arXiv cs.AI· Jie Huang, Yuecheng Hong, Yao Chen, Hao Zhong, Linfeng Xiao, Xudong Liu, Qiang Ye, Hao Xia, Jianxuan Xin·· 3 天前AI 评分24
AlphaRLM：让语言模型从文献出发发现符号化因子
AlphaRLM: Aligning Language Models for Literature-Grounded Symbolic Factor Discovery
AI 导读
AlphaRLM 是一个强化学习框架，训练 LLM 直接从金融文献构建可执行的符号化因子，无需输入因子表达式。它通过文献引导的算子组装（LEGO）提供语义先验，并用可执行有效性与分组收益分离奖励对齐市场反馈。在 CSI 300、CSI 1000 和 S&P 500 上，其年化超额收益优于强因子挖掘与 LLM 基线，8B 模型展现出较强的跨市场表现。
正文 · AI 翻译
摘要：公式化 alpha 挖掘旨在在庞大且充满噪声的搜索空间中发现能够捕捉预测性市场信号的可执行表达式。近期基于 LLM 的方法使用提示、迭代搜索或种子因子演化，而通过策略学习直接构建因子则较少被探索。为解决这一问题，我们提出了 AlphaRLM，一个强化学习框架，训练 LLM 从金融文献中构建可执行的符号因子，且无需输入因子表达式。AlphaRLM 结合了文献引导算子组装（LEGO），以文献衍生的思想和可执行算子为条件进行因子构建，为探索提供语义先验。它进一步通过可执行有效性和分组收益分离奖励，使生成策略与市场反馈对齐，这些奖励捕捉了因子分位数之间的非单调结构。在 CSI 300、CSI 1000 和 S&P 500 上的大量实验表明，AlphaRLM 在年化超额收益方面优于强大的因子挖掘和基于 LLM 的基线方法。值得注意的是，8B 模型实现了强大的跨市场表现，凸显了文献条件化、市场对齐的因子生成的潜力。
| Comments: | 25 页，5 幅图 |
| Subjects: | 人工智能（cs.AI）；计算与语言（cs.CL）；机器学习（cs.LG）；投资组合管理（q-fin.PM） |
| Cite as: | arXiv:2610.14959 [cs.AI] |
| （或 arXiv:2610.14959v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.14959 arXiv 颁发的 DOI 通过 DataCite |
Submission history
来自：Jie Huang [查看邮箱]
[v1]
2026 年 10 月 10 日星期六 14:32:10 UTC（2,914 KB）
[v2]
2026 年 10 月 14 日星期三 12:33:55 UTC（2,914 KB）
来源：arXiv cs.AI · arxiv.org