学术研究报告：基于大语言模型（LLM）的量化投资策略自动化发现框架

第一作者及机构
本研究由香港科技大学（The Hong Kong University of Science and Technology）的Zhizhuo Kou、Sirui Han、Yike Guo等团队主导，合作机构包括香港科技大学（广州校区）和北京大学。研究成果发表于2025年11月的*Findings of the Association for Computational Linguistics: EMNLP 2025*（页码18517–18533）。

学术背景

研究领域与动机
本研究属于计算金融（Computational Finance）与自然语言处理（NLP）的交叉领域，旨在解决传统量化投资策略的局限性：
1. 传统模型的脆弱性：基于深度学习的量化模型在动态市场环境中表现不稳定，难以适应市场状态变化。
2. 数据多样性挑战：尽管机器学习技术进步，但多源金融数据（如文本、数值、图表）的整合仍存在困难。
3. 市场适应性不足：现有策略缺乏对市场状态（如牛市、熊市）的动态响应能力。

研究目标
提出一种三阶段框架，结合大语言模型（LLM）和多智能体系统（Multi-Agent System），实现以下目标：
- 自动生成可执行的阿尔法因子（Alpha Factor）候选集；
- 通过多模态智能体评估筛选因子，平衡预测质量与风险；
- 动态优化因子权重，构建适应市场状态的量化策略。

研究流程与方法

1. 基于LLM的种子阿尔法生成（Seed Alpha Factory, SAF）

• 输入数据：11份金融研究文档（涵盖动量、均值回归、波动率等理论）。
  
• LLM处理：使用GPT-4o模型对文档进行过滤、分类，生成100个种子阿尔法因子，分为9类（如动量、基本面、流动性）。
  
• 创新点：通过提示工程（Prompt Engineering）将文本解析为可执行的数学表达式（如动量因子公式：close - delay(close, 14)）。
  

2. 多模态智能体评估

• 数据模态：文本（财报、新闻）、数值（OHLCV价格数据）、图表（K线图）、音频（财经广播）、视频（财经频道）。
  
• 智能体分工：
  
  • 置信度评分智能体（Confidence Score Agent, CSA）：计算因子的信息系数（Information Coefficient, IC），评估预测能力。
    
  • 风险偏好智能体（Risk Preference Agent, RPA）：分析因子在不同市场状态下的风险收益特性。
    
• 算法：基于类别平衡的阿尔法选择算法（见附录A.5），确保因子多样性与独立性。
  

3. 动态权重优化

• 模型架构：3层MLP（多层感知机），输入为历史阿尔法值，输出为未来收益率预测。
  
• 训练方法：反向传播（Backpropagation）与梯度下降（Gradient Descent），损失函数为预测与实际收益的差异。
  
• 动态调整：根据市场状态（如波动率、趋势强度）实时更新因子权重。
  

主要实验结果

1. 阿尔法因子有效性验证

• IC对比：LLM生成的因子在波动率（Volatility）和基本面（Fundamental）类别中表现最优（IC均值0.0258 vs. 传统方法0.0177）。
  
• 组合效果：12个因子的加权组合在SSE50指数（2023年）测试中累计收益达53.17%，显著跑赢基准（-11.73%）。
  

2. 跨市场与跨周期鲁棒性

• 中国市场（CSI300）：在2023年H1实现192.27%年化收益，同期基准仅9.13%。
  
• 美国市场（SP500）：在2021年H1收益93.61%，远超基准29.67%。
  
• 抗跌性：2022年熊市中策略仍保持正收益（中国市场12.78%，美国市场2.77%）。
  

3. 消融实验（Ablation Study）

• 智能体贡献：移除CSA导致熊市IC下降50%（0.042→0.021），移除RPA导致夏普比率（Sharpe Ratio）下降30%（1.94→1.34）。
  
• 权重敏感性：CSA与RPA权重比为0.6:0.4时，夏普比率最高（11.39）。
  

结论与价值

科学价值
1. 方法论创新：首次将LLM与多智能体系统结合，实现端到端的量化策略生成。
2. 跨学科融合：推动了计算语言学（Computational Linguistics）与量化金融的交叉研究。

应用价值
- 自动化投资：框架无需人工干预，可扩展至股票、期货等多资产类别。
- 开源贡献：代码公开于GitHub（https://github.com/kouzhizhuo/automate-strategy-finding-with-llm-in-quant-investment）。

研究亮点

1. 多模态数据处理：整合文本、图表、音频等非结构化数据，增强市场状态感知能力。
   
2. 动态适应性：通过权重门控层（Weight Gating Layer）实时调整策略，优于静态模型。
   
3. 实证优势：在中美市场均实现超额收益，验证了框架的普适性。
   

局限性
- 依赖输入数据质量，可能引入文献偏差；
- 部分LLM生成的因子缺乏金融直觉，需进一步优化。

附录
- 种子阿尔表示例：见图4（DPO因子公式与计算步骤）。
- 多模态数据类型：见表11（涵盖文本、数值、视觉等5类数据）。
- 策略构建细节：每日持仓Top-13股票，最大换仓5只，控制交易成本。