CosmosAlpha：用多关系图搜索改进 LLM 因子挖掘
论文AI 评分 62/100arXiv cs.AI
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。
CosmosAlpha 是一个基于图的 LLM 因子挖掘框架，把已发现的因子组织成多关系图，图中同时编码生成谱系、表达式结构相似性和横截面暴露相关性。它通过 Graph Flow 机制在图上传播搜索效用，让每个因子借助邻近因子的关系证据来评估，而不是孤立打分；选择环节采用 Pareto 引导，同时权衡质量、繁殖力与多样性。在 CSI 300 和 CSI 500 上，CosmosAlpha-Graph 在七项预测与组合指标上的平均排名最优，并在全部报告指标上优于受控的 CosmosAlpha-MCTS 版本。论文共 41 页、3 张图，代码已公开。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
从噪声较大的金融数据中找出有预测力的 alpha 因子，是量化金融里的基础难题。用 LLM 驱动公式化因子挖掘的思路，是把可解释的符号表达式与迭代生成、按量化反馈修正结合起来。但已有的以生成过程为中心的做法和树式搜索策略，主要按生成谱系来组织因子，搜索分支之间的结构关系与统计关系没有被充分利用，信息因此局限在父子轨迹上，探索容易停留在冗余区域。另一方面，有效的因子发现要兼顾多个不同目标，单一搜索标准难以覆盖。
图结构与效用传播
CosmosAlpha 把已发现的因子组织成一张多关系图，边上承载三类关系：生成谱系、表达式结构相似性、横截面暴露相关性。在此基础上，Graph Flow 机制让搜索效用沿图传播，每个因子的评估会参考附近因子的关系证据，而不是只看自身。这样，原本分散在不同搜索分支上的信息可以互相流通，减少在重复区域反复探索。
多目标选择与实验结果
选择环节采用 Pareto 引导，把质量、繁殖力、多样性三项一起纳入多目标搜索框架，显式处理它们之间的取舍。实验在 CSI 300 和 CSI 500 上进行：CosmosAlpha-Graph 在七项预测与组合指标上的平均排名最好，并且在全部报告指标上都优于作为对照的 CosmosAlpha-MCTS 版本，说明关系图搜索在 LLM 因子挖掘中有一致优势。论文共 41 页、3 张图，源码已公开。
为什么值得看
关注 LLM 自动发现量化因子的读者，可看到用图结构替代树式搜索、并用多目标权衡的具体做法与基准结果。
论文
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。