Chain-of-Alpha: Unleashing the Power of Large Language Models for Alpha Mining

一、文章主要内容总结

本文聚焦量化交易中的Alpha因子挖掘任务，提出了一种基于大型语言模型（LLMs）的全自动公式化Alpha挖掘框架——Chain-of-Alpha，旨在解决现有LLM-based Alpha挖掘方法在自动化程度、通用性和效率上的局限性。

1. 研究背景与问题

• Alpha因子挖掘的重要性：Alpha因子是量化交易的核心，需发现能预测资产收益、且与系统性市场风险无关的可解释信号，公式化Alpha因子相比基于神经网络的因子，具有更强的可解释性、鲁棒性和泛化能力，但传统挖掘依赖专家手动设计，耗时费力。
• 现有方法的局限：传统机器学习方法（如遗传编程、强化学习）缺乏LLM的推理与知识整合能力；现有LLM-based方法存在自动化不彻底（依赖人工反馈或预存Alpha因子）、通用性差（依赖多模态数据或侧重策略生成而非因子挖掘）、效率低（如LLM+MCTS的树搜索需顺序执行，并行性差）的问题。

2. Chain-of-Alpha框架设计

框架核心是双链架构，通过协同工作实现高质量Alpha因子的全自动挖掘，具体包括：