arXiv cs.AI· Haolin Yang, Zhiqiang Qian, Chutian Chen, Jipeng Zhang, Zhenghao Zhu, Tangjia Deng, Jian Xie, Shuaishuai Gong, Yike Guo, Sirui Han·· 3 天前AI 评分23
EvoQuantLab：面向可审计量化研究的免训练双环进化框架
EvoQuantLab: Training-Free Dual-Loop Evolution for Auditable Quantitative Research
AI 导读
EvoQuantLab 是一个免训练的双环自进化框架，用于自动化 alpha 因子发现，通过内层遗传编程（GP）循环进化带类型约束的因子表达式以提升 token 效率，外层诊断循环跨周期审计证据以改进协议。在 CSI 500 和 S&P 500 日频任务上，其年化收益分别达 18.34% 和 21.30%；在小时频加密货币数据上实现 37.91% 年化收益并避免执行崩溃。
正文 · AI 翻译
摘要：自动化 alpha 因子发现对于现代量化研究至关重要。尽管大语言模型（LLM）已日益融入量化工作流，但现有的基于智能体的方法仍然极易出现严重的回测过拟合。为应对这一挑战，我们提出 EvoQuantLab，一个无需训练、双环自进化的稳健因子发现框架。EvoQuantLab 并非完全依赖 LLM 生成，而是部署一个内部遗传编程（GP）循环，在结构与多样性约束下演化带类型的因子表达式，从而大幅提升 token 效率。随后，一个外部诊断循环系统性地审查跨周期的证据，以推动协议层面的改进。此外，我们的评估流程采用多指标验证，在部署前严格过滤虚假因子。在日频和小时频——涵盖股票与加密货币——上的大量样本外实验证明了 EvoQuantLab 的稳健性。具体而言，在日频 CSI 500 和 S&P 500 任务上，EvoQuantLab 分别实现了 18.34% 和 21.30% 的领先年化收益，持续优于现有智能体基线。在高换手率的小时频加密货币数据上，EvoQuantLab 实现了 37.91% 的年化收益，同时有效避免了执行崩溃。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.17130 [cs.AI] |
| （或 arXiv:2610.17130v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.17130 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Haolin Yang [查看邮箱]
[v1]
2026年10月12日星期一 17:19:13 UTC（4,352 KB）
[v2]
2026年10月14日星期三 04:54:13 UTC（4,352 KB）
来源：arXiv cs.AI · arxiv.org