【AI+量化实战 #08】多因子打分的AI解释层：把因子得分变成选股理由

风险提示：本文仅用于技术演示，不构成投资建议。多因子得分只是研究辅助，不能替代独立判断。

你算出了一堆因子：动量、波动、资金流、估值……然后给每只股票打了个综合分。

老板问你："这只股票为什么排第一？"

你支支吾吾："因为它的 z-score 加权后比较高……"

这就是量化研究里最容易被忽视的环节：把数字翻译成可理解的投资语言。今天的文章教你用 AI 给多因子得分加一个"解释层"，让每一只股票的排名都有理由、有边界、有风险提示。

本文你将得到什么

• 一个三因子（动量 + 波动 + 资金流）打分模型；
• 一段可直接运行的 Python 脚本，自动给股票排名并生成解释；
• 规则模板解释 + LLM 增强解释两种模式；
• 一个实用的 Prompt 模板，可直接接入你自己的大模型。

一、为什么需要解释层

多因子模型的输出通常是这样的：

看得懂数字的人知道 0.52 比 -1.02 好，但好在哪里、为什么好、潜在风险是什么，光看分数不够直观。

解释层的作用就是把：

"score = 0.52"

变成：

"这只股票近 20 日涨幅 4.36%，波动仅 5.05%，在样本中波动控制最好；虽然大单动向偏弱，但综合仍属强势，需关注后续资金是否回流。"

二、三因子模型：动量、波动、资金流

我们选取三个最常见、也最容易获取的因子：

1. 动量（Momentum）：近 20 日涨幅，反映趋势强度；
2. 波动（Volatility）：近 20 日收盘价标准差，越低越稳；
3. 资金流（Flow）：用大单动向 dddx 代理，反映主力资金进出。

核心代码：

def compute_momentum_volatility(df, window=20):
    recent = df.iloc[-window:]
    momentum = (recent["close"].iloc[-1] / recent["close"].iloc[0] - 1) * 100
    volatility = recent["close"].pct_change().dropna().std() * 100 * np.sqrt(20)
    return round(momentum, 2), round(volatility, 2)

# 资金流代理
capital_rows = client.stock_transaction(code=code)
flow = capital_rows[-1]["dddx"]

拿到原始因子后，对每个因子做 z-score 标准化，再按权重合成：

table["score"] = (
    0.4 * table["momentum_z"]
    - 0.3 * table["volatility_z"]   # 波动越低越好
    + 0.3 * table["flow_z"]
)

权重可以根据你的风险偏好调整，这里仅作演示。

三、规则解释层：先让机器自己说人话

在调用大模型之前，先用规则模板生成一版解释。这样即使 LLM 不可用，脚本也能跑通。

def rule_explain(row, all_momentum, all_volatility, all_flow):
    code = row["code"]
    mom_rank = percentile_rank(row["momentum"], all_momentum)
    vol_rank = percentile_rank(-row["volatility"], [-v for v in all_volatility])
    flow_rank = percentile_rank(row["flow"], all_flow)

    return (
        f"[{code}] 综合得分 {row['score']}。"
        f"近20日涨幅 {row['momentum']}%（动量超过 {mom_rank}% 样本），"
        f"20日波动 {row['volatility']}%（波动控制优于 {vol_rank}% 样本），"
        f"大单动向 {row['flow']}（资金流超过 {flow_rank}% 样本）。"
    )

对 10 只样本股的运行结果如下（示例数据，非实时）：

四、LLM 增强解释：给理由加一点"风险意识"

规则模板能保证稳定输出，但容易像报告。接入大模型后，可以要求它：

• 说明得分高/低的主要原因；
• 指出潜在风险；
• 不给出买入/卖出建议；
• 控制在 80 字以内。

Prompt 模板：

你是一名量化研究员，请用 2~3 句话向普通投资者解释下面这只股票的多因子得分含义。

股票代码：{code}
近20日涨幅：{momentum}%
20日年化波动：{volatility}%
大单动向：{flow}
综合得分（z-score 加权）：{score}

要求：
1. 说明得分高/低的主要原因；
2. 指出潜在风险；
3. 不要给出买入或卖出建议；
4. 控制在 80 字以内。

如果你的环境没有配置 LLM_API_KEY 和 LLM_BASE_URL，脚本会自动退回规则解释，保证可复现。

五、完整可运行脚本

依赖安装：

pip install mairui pandas numpy requests

核心拉数与初始化：

import os
import pandas as pd
import numpy as np
import mairui

licence = "<你的证书>"  # 演示证书，请替换成你自己的正式证书
client = mairui.Client(licence)

# 日线历史
rows = client.stock_history(
    code="600519", period="d",
    st="20260101", et="20260814", dividend="n"
)
df = pd.DataFrame(rows)
df = df.rename(columns={
    "t": "date", "o": "open", "c": "close",
    "h": "high", "l": "low", "v": "volume"
})

脚本已整理到本系列 Demo 目录，包含：

• build_score_table()：拉数据、算因子、合成得分；
• rule_explain()：规则解释模板；
• llm_explain_prompt() + call_llm()：LLM 增强入口。

六、使用边界与常见坑

1. 因子权重不是越复杂越好：本文用 0.4/0.3/0.3 固定权重，实盘建议做稳健性检验；
2. z-score 对异常值敏感：如果样本中有涨停/跌停股，可能需要 winsorize；
3. 资金流代理有局限：dddx 只是大单动向的一种口径，不能等同于"主力一定看好"；
4. 解释层不能替代决策：AI 只是帮你把数字说出来，买卖判断仍要人来做；
5. 不要忘记交易成本：高频调仓下，万 3 佣金 + 千 1 印花税会显著侵蚀收益。

小结

多因子打分解决的是"哪只股票更好"，解释层解决的是"为什么它更好"。对量化研究者来说，后者往往更难——你要把冰冷的 z-score 翻译成能让人信服、也能让自己复盘时还记得逻辑的话。

AI 在这里的作用不是创造理由，而是把已有理由组织成可读的语言。规则模板保证稳定性，LLM 增强保证自然度，两者结合才是可持续的工作流。

下篇预告：【AI+量化实战 #09】收盘后还在手动复盘？用 Python 自动生成一页 AI 日报。

想复现本文代码？ 麦蕊智数 SDK 提供 A 股实时/历史行情、资金流向等数据，把本文的因子模型跑起来只需要一个证书。

免费领取证书路径：访问 www.mairuiapi.com → 「请求证书」→ 「证书获取」→ 「免费版」，邮箱验证后即可开始测试。

代码与接口文档参考：见官网 麦蕊智数 www.mairuiapi.com 站内「API 文档」与「证书获取」（免费版 500 次/日，邮箱验证即领）