研究背景。随着各类大语言模型、AI智能体的不断进化，学术界和产业界开始探索这些先进工具在量化投资领域的直接应用，而不仅仅是“代码编写”等辅助性功能。比如，近期论文“Cognitive AlphaMining via LLM-Driven Code-Based Evolution”提出了一种结合大语言模型与进化计算的因子挖掘框架，通过七级智能体多层次结构、多样化生成提示、多智能体质量检查器、适应度评估及思维进化等组件，实现了可解释、稳健且多样化的Alpha因子全自动挖掘。
　　本文探索。本研究参考上述论文，完整复现了整个框架，并针对中国A股市场进行了重要优化。具体而言，该框架是一个“生成-评估-进化”的迭代循环，全流程无需人工介入。从因子初始化生成，到评估与筛选，再到迭代进化，完全由智能体与大语言模型进行交互实现。如果大语言模型返回的因子构建代码出现错误，智能体亦能自动捕捉并反馈大语言模型进行修正，真正实现了“全自动化”。该框架主要包括以下核心流程：
　　1.初始化与生成：启动后，每个位于七层架构中的智能体会根据其专属提示词，调用大语言模型生成一批初始的因子函数代码。
　　2.评估与筛选：这些代码会经过多智能体质量检查器的校验，以及包括IC、RankIC等指标的适应度评估。根据综合得分，生成的因子会被分为无效、合格和精英三大类。合格因子将被纳入父代池，而精英因子将被永久保存。
　　3.思维进化：在每一代演化中，系统会对父代池中的因子进行突变或交叉操作，从而生成子代因子。同时，每隔一代演化也会注入少量全新生成的因子，以维持因子种群的多样性。
　　4.循环迭代：新生成的子代因子再次经过质量检查和适应度评估，筛选出新的合格因子与精英因子，并更新父代池和最终精英池。此过程循环进行，直至达到预设的演化代数。
　　5.输出：所有智能体完成演化后，系统对收集到的精英因子进行去重，并输出最终的因子库。
　　实证分析。本文在中国A股市场（2011.01-2025.12）上使用DeepSeek-v4-pro和Qwen3-VL-235B两个大语言模型进行实证。结果表明，在沪深全市场范围内以10个交易日作为换仓周期，DeepSeekv4-pro生成的因子IC均值为2.15%，Qwen3-VL-235B生成的因子IC均值为2.95%。使用不同大语言模型会生成大量相关性较高的因子，但仍有部分相对独立的因子可在因子合成时提供增量价值。进一步分析发现，“突变+交叉”进化策略实际增益有限，大语言模型的创新能力主要表现为对训练语料的复现与参数微调。本报告同时提出了“信息截断”改进，以防止未来信息泄漏，并对算法有效性进行了讨论。
　　风险提示。本文所述模型用量化方法通过历史数据统计、建模和测算完成，所得结论与规律在市场政策、环境变化时存在失效风险；本文策略在市场结构及交易行为改变时有可能存在失效风险；因量化模型不同，本文提出的观点可能与其他量化模型结论存在差异。