类型a：

由Sun Yat-sen University的Ziyi Tang、Zechuan Chen、Jiarui Yang，University of New South Wales的Jiayao Mai，Nanyang Technological University的Yongsen Zheng，Sun Yat-sen University的Keze Wang（通讯作者），以及The Chinese University of Hong Kong, Shenzhen的Jinrui Chen共同完成的这篇研究论文《AlphaAgent: LLM-Driven Alpha Mining with Regularized Exploration to Counteract Alpha Decay》发表于2025年的ACM SIGKDD国际会议（KDD ‘25）。这是数据挖掘与知识发现领域的顶级会议，论文被收录于会议论文集第二卷。研究聚焦量化投资中关键性的alpha因子挖掘问题，提出通过大语言模型（LLM）驱动的创新框架来解决金融领域中日益严重的alpha衰减（alpha decay）现象。

在学术背景方面，alpha因子作为预测资产收益的量化特征，是现代量化金融的核心工具。然而随着市场复杂度提升，传统方法构建的因子面临两大挑战：一是通过数据挖掘（”p-hacking”）产生的过度拟合因子在实盘中快速失效；二是因子拥挤（factor crowding）导致策略同质化，例如2024年中国A股市场大小盘因子的集体失效。传统遗传编程（GP）和强化学习（RL）方法过度依赖历史回测优化，缺乏金融逻辑约束；而新兴的LLM方法又缺乏对因子同质化的有效管控。为此，研究团队提出AlphaAgent框架，旨在通过结构化正则化机制，生成兼具创新性、理论合理性和抗衰减能力的alpha因子。

研究的技术流程包含三个核心环节：首先是通过抽象语法树（Abstract Syntax Tree, AST）的相似性度量实施原创性强制（Originality Enforcement），避免与现有因子库（如Alpha101）重复；其次是利用LLM评估市场假设与生成因子之间的语义一致性（Hypothesis-Factor Alignment），确保金融逻辑自洽；最后通过AST结构约束实现复杂度控制（Complexity Control），防止过度工程化。具体实现上，框架采用多智能体架构：Idea Agent通过思维链（Chain-of-Thought）推理生成结构化市场假设；Factor Agent将假设转化为AST表示的因子表达式，期间应用相似性检测（公式5）和一致性评分（公式7）双重过滤；Eval Agent则通过QLib回测系统验证因子的预测能力、风险收益特性和数值稳定性。实验环节选取中国CSI 500和美国S&P 500市场2015-2024年数据，以OHLCV基础数据为输入，设置20次独立试验（每次5轮进化），最终构建包含LightGBM的集成预测模型。

研究结果显示出显著优势：在2021-2024年测试期内，AlphaAgent在CSI 500市场实现11.0%的年化超额收益（信息比率IR=1.5），在S&P 500市场获得8.74%年化收益（IR=1.05），最大回撤均控制在10%以内。如图4所示，相比传统GP方法和技术指标RSI，AlphaAgent因子的信息系数（IC）保持0.02以上的稳定水平，而对比方法在四年内IC值衰减至接近零。尤其值得注意的是，框架在因子挖掘效率方面表现突出：有效因子比率（hit ratio）提升81%，token消耗降低30%，开发成功率（dev success rate）达83%（图6）。消融实验证实，符号组装（symbolic assembly）模块使因子生成错误率降低35%，而三个正则化机制共同贡献了78%的性能提升。

该研究的科学价值体现在三个方面：其一，首次将AST结构相似性检测引入金融因子原创性评估，提出公式6的量化指标；其二，构建了假设-因子-实现的语义一致性验证体系（公式7），为LLM在量化领域的可解释应用提供范式；其三，开发的多智能体闭环架构实现理论假设到实证验证的完整链路。在应用层面，框架已部署于华泰证券研究平台，其抗衰减特性特别适合高频变动的中国市场环境。研究还揭示出LLM基模型选择的影响：当采用DeepSeek-R1等推理专用模型时，ICIR指标可进一步提升17%（图7），这为金融AI的系统选型提供了实证依据。

研究的创新点主要体现在方法论融合：将程序分析领域的AST技术移植到金融工程，首创基于子树同构检测（公式5）的因子去重机制；同时设计的三阶段正则化约束（公式8）创新性地平衡了因子新颖度、金融合理性和计算复杂度。此外，框架展现出较强的扩展性，通过修改算子库（Operator Library）即可适配大宗商品、加密货币等不同资产类别，为后续研究开辟了新路径。论文开源的代码仓库包含完整的AST解析器和因子回测模块，已有12家机构基于该框架开展衍生研究。