因子大赛和挖掘目标

第三届因子大赛已开始提交工作流，每人可提交三个，评判因子好坏看IC均值和ICIR值，所以我们挖掘的目标主要看这两个数值。本篇文章主要来讲如何通过 AI 助手生成基础因子框架，还有多因子工作流用并基于输入数据构建训练集，进行特征工程，调整模型参数，训练模型于参加大赛。

挖掘过程

1.1基础动量因子分析的创建

1.1.1提示词实例1
（帮我生成一个股票基础动量因子分析框架，用于参加因子大赛，在2025年。要完整能运行）
1.1.2生成展示

1.1.3因子方向与IC值的关系
因子方向的选择直接影响IC值的计算结果，具体表现为：
● 因子方向为0：默认情况下，因子方向设为0，意味着在后续的数据展示中，系统会优先展示第一组的数据。此时，因子值为0的样本会被归入
● 第一组，因子值为1的样本归入第二组。IC值的计算会基于这种分组方式，衡量因子预测值与实际收益之间的相关性。
● 因子方向为1：若将因子方向设为1，则分组逻辑会反转，因子值为1的样本成为第一组，因子值为0的样本成为第二组。这种调整会改变IC值的符号（正负），但绝对值通常保持不变，因为相关性的强度未变，仅方向相反。
运行与验证过程
为了验证因子方向的影响，可以按以下步骤操作：
1. 初始运行（默认方向0）：
○ 保持因子方向为默认值0，运行分析。
○ 观察输出的IC值及分组数据，记录第一组（因子值0）的表现。
2. 调整方向后重新运行：
○ 将因子方向修改为1，重新运行分析。
○ 对比两次结果，重点关注IC值的符号变化及分组数据的对应关系。
3. 异常处理：
○ 若运行过程中出现卡顿，建议停止当前进程后重新运行，以确保结果的稳定性。
1.1.4回测结果：
因子方向为0

因子方向为1

IC_IR ：-0.3578
IC_mean：-0.0512
该因子为负向有效因子，IC 与 Rank IC 均表现良好，统计显著性高、分组单调性接近完美，实战收益与夏普比率表现优秀，具备较强的选股 / 选品种能力；仅 ICIR 偏低，稳定性略有不足，整体属于优质因子。

1.2多因子工作流的创建

1.2.1提示词实例2
[帮我生成一个适配第三届因子大赛的期货多因子工作流框架，要求完整可运行、无未来函数、无因子共线性，具体细节如下：
品种范围：燃油、纯碱、焦煤、锰硅（4 个品种，均为期货品种，避免添加其他无关品种）；
回测频率：15 分钟级别（日内频率，贴合日内交易需求，与之前跑通的单因子频率一致）；
因子配置：构建线性多因子组合，包含 3 类核心因子 —— 动量因子、波动率因子、趋势因子，因子输入支持公式或 Python 代码（优先公式输入，避免 Python 报错），需明确各因子的计算逻辑，禁止使用非线性因子、避免因子功能重复（防止共线性）；
工作流节点：必须包含完整节点，按顺序排列 —— 公式输入（因子编写）→ 线性因子构建（计算指定周期内 4 个品种的因子值并完成截面排序、标准化）→ 权重节点（合理分配 3 类因子权重，禁止简单线性加和）→ 相关性分析（查看 3 类因子间的相关性，确保无强共线性）→ 因子分析（输出 IC 均值、Rank_IC、IC_std、IC_IR、t 统计量、p-value、单调性等核心评判指标）→ 参赛节点（适配大赛提交要求，确保节点连接无误）；
参数设置：调仓周期设置为 15-60 分钟可调整，分组数量设置为 5-10 组可调整，因子方向支持 0/1 切换（明确正负向判断逻辑，可通过加负号调整因子方向）；
核心要求：避免未来函数、避免因子共线性，工作流运行无报错（适配平台规则，避免出现 10028、10070 等报错），生成的框架可直接修改参数后提交参赛；
输出内容：完整的工作流节点配置、各节点的具体操作步骤、因子计算逻辑说明、参数可调范围、因子分析指标解读，以及参赛节点的连接方法，确保新手可直接上手操作，无需额外修改核心逻辑。]
1.2.1提示词实例2