跳出因子范式
　　当前大模型因子挖掘框架均以数学表达式、代码函数为核心搜索与进化单元，本质是公式导向的自动化数值搜索工具，仅将文字逻辑作为因子生成后的附属解释文本。极易生成结构复杂、逻辑不清晰、缺乏交易规则直觉的因子，过拟合风险偏高。
　　走向叙事驱动
　　本文构建了叙事驱动的量价选股规则生成框架，由大语言模型（LLM）先推演具有市场逻辑的量价交易故事，再将自然语言叙事翻译为可回测的选股规则。这为AI量化因子挖掘提供了“先交易逻辑、后量化表达”的全新研究范式。
　　框架设计与实现
　　我们将叙事驱动选股规则框架设计为四步闭环流程。
　　(1)假设：LLM观察特征分布数据，提出有金融逻辑支撑的参数化选股假设；(2)编码：将假设翻译为可执行的Python选股函数；(3)验证：自动回测引擎验证规则效果；(4)反思：LLM分析回测结果，修正叙事理解，重新编码后进入下一轮。
　　叙事驱动选股规则市场表现
　　叙事驱动选股规则能够取得显著优于基准的年化收益，最大回撤也控制在可接受的范围内。
　　更重要的是，叙事逻辑均由LLM完整生成且逻辑自洽——它们不再是若干因子加权得到的黑箱得分，而是可解释、可复盘、可与市场直觉相互印证的具体交易叙事。这一点正是本框架相较传统多因子模型的关键差异：从"因子范式"转向"叙事驱动"，从追求局部统计显著性转向追求策略可理解性与稳健性的平衡。
　　风险提示
　　量化报告的结论基于历史统计规律，当历史规律发生改变时，报告中的模型和结论可能失效。
　　人工智能生成的内容可能不准确，仅供参考，使用者应独立判断。