Alpha Jungle 导航：基于 LLM 的 MCTS 框架用于公式化因子探索
人工智能
2025-11-13 v3
摘要
Alpha 因子挖掘是量化投资中识别来自复杂金融数据的预测性信号的关键步骤。虽然传统的公式化 alpha 挖掘依赖人类专业知识，但当代自动方法（如基于遗传编程或强化学习的方法）常常面临搜索效率低或 alpha 因子难以解释的困难。本文引入一种新框架，将大型语言模型 ( LLM ) 与蒙特卡洦树搜索 ( MCTS ) 集成，以克服上述局限性。我们的框架利用 LLM 的指令遵循和推理能力，在由 MCTS 驱动的探索中迭代生成和细化符号 alpha 公式。其核心创新点在于利用来自每个候选因子金融后验测试的丰富定量反馈指导 MCTS 的探索，从而高效地导航巨大的搜索空间。此外，我们引入一种频繁子树避免机制，以增强搜索多样性，防止公式化同质化，进一步提高性能。在真实股票市场数据上的实验结果表明，我们的 LLM-based 框架通过挖掘出预测准确性和交易性能均优于现有方法的 alpha 因子。所得公式也更易于人类解释，建立了一种更有效、更高效的公式化 alpha 挖掘范式。
引用
@article{arxiv.2505.11122,
title = {Navigating the Alpha Jungle: An LLM-Powered MCTS Framework for Formulaic Factor Mining},
author = {Yu Shi and Yitong Duan and Jian Li},
journal= {arXiv preprint arXiv:2505.11122},
year = {2025}
}