【东方证券】量化研究参考系列之一：QuantaAlpha: 用大模型做量化因子挖掘-260407（14页）.pdf

1、 有关分析师的申明，见本报告最后部分。其他重要信息披露见分析师申明之后部分，或请与您的投资代表联系。并请阅读本证券研究报告最后一页的免责申明。金融工程|专题报告 研究结论研究结论 文献信息：文献信息：本次分享的论文由上海财经大学、QuantaAlpha 团队、斯坦福大学、北京大学、中山大学、东南大学联合撰写，于 2026 年 2 月发表于 arXiv 预印本平台（编号：arXiv:2602.07085），标题为标题为QuantaAlpha:An Evolutionary Framework for LLM-Driven Alpha Mining大语言模型驱动的进化式大语言模型驱动的进化式 Al

2、pha 因子因子挖掘框架。挖掘框架。推荐推荐理由理由：论文提出了一套将大语言模型（论文提出了一套将大语言模型（LLM）与进化算法深度融合的）与进化算法深度融合的 Alpha 因因子挖掘新框架子挖掘新框架 QuantaAlpha。通过多智能体协作模拟专业量化研究员的工作流程，将因子挖掘的完整研究过程纳入进化体系，覆盖假设生成、因子构建、代码实现、回测检验、迭代优化全环节，实现因子挖掘过程的白盒化、可溯源、高效率。核心框架核心框架：QuantaAlpha 以大语言模型为核心，完整模拟量化研究员研究流程，构建“提出假设构建因子回测检验迭代优化因子池维护”一体化自动因子挖掘体系，可生成收益稳健、风险可

3、控且逻辑可解释的 Alpha 因子。1）初始假设：）初始假设：LLM 生成 10 个独立互补的假设，多方向并行挖掘，避免局部最优与因子拥挤。2）因子实现：因子实现：三类智能体协同，将假设转为结构化因子，经符号化与 AST 转化并施加三重约束，完成回测与轨迹记录。3）迭代优化：）迭代优化：LLM 主导定向进化，精准修正失效环节、交叉复用优质逻辑，高效提升因子质量。4）因子筛选：）因子筛选：设置 Rank IC、低冗余、容量三重门槛，择优纳入因子库。亮点分析亮点分析：对比对比 QuantaAlpha 与自研与自研 DFQ 遗传规划系统，共有五大核心升级：遗传规划系统，共有五大核心升级：1）初始种群

4、：）初始种群：从随机生成转为 LLM 结合金融逻辑驱动，初始因子质量更高、无效探索更少；2）进化方式：）进化方式：从盲目随机试错，转为基于完整研究轨迹的定向逻辑修复与有效重组；3）进化对象：）进化对象：从单纯优化因子公式，升级为优化整套研究过程并实现研究经验复用；4）冗余管控：）冗余管控：从单一数值约束，升级为结构化去重、复杂度限制与语义校验的多维管控；5）可解释性：）可解释性：从先出公式再补逻辑，变为先有金融逻辑再生成因子，显著提升可靠性与投研实用性。实证结果：实证结果：论文实验以沪深 300 为核心标的，采用 GPT-5.2 进行回测，结果显示其在年化收益、ICIR 及回撤控制上均大幅超越

5、 Alpha158 等基准；将因子直接应用于中证 500 与标普 500，四年累计超额收益达 130%160%，跨市场表现极强。团队复现方面，我们修正了原始数据划分可能存在的泄露问题，使用通义千问基于 13 个价量方向挖掘出 21 个因子，在严格样本外验证中，因子虽具备一定选股能力，但 ICIR 偏低、组合波动较大，信号尚显稚嫩。对比论文挖掘 350 个因子的规模，当前挖掘量与迭代轮次存在显著差距，这也是目前超额收益与稳定性不足的核心原因，后续需扩大挖掘规模以进一步提纯因子。优化方向：优化方向：结合结合 A 股市场特性与团队股市场特性与团队 DFQ 系统实践，提出以下优化方向：系统实践，提出以

6、下优化方向：1）特征维度：从仅用 6 类基础日频价量数据，升级为融合日内高频、基本面数据，对接 DFQ 成熟 70 维日频特征体系，充分挖掘微观市场信息；2）算子体系：从 6 大类通用量化算子，升级为补充多参数截面交互、非线性激活、动态条件筛选类算子，精准适配 A 股交易规则与非线性波动特征；3）评估标准：从单一 IC/RankIC、收益指标，升级为新增行业/市值中性化 IC 筛选指标，剥离系统性风格暴露，过滤伪 Alpha 信号提纯真超额收益；4）股票池范围：从仅沪深 300 窄池挖掘，升级为扩展至全市场并分板块定制挖掘，大幅提升因子跨池泛化能力与实盘适配性。风险提示风险提示 1.量化模型基