TradeGrad框架利用文本梯度优化量化交易策略
论文AI 评分 72/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
针对大模型文本梯度直接优化量化策略存在的短视与忽视时间稳健性缺陷，TradeGrad框架被提出。它借助累积经验估算文本梯度，采用多尺度修订探索并改进策略，同时引入跨周期稳健目标（CPRO）强调不利历史时段表现以增强时间稳健性。在中美股市的截面与时序策略测试中，该框架在四种设定下均取得最佳样本内外表现。其中，中国截面策略年化收益达27.99%，最大回撤12.19%，夏普比率1.63，较沪深300基准高约68%。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载文本梯度优化痛点
量化交易策略设计旨在从历史数据中发现未来仍有效的交易程序，可视为黑盒程序优化问题。基于大模型的文本梯度能提供明确优化方向以迭代改进策略，但直接应用存在两大缺陷：一是优化短视，未能充分利用过往评估经验；二是聚合回测反馈忽略时间稳健性，易偏向仅在特定市场时段表现良好的策略。
TradeGrad框架机制
为克服上述缺陷，TradeGrad框架被提出。该框架利用累积优化经验来估算文本梯度，并针对策略探索与改进采用多尺度修订。此外，它引入跨周期稳健目标（CPRO），通过强调策略在不利历史时段的表现来促进时间稳健性，避免策略仅在特定行情中失效。
中美市场实证表现
在中国A股与美国股票市场的截面与时序策略设计实验中，TradeGrad在全部四种设定下均实现最优的样本内与样本外表现。具体而言，其中国截面策略实现27.99%年化收益、12.19%最大回撤与1.63的夏普比率，较沪深300基准高出约68%。进一步分析证实各组件有效，且优化过程中样本内外表现均有持续提升。
为什么值得看
解决LLM优化量化策略的短视与稳健性痛点，在真实市场数据中取得显著超额收益，对AI金融落地极具参考价值。
大模型量化
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。