文本是量化最后一片「结构化程度低、但信息密度高」的数据源：研报、公告、新闻、社交讨论——市场的大部分「叙事」先以文字存在，再变成价格。LLM 让文本处理的工程门槛骤降，也让新的风险（幻觉、一致性、成本）进入量化管线。本篇按「数据 → 信号 → 用法 → 边界」组织。
三类文本数据源与各自的信号
| 来源 | 频率 | 可提取的信号 | 难点 |
|---|---|---|---|
| 公司公告/财报文本 | 事件驱动 | 管理层语气变化、风险提示措辞、业绩说明的含糊度 | 中文财经措辞模板化，微妙变化才有信息 |
| 券商研报 | 日-周频 | 分析师情绪与观点变化、目标价与评级修正、覆盖启动/停止 | 卖方情绪的系统性乐观偏差（要看「变化」而非「水平」） |
| 新闻/舆情/社交 | 分钟-日频 | 事件识别（利好/利空分类）、情绪热度、传播速度 | 噪声极大、刷量造假、时效衰减极快 |
信号的共同构造原则：文本信号的核心价值在变化与分歧而非绝对水平——「情绪从正转负」比「情绪是 0.7」更有预测力；「观点分歧度」（不同研报的目标价离散）本身是独立信号（分歧大 = 不确定性定价不足/过度）。文本信号的检验与量价因子同标准：IC、分组、衰减、成本——文本不豁免检验纪律（见因子检验 ）。
LLM 的三个量化用法
用法一：批量信息抽取（最落地）
把非结构化文本变成结构化字段——LLM 在这个任务上是「可靠的自动标注工」：
- 公告抽取：回购金额与进度、质押比例变化、业绩预告的区间与原因、并购标的信息；
- 研报抽取：目标价、评级、盈利预测调整、核心逻辑标签；
- 新闻抽取：事件三元组（主体、事件类型、时间）——直接喂给事件库 。
工程要点：输出 schema 严格化（JSON 结构 + 字段校验，解析失败自动重试）、抽样人工质检（按 5% 比例核对抽取准确率，错误率失控即调整 prompt 或模型）、成本与延迟的预算（全市场公告日处理量 × 单次调用成本，月账单要先进回测的「数据成本」）。
用法二：情绪与语义打分
用 LLM 给文本打情绪分/主题标签，替代传统情感词典——对中文财经语境（反讽、专业术语、语境依赖）的改善显著。两个纪律：打分的一致性校验（同一文本多次打分的方差、跨时期打分的漂移——模型升级会导致分数口径变化，历史因子值失效，所以打分模型版本也是因子版本）；基准对照（与人工标注的小样本对照准确率，没做过对照的打分因子不进回测）。
用法三：研究辅助（不直接产生因子）
研读提速（年报摘要、公告对比、文献梳理）、代码与数据处理的 copilot、监控信息的摘要化推送（把异常日志翻译成人话，见日志监控 ）——这类用法不进交易管线，风险仅是「AI 结论误导研究员」，用批判性思维与抽查对冲。
LLM 的三类风险与防线
- 幻觉（编造事实）：抽取类任务用「只从原文提取 + 空值优于猜测」的强约束 prompt + 结构校验（抽出的数字要在原文中可定位）——因子管线里的每个 LLM 输出都要可溯源到输入文本；
- 一致性与漂移：模型版本、温度参数、prompt 版本全部纳入版本管理——LLM 管线的「随机性」必须被工程压制到因子级可复现（同输入同输出，见研究复现 ）；
- 信息时效与历史回填困境：LLM 的训练数据截止 → 用 LLM 处理历史文本做回测，存在「模型见识过未来」的微妙泄漏（模型的知识包含了文本期之后的信息，虽然不直接读文本但有语境污染）。算例：让 LLM 给 2018 年的乐视网公告打「暴雷风险分」，它「认得」乐视的结局——分数必然过拟合历史。严格做法是冻结 prompt 流程全程一致并接受这一局限，或用小模型/规则在历史段对照校验。
Agent 辅助研究的边界
「AI Agent 自主完成因子挖掘/策略研究」的叙事火热，工程现实是：Agent 适合做「有明确验收标准的子任务」（数据处理、回测批跑、报告初稿、文献综述），不适合做「研究判断」——假设的经济学合理性、检验结果的诚实解读、上线决策，这些的责任制必须留在人。人机分工的正确画线：AI 负责产能（把研究员从重复劳动中解放），人负责判断（对 alpha 的生死做决定）——「AI 自动挖因子上线」的完全体，在可预见的工程与合规框架内都不成立（自动化挖掘的边界见AutoML ）。