本研究围绕AI因子研究中的“搜索能力”与“沉淀能力”展开：一方面将大语言模型的金融逻辑推理能力引入遗传编程搜索，另一方面让大语言模型在代码空间中生成因子并自主沉淀工具函数，最终进一步封装为可复用的选股因子迭代Skill。传统量价因子研究通常依赖研究员人工提出假设、编写表达式并反复回测，研究效率和搜索广度均受到限制；而单纯依靠大语言模型直接生成因子，又面临推理成本较高、批量探索能力不足、历史反馈难以沉淀等问题。本文尝试从两个维度解决上述矛盾：第一，在表达式空间中引入LLM增强遗传编程，用大语言模型提供金融逻辑和子表达式基因，用遗传算法完成高强度搜索；第二，在函数空间中让LLM直接生成可运行的Pandas/Numpy因子函数，并通过历史反馈和工具函数库持续迭代。两条路线分别对应“可控表达式搜索”和“开放函数式生成”，共同目标并不是让AI机械地产生更多公式，而是让AI参与因子研究的完整链条：提出假设、生成信号、接受评测、吸收反馈，并将可复用经验沉淀下来。
　　 LLM增强遗传编程路线实现了大语言模型金融逻辑与遗传算法搜索能力的结合，在表达式空间中生成了87个候选量价因子。传统遗传编程可以在大规模表达式空间中快速搜索，但容易生成缺乏金融解释、结构复杂且过拟合风险较高的因子；LLM直接写因子具备较强逻辑性，但难以低成本完成大规模批量探索。本文通过LLM提取子表达式基因、构建表达式树搜索空间、分岛进化、周期性LLM注入和低相关筛选等机制，将两者优势结合起来。实证结果显示，87个候选表达式因子全区间|RankIC|均值约为6.98%，全区间|ICIR|均值约为0.79，测试集|RankIC|均值约为6.93%，表现较为稳定。相关性层面，约81.6%的因子对内部相关性低于0.70，约91.2%的因子对低于0.75；与20日反转、20日波动率和20日平均换手率等传统量价因子相比，也保留了较明显差异。
　　进一步相对Alpha158MLP进行双残差增量IC检验，87个因子的平均增量IC约为2.53%，说明其在常见量价综合信息之外仍能提供边际解释力。LOWPOS_SHARPE_COV、CANDLE_SHADOW_P3和RETCHG_MINUS_GAP等代表因子表明，该路线能够在保持表达式可复现性的同时，挖掘出具有较清晰金融逻辑的量价结构。
　　函数式因子挖掘路线进一步打开了因子表达空间，使AI能够以完整Python函数形式刻画更细颗粒度的交易行为机制。与固定表达式树不同，函数式路线允许LLM分步骤描述金融假设：先拆分隔夜与日内收益，再识别量能体制；先判断近期高低点是否形成，再区分极值背后的成交质量；先观察隔夜跳空方向，再判断盘中资金是否确认。基于该路线，本文最终得到80个函数式因子，RankIC均值约为4.90%，中位数约为4.98%；ICIR均值约为0.66，中位数约为0.68。因子内部相关性均值约为0.32，中位数约为0.30，约85.5%的因子对相关性低于0.50，整体未坍缩为少数同质化信号。与传统低频量价因子相比，80个函数式因子的相关性均值约为0.32，中位数约为0.28；相对Alpha158MLP的平均增量IC约为1.67%，说明函数式因子并非传统价量变量的简单重写，而是在基础数据之上加入路径、状态和条件判断。报告中详细展示了刻画隔夜情绪被日内资金修正的因子，刻画极值形成过程中的放量追高与恐慌出清的因子，以及刻画同一隔夜跳空在不同量能体制下的持续性差异的因子，体现了函数式路线对复杂交易行为的表达优势。
　　本文最后将因子挖掘流程进一步封装为【东吴金工】选股因子迭代Skill，使AI因子研究从单次结果生成走向可复盘、可继承、可共享的研究能力沉淀。该Skill并不局限于本文使用的低频量价数据，而是以用户提供的数据、字段语义、预测目标和评测口径为核心输入：只要数据能够接入为DataFrame，并明确收益目标与IC评测方式，Skill即可围绕相应数据生成可执行、可评测、可迭代的选股因子，未来可扩展至基本面、分析师预期、事件文本、高频交易行为或多源融合数据。其工作流覆盖工作区启动或断点恢复、数据接入、评测目标确认、参考因子接入、候选因子生成、自动执行评测、历史反馈记录和工具函数沉淀。每轮迭代后，系统会输出分年度和全区间IC/ICIR、IC走势图、因子历史Excel摘要，并将有效逻辑、失败经验和可复用工具函数持续沉淀到研究工作区中。由此，AI不只是生成某个高IC因子，而是在逐步形成一个能够记忆历史、复用工具、吸收反馈并持续改进的因子研究系统。这也是本文最重要的实践意义：将“AI写因子”推进为“AI挖因子”，并进一步沉淀为团队可共享的AI量化研究工作流。
　　风险提示：
　　1)模型失效风险。本研究基于历史行情数据、因子回测结果和历史样本中的统计规律进行分析，历史表现不代表未来收益。当市场微观结构、投资者行为模式、行业风格、流动性环境或监管政策发生显著变化时，历史有效的量价因子可能出现衰减甚至失效，导致因子组合表现不及预期。
　　2)过拟合风险。本文使用大语言模型、遗传编程和函数式因子生成框架进行因子挖掘，尽管在研究中关注了样本外表现、因子相关