arXiv cs.AI· Xintong Liu, Chenkai Zhang, Yanzhao Ma, Peng Yang·· 12 小时前AI 评分24
LineageEvo：面向 LLM 进化因子挖掘的谱系感知搜索控制
Lineage-Aware Search Control for LLM-Based Evolutionary Factor Mining
AI 导读
LineageEvo 提出用谱系（lineage）作为 LLM 进化因子挖掘的中间控制单元，包含谱系条件化 LLM 变异与谱系分层搜索分配两种机制。在 CSI 500 和 S&P 500 上，该方法在因子预测性上取得最强表现，LSPS 还带来更均衡的谱系分布和结构更广的因子池。研究认为谱系可作为控制 LLM 进化因子搜索的有效中间单位。
正文 · AI 翻译
摘要：公式化 alpha 因子挖掘旨在搜索将市场数据转化为预测信号的符号表达式。近期基于 LLM 的进化因子挖掘方法使用大语言模型作为语义变异算子。在传统的 LLM-EA 范式下，随机变异和基于适应度的选择会使搜索方向性较弱，并集中在结构相似的一小部分因子上。我们认为，这些局限源于当前方法主要在个体和种群层面组织搜索，而谱系层面的控制未被充分利用。谱系通过进化传承将连续的因子变体连接起来。我们提出 LineageEvo，它在两种相互耦合的搜索控制形式中使用谱系：（1）谱系条件化的 LLM 变异，它将谱系范围内的搜索经验提炼为算子特定的先验，并与全局算子先验融合，为 LLM 生成提供持续的、与谱系相关的指导；（2）谱系分层的搜索分配，它在进化搜索过程中将搜索预算分配到各谱系，从而在因子质量与谱系集中度之间取得平衡。这些机制共同使语义变异更具方向感知能力，并防止某些分支主导进化，从而促进发现具有预测性和多样性的因子。我们在 CSI 500 和 S&P 500 上从因子预测性、投资组合表现、搜索效率以及谱系层面和表达式层面的多样性方面评估 LineageEvo。LineageEvo 在两个市场上均取得最强的预测表现，而 LSPS 产生更均衡的谱系分布和结构上更广泛的因子池。结果支持将谱系作为控制基于 LLM 的进化因子搜索的有用中间单元。
| 学科： | 计算金融（q-fin.CP）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.29663 [q-fin.CP] |
| （或本版本的 arXiv:2610.29663v1 [q-fin.CP]） | |
| https://doi.org/10.48550/arXiv.2610.29663 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Xintong Liu [查看邮箱]
[v1]
2026年10月21日星期三 12:40:52 UTC（337 KB）
来源：arXiv cs.AI · arxiv.org