EFS: Evolutionary Factor Searching for Sparse Portfolio Optimization Using Large Language Models

文章主要内容和创新点

主要内容

本文聚焦于量化金融中的稀疏投资组合优化问题（即从n个候选资产中选择至多m个资产构建组合，优化累积收益、风险等指标）。传统方法依赖历史回报统计和静态目标，难以适应动态市场环境，且存在可解释性差、对超参数敏感等局限。

为此，作者提出了进化因子搜索（EFS）框架，其核心是利用大型语言模型（LLMs）自动生成、进化阿尔法因子（alpha factors），并通过进化反馈循环基于性能迭代优化因子池。EFS将资产选择问题重构为LLM生成因子引导的top-m排序任务，在5个Fama-French基准数据集和3个真实市场数据集（US50、HSI45、CSI300）上的实验表明，该框架显著优于统计类和优化类基线方法，尤其在大型资产池和波动环境中表现突出。消融研究验证了提示词设计、因子多样性和LLM后端选择的重要性。

创新点

1. 提出EFS框架：融合LLM的生成能力与严格的定量评估，通过性能反馈引导进化搜索，实现阿尔法因子的迭代合成、回测与优化。
2. 端到端可解释性：生成单一的整体评分函数，无需中间机器学习模型聚合信号，简化流程且提升可解释性。
3. 重构优化任务：将稀疏投资组合优化转化为LLM引导的资产排序任务，直接应对实际约束（如风险控制、资本限制、可解释性需求）。
4. 性能优势：在基准测试中表现优于现有方法，消融研究验证了提示工程、搜索深度、稀疏感知