Starfish 研报分析和因子衍生教程

整体流程可概括为以下几个阶段：

第一步，研报与因子输入。

用户上传研报文件，并选择或定义需要分析的因子，作为后续因子构建与分析的输入。

第二步，因子公式与解释提取（自动执行）。

AI Agent 将研报全文内容和因子名称传入大语言模型（LLM），由模型从研报中自动提取与该因子相关的信息，包括因子公式（以 LaTeX 形式表示）以及因子的解释说明（经济含义或研究背景）。

第三步，数据源观察与字段理解（自动执行）。

系统读取用户配置的数据源（数据库或数据表），提取数据表结构（schema）以及前 5 行样本数据。这些信息会作为上下文传入 LLM，用于帮助模型理解字段含义，并自动完成字段匹配。如果配置了多个数据源，模型会从中判断并选择因子计算所需的数据表和字段。

第四步，因子计算代码生成与迭代修复。

LLM 根据因子公式、解释以及数据结构生成可执行的因子计算代码。系统会立即运行生成的代码并检查执行结果。若代码运行成功，则进入下一阶段；若运行失败，系统会将错误信息反馈给 LLM，由模型分析失败原因并自动修复代码。该过程会进行多轮迭代，直到生成可正确运行的代码。用户在此过程中也可以手动编辑最后一次生成的代码，直接介入修复流程。

第五步，因子公式与解释同步更新（自动执行）。

在代码迭代过程中，如果模型对原有计算逻辑进行了调整，系统会同步更新因子的公式和解释说明，确保最终的因子描述与实际计算逻辑保持一致。

第六步，最终代码运行校验（自动执行）。

在代码生成完成后，系统会将最终的因子计算代码传入内部执行接口，进行一次实际运行校验，用于确认代码在真实执行环境中可以稳定运行。

第七步，Alphalens 因子评价。

通过最终校验后，系统将因子计算代码与用于评价的资产价格数据表一并传入 Alphalens 因子评价接口，计算并返回因子的 IC 值、IC 统计结果以及因子分组收益表现。如果评价过程中发生错误，系统会将任务标记为“因子生成成功，评价失败”，并仅返回因子计算代码。

第八步，衍生因子多轮优化（可选）。

用户可以在创建任务或任务列表中选择开启衍生因子功能，并设置衍生轮数。每一轮衍生过程中，LLM 会基于当前因子的计算代码，尝试采用不同的计算方式（如标准化、平滑处理、参数调整等）生成新的衍生因子。每一轮衍生因子生成后，系统都会自动运行代码并调用 Alphalens 进行因子评价。在所有轮次完成后，AI Agent 会基于 IC 均值、方差等统计指标，选出综合表现最优的衍生因子。

通过上述流程，Starfish 平台实现了从研报到可运行、可评价、可优化因子的完整研发闭环，帮助研究人员高效完成因子构建与验证工作。

研报分析与衍生因子功能中所使用的 AI 模型，默认等同于当前用户在 AI Chat 中配置的默认模型。研报分析任务在执行时，不会单独指定模型，而是直接使用用户在使用 AI Chat 时所选择并设为默认的模型配置。

因此，在使用研报分析和衍生因子功能之前，需要先在 AI Chat 中确认并设置默认模型，以确保后续任务能够正常调用期望的模型能力。建议用户先进入 AI Chat 页面：

• 确认已有可用的模型配置

• 将期望使用的模型设置为默认模型

否则，研报分析任务可能会使用非预期模型，或因未设置默认模型而无法正常执行。

AI 任务配额用于限制用户在研报分析和因子衍生过程中的资源使用情况，避免因用户超额创建任务而导致大模型 API 被限流或产生过高的调用成本。管理员可以通过该功能，对用户可创建的 AI 任务数量进行统一管理和控制。

在 AI 任务配额页面中，管理员可以查看所有用户当前的 AI 任务使用情况，主要包含以下三项信息：

1）研报因子任务数量（已用 / 上限）：表示该用户已创建的研报因子任务数量及其最大允许数量。

研报因子任务数量 = 用户在研报中实际创建的因子任务数量。例如：

• 某篇研报中提取出 10 个因子

• 用户选择这 10 个因子并创建任务

则该用户共创建 10 个研报因子任务，使用量为 10。

2）衍生因子任务数量（已用 / 上限）表示该用户已创建的衍生因子任务数量及其上限。

衍生因子任务数量 = 创建衍生任务的母因子数量。例如：

• 对某一个研报因子创建衍生任务

• 设置衍生轮数为 10

则虽然最终生成了 10 个衍生因子，但仅计为 1 个衍生因子任务。

3）衍生因子轮数上限表示单个衍生因子任务允许进行的最大衍生轮数。

• 每一轮会生成一个新的衍生因子

• 轮数越高，生成的衍生因子数量越多

• 该值用于限制单个衍生任务的最大生成衍生因子数量

管理员可以通过以下两种方式修改用户的 AI 任务配额：

• 单用户配置：点击用户操作栏中的编辑按钮，对单个用户进行配额调整。

  

