本报告围绕“人工写因子”向“AI挖因子”的范式升级，构建LLMMCTS可解释因子迭代框架。MCTS负责在公式或代码搜索树中进行选择、扩展、评测和回传，LLM负责生成金融假说、给出可执行表达式或Python函数、解释机制并审查数据合法性。相比一次性让模型写公式，该框架把候选生成、周度RankIC/IR评测、样本内选择、样本外检验和经验库沉淀组织成闭环，可覆盖日频Seed改造、低频Seed池批量挖掘和高频分钟行为挖掘。
　　在日频Seed定向改造中，我们以29个低频价量原始因子为起点，对每个Seed保留迭代过程、候选池和样本内外表现。结果显示，候选池层面25/29个Seed至少搜索到过样本外优于原始Seed的候选，说明LLMMCTS并非只是在原因子附近做机械组合，而是能够围绕波动、反转、成交确认、区间状态等逻辑提出增量结构。样本内正式候选以优于原始Seed为准，样本外仅用于验证，从而避免用样本外倒推选因子。
　　在低频Seed池批量挖掘中，我们进一步放松“必须贴近单个Seed”的约束，以12个根节点机制作为起点进行批量搜索。样本内生成的173个因子优于对应原始Seed，143个同时实现样本内和样本外优于原始Seed，占样本内有效候选的82.7%。双优候选去重后包含123个公式，并沉淀58个可复用经验或工具。稳定性和差异性方面，双优候选之间的全局绝对相关性整体偏低，均值0.2604、中位数0.2148、90%分位数0.5529，绝对相关性大于0.8的比例仅1.88%、大于0.9的比例仅0.71%，说明搜索结果没有坍缩为少数同质信号。
　　该框架亦可以用在高频分钟因子挖掘，给定原始的经验因子作为Seed，经验函数作为LLM生成新因子的思路参考，利用LLM-MCTS搜索框架，可以得到更高质量的高频因子。其中“高量脉冲次数”因子表现最突出，样本内/样本外RankIC为0.0839/0.0744，样本内/样本外ICIR为1.140/0.770，RankIC保留率0.89；成交量高脉冲收益波动、成交额加权实现波动、尾盘相对开盘振幅等代表因子样本外RankIC亦达到0.0627至0.0647，验证框架可从日频公式扩展到分钟级交易行为机制。
　　风险提示：
　　1)模型失效风险。本研究基于历史数据和统计规律构建因子，历史表现不代表未来收益。当市场结构、投资者行为、流动性环境或监管政策发生变化时，量价因子可能衰减甚至失效，导致组合表现不及预期。
　　2)过拟合风险。本文采用自动化方法进行因子挖掘，未来市场变化可能导致因子泛化能力下降。
　　3)数据质量风险。因子研究依赖行情、成交量、估值及收益标签等数据。数据缺失、异常、复权处理差异以及不同评测口径、股票池和样本区间设置，均可能影响研究结论。
　　4)大语言模型生成风险。大语言模型生成的因子逻辑、代码及工具函数可能存在理解偏差或实现错误。实际应用前，仍需对代码实现、数据处理及评测流程进行独立验证。
　　5)交易成本与流动性风险。回测结果未必能够完全反映实盘环境。冲击成本、滑点、税费、涨跌停及成交不足等因素可能侵蚀策略收益，实际表现可能低于历史测算结果。