AlphaSharpe：基于LLM驱动的稳健风险调整指标发现
投资组合管理
2025-02-05 v2 人工智能
计算与语言
神经与进化计算
风险管理
摘要
诸如夏普比率之类的金融指标在通过平衡风险与回报来评估投资绩效方面至关重要。然而，传统指标通常在稳健性和泛化能力方面存在不足，尤其是在动态和波动的市场条件下。本文介绍了AlphaSharpe，这是一个利用大型语言模型（LLMs）迭代演化和优化金融指标的新颖框架，旨在通过采用迭代交叉、变异和评估，发现优于传统方法的增强型风险-回报指标，这些指标在稳健性及与未来绩效指标的相关性方面表现更优。这项工作的关键贡献包括：（1）一种新颖的LLM应用，利用隐式的领域特定知识生成和优化金融指标；（2）一种评分机制，确保演化出的指标能有效泛化到未见过的数据；（3）实证证明，对未来风险-回报的预测能力提升了3倍，投资组合绩效提升了2倍。在真实世界数据集上的实验结果突显了所发现指标的优越性，使其对投资组合经理和金融决策者具有高度相关性。该框架不仅解决了现有指标的局限性，还展示了LLMs在推进金融分析方面的潜力，为构建明智且稳健的投资策略铺平了道路。
引用
@article{arxiv.2502.00029,
title = {AlphaSharpe: LLM-Driven Discovery of Robust Risk-Adjusted Metrics},
author = {Kamer Ali Yuksel and Hassan Sawaf},
journal= {arXiv preprint arXiv:2502.00029},
year = {2025}
}