一、功能核心概览

PandaAI因子挖掘功能，支持单因子、多因子、非线性机器学习工作流，可快速完成因子生成、构建、分析与参赛提交，零基础也能快速上手。

核心亮点：

• AI助手一键生成因子框架，降低代码门槛
• 可视化节点拖拽，无需复杂编程
• 内置因子分析、相关性检验、IC/ICIR评判体系
• 直通第三届因子大赛，提交即用

二、单因子工作流（新手首选）

1. 因子生成
   打开AI助手，输入指令：生成股票基础动量因子框架，用于参赛，自动生成基础工作流。
2. 核心四节点

• 公式输入/Python代码：自定义因子逻辑
• 线性因子构建：计算全股票因子值并排序
• 因子分析：查看IC、分层收益、回测指标
• 因子分析结果：结果可视化展示

3. 关键参数设置

• 调仓周期：上限30组，按策略频率选择
• 分组数量：影响每组股票数量，建议5–10组
• 因子方向：0/1，直接影响IC与数据展示
• 正负调整：负向因子可加负号转为正向使用

4. 参赛连接
   参数确认无误 → 连接参赛节点 → 运行无报错 → 提交工作流。

操作体验：

1. 第一次尝试：输入指令，分别尝试用“行业景气因子”、“10日均线因子”让AI构建因子分析框架，试验结果和AI智能修复的体验不太成功。其中，第一次让AI助手“写一个股票行业景气因子分析框架，用于参加因子大赛，在2025年”构建框架，AI给出了因子构建步骤。但运行报错，用AI智能修复仍是同样的报错，历经n次AI修复，代码被反复修改删减，最终呈现为如下图。这次终于启动工作流并运行成功，但点击因子分析时，提示“请求失败，请检查网络!”。
   
2. 第二次尝试：输入指令“改为股票基础动量因子”，这次虽然也报错，但AI智能修复1次后成功运行，并能够查看因子分析结果。
   

调整ing…

新一轮修改后，得到的因子分析结果，如图所示。

三、多因子工作流（进阶优化）

1. 新增权重节点
   避免因子简单线性相加，支持自定义权重（如0.5、0.3、0.2）。
2. 相关性分析
   连接相关性节点，查看因子相关系数矩阵，剔除高冗余因子。
3. 参赛流程
   与单因子一致，将复合因子值接入参赛节点，保持信息统一即可提交。
   

操作体验：

1. 原本构建3个线性因子试图组合，其中一个反复修复仍然报错，采用删除大法。先对其中两个因子进行组合尝试，结果如图所示。（如果每个节点可以有选择性地运行会更方便。）
2. 如果是自定义逻辑的因子，用AI助手生成的框架，很容易产生报错，反复使用AI智能修复也不一定能改好，仍需要自行修改代码。

四、非线性机器学习工作流

1. 数据输入
   使用基础数据或预处理后数据作为模型输入。

2. 模型训练
   以XGBoost等模型构建训练集、做特征工程、微调参数。

3. 验证流程
   输出预测值作为非线性因子 → 接入因子分析 → 评估IC/ICIR → 参赛提交。
   
   
   总体来看，这个因子质量偏“中等略弱”，评级大致在 B-/C+ 之间：

• 相关性与稳定性：IC_mean≈0.0085 较低，Rank_IC≈0.0216 刚好踩在“中等因子”门槛，IC_IR≈0.08 说明时间序列稳定性一般，解释力有限；但IR≈0.61，说明做多优选组 vs 做空差组在收益层面仍有一定可交易性。
• 截面单调性：从多空组合表现看，高低组年化与超额收益有一定分层，但不是特别强，个别中间组甚至可能出现收益倒挂，整体更像“有信号但噪声较大”的因子。
• 风险收益特征：你给出的一个典型多空组合（“多空组合2”）年化收益约 -14%，最大回撤约 6%，夏普约 -2.4，信息比率约 -2.05，这说明在当前构造方式下，多空结构设计或分组方向存在问题：收益明显为负，但波动和回撤并不大，属于“温柔但持续亏钱”的风格。

五、因子评判标准

• 核心指标：IC均值、ICIR
• 越高代表因子稳定性、预测能力越强

六、实操体验反馈

1. 先用AI助手生成模板，再微调参数，效率最高
2. 多因子务必加权重节点，避免信号抵消
3. 负向因子直接加负号转正，提升IC表现
4. 提交前先完整运行，确保无报错再参赛
5. 遇到问题@小智，可太敬业了
6. 反复尝试，挖呀挖……

七、总结

本次功能测试把因子挖掘流程极大简化，从单因子到多因子再到非线性模型，全链路可视化操作，非常适合新手快速入门、老手高效迭代。同时直通第三届因子大赛，边学边练边冲奖，体验感拉满！