人类的指导进行因子挖掘，以生成大量可解释的因子。
　　本文详细介绍了基本面因子挖掘的统一框架，包括因子生成、计算、验证和筛选的全过程。在因子生成阶段，采用了随机法、枚举法和领域知识法来构造因子结构，并通过限制复杂度和量纲的合法性来确保因子的简洁性和可解释性。因子计算阶段，报告提出了一个两层结构，自动处理因子的量纲、频率和公告期等问题，同时介绍了多种算子，包括元素、时序和横截面算子，以及它们的量纲规则。
　　为了提高因子计算的效率，本文提出了使用Cython和流式计算技术的解决方案，显著减少了计算时间。在因子进化阶段，结合了遗传规划算法（GP）和LLMs，通过大模型分析因子的含义和规律，生成改进后的因子。报告还提供了LLMs进化因子的示例，展示了如何根据给定的IC指标和历史因子输出新的改进因子。
　　最后，通过模型回测对比，Factor Zoo的因子展示除了更加稳定的收益，将Factor Zoo因子与OPENFE因子融合后，收益及稳定性均有所提升