FactorEngine：面向量化投资的程序级知识注入因子挖掘框架

我们研究Alpha因子挖掘，即从嘈杂、非平稳的市场数据中自动发现预测信号，并附有一项现实要求：挖掘出的因子可直接执行、可审计，且发现过程在规模化时计算上仍可控。现有符号方法受限于有界的表达能力，而神经预测器往往以可解释性换取性能，且依然易受市场状态切换与过拟合影响。我们提出FactorEngine（FE），一个程序级因子发现框架，将因子表示为图灵完备的代码，并通过三项分离同时提升有效性与效率：(i) 逻辑修订与参数优化分离，(ii) LLM引导的方向性搜索与贝叶斯超参数搜索分离，(iii) LLM调用与本地计算分离。FE还纳入知识注入的自举模块，通过闭环的多智能体抽取—验证—代码生成流水线将非结构化金融报告转化为可执行因子程序；并配备经验知识库，支持基于轨迹的迭代改进（包括从失败中学习）。在真实OHLCV数据上的大量回测中，FE产出的因子比基线方法具有显著更强的预测稳定性和组合影响——例如更高的IC/ICIR（以及Rank IC/ICIR）和更好的AR/Sharpe——达到了最先进的预测与组合表现。