• 批量配置：选择多个用户后，点击右上角的批量设置，一次性为多个用户配置相同的配额规则。

配额配置保存后，将在用户下一次创建任务时生效，不会影响当前正在运行中的任务。

数据源权限用于控制研报分析和衍生因子功能可以访问哪些数据库和数据表，防止模型直接访问未授权的大规模数据，从而引发 OOM 或性能问题。通过数据源权限控制，可以实现：

• 仅允许用户选择已授权的数据表进行研报分析

• 防止模型执行不受控的数据查询操作

数据访问控制页面中，管理员可以看到所有可配置的数据源，以及它们当前是否允许被 AI 任务使用。列表中展示了每个数据库表对应的研报分析访问权限状态，便于管理员统一管理。

管理员可以通过以下两种方式调整 AI 任务的数据源访问权限：

• 单数据源配置：点击数据源操作栏中的【新增授权】或【取消授权】，单独控制某个数据库表是否可用于研报分析

• 批量数据源配置：多选多个数据库表后，点击右上角的【批量授权】或【批量取消授权】，统一控制研报分析模块的可访问数据范围

配置完成后，后续创建的研报分析和衍生因子任务将按照最新的数据源权限执行。

在创建研报分析或衍生因子任务之前，普通用户可以先查看自己当前的 AI 权限用量，以确认是否仍有可用配额，避免在创建任务时因超额而失败。

查看入口在研报分析的创建任务页面中，可以看到当前登录用户的 AI 权限用量信息。

点击研报分析助手下拉列表中的创建任务，进入研报分析任务创建界面。用户可以在该页面完成研报上传、因子解析、数据源配置以及任务参数设置等操作。

db1 =database(, partitionType = VALUE, partitionScheme =[2025.01M]);
db2 =database(, partitionType = VALUE, partitionScheme =["factor1"]);
database(directory = 'dfs://factorFromReports', partitionType = COMPO, partitionScheme = [db1,db2], engine= `OLAP)

createPartitionedTable(dbHandle = database('dfs://factorFromReports'),table = table(1:0, ["securityId","tradeTime","factorName","value","updateTime","username"],["SYMBOL","TIMESTAMP","STRING","DOUBLE","TIMESTAMP","STRING"]),tableName = 'result',partitionColumns =["updateTime","factorName"])

在任务列表中可以查看任务的状态，状态为运行中表示正在运行，当状态显示为 “运行中” 时，表明任务正在进行。任何状态的任务都可以点击因子名称进入运行界面，可查看从研报中解析出的因子的解释、公式、生成的运行代码以及代码的迭代过程。这对于研究人员追溯因子的生成逻辑、验证因子的合理性具有重要意义。

系统提供三种创建衍生因子任务的方式。每个因子均可创建多轮衍生任务，具体轮数受用户 AI 权限配置限制。

方法一：在研报分析任务创建时，可以直接配置衍生因子

• 创建研报因子任务时，勾选生成衍生因子

• 设置需要的衍生轮数，当研报因子任务成功完成后，系统将自动开启对应的衍生因子任务，无需用户再次操作

方法二：从研报分析助手的因子任务列表中创建

• 在一个已完成的因子任务右侧操作栏中点击衍生因子

• 选择衍生轮数

方法三：从衍生因子任务列表中继续衍生

• 在列表中选择一个完成的衍生因子任务，在操作栏点击衍生因子

• 设置衍生轮数

创建成功后的任务结构说明

衍生因子任务创建成功后，任务列表中将展示如下结构：

• 新增一个父节点，表示原始因子及其基本信息

• 在父节点下方，生成 N 条子任务记录，对应 N 轮衍生过程：

  • 第一轮：任务立即进入运行中状态

  • 后续轮次：初始状态为等待中，前一轮完成后自动激活

衍生因子任务的状态体系与研报因子任务保持一致，用户可在任务执行过程中随时查看进度和结果。详情可以参照 3.2。

除了查看单个衍生因子的任务详情外，系统还支持查看整个衍生任务的综合报告。

• 点击原始因子名，进入任务详情；

• 页面内容包括：

  • 各轮衍生因子的 IC 值表格

  • 不同轮次 IC 表现的对比柱状图

  • 系统生成的各轮因子表现总结

通过这些信息，用户可以直观地对比不同轮次因子的表现，从而判断哪一轮衍生效果最优，为后续策略研究和落地提供依据。

在因子生成阶段，AI 会基于研报内容、因子描述以及所选数据源结构，自动生成因子计算代码。影响该阶段生成准确性的主要因素包括以下几个方面：

1. 模型自身的理解与代码生成能力：AI 对研报内容的理解深度，以及将自然语言描述转化为可执行代码的能力，直接决定了生成结果的上限。

2. 因子计算逻辑的复杂程度：当研报中的计算逻辑较为简单、步骤清晰、时间频率单一时，AI 通常能够较准确地生成对应代码。而当因子涉及多层计算、条件分支、滚动窗口或跨频率处理时，理解和还原的难度会显著提升。

3. 输入数据源的完整性与字段语义：因子计算往往依赖具有明确经济含义的特定字段。如果输入数据中缺失关键字段，或字段含义不直观，AI 即使生成可运行代码，也可能在经济意义上偏离研报原意。

当前因子评价使用的是 Starfish 平台内置的 Alphalens 评价模板。在因子评价阶段，需要重点关注以下几个方面，这些问题往往直接决定评价是否能够顺利完成以及结果是否可靠。