核心观点
　　本文建立了一套较为完整的方法体系：以点时一致性作为数据基础，以变量语义组织作为研究前提，通过受约束的候选生成控制表达空间，借助多目标函数完成候选评估，并以冗余控制与因子库准入保证研究质量，最终通过持续跟踪和分层归档实现研究资产的系统化管理。依此路径，因子研究不再停留于一次性回测，而能够形成可持续积累、可复盘、可迭代的Alpha研究生产体系。
　　主要内容
　　简介
　　本文构建了一套量价与基本面因子的联合挖掘框架，本文将市场行为与公司质量放在同一框架下进行刻画：前者负责识别定价方向和交易时点，后者负责提供价值锚和基本面约束。二者结合后，不仅能够缓解单一量价因子的高噪声问题，也能弥补单一基本面因子交易敏感度不足的缺陷，从而更容易挖掘出兼具经济解释、市场确认和样本外稳健性的优质因子。
　　框架
　　综合来看，本研究的因子挖掘算法可以概括为一条连续的研究闭环：以量纲和语义约束定义可解释搜索空间，强类型表达式树和经济模板生成候选结构，历史有效因子和LLM反馈形成热启动种子，以结构化简和形式去重提高候选质量，GP加LLM提升因子表现，预筛控制计算成本，全样本复核确认统计有效性，再通过Pareto排序和IC序列相关性筛选完成active因子库沉淀。
　　结果
　　在本文中，我们采用基础的日频量价信息，三大财务报表，以及WIND的金融指标表等基础数据，数据起始日期设定为2016年1月1日，因子预测目标为未来5日的收益率，分别在中证500和沪深300内进行测试。
　　结论
　　本文的核心结论是：基本面与量价因子挖掘的关键，并不在于两类变量的简单组合，而在于将"企业经营变化"与"市场定价确认"统一为一个可经横截面检验的定价模型。
　　风险分析
　　本报告中所有数据结果是基于历史统计结果的展示，未来有可能发生风格切换导致因子失效的风险。模型运行存在一定的随机性，初始化随机数种子会对结果产生影响，单次运行结果可能会有一定偏差。历史数据的区间选择会对结果产生一定的影响。模型参数的不同会影响最终结果。模型对计算资源要求较高，运算量不足会导致结果存在一定的欠拟合风险。本文所有模型结果均来自历史数据，模型存在统计误差，不保证模型未来的有效性，对投资不构成任何建议。