摘要
量化策略优化仍然主要依赖人工，要求领域专家识别弱信号、调整风险控制规则，以及反复验证迭代修订。虽然大型语言模型（LLMs）可以加速这一过程，但直接依赖它们重写交易策略往往会引入幻觉编辑、策略漂移和回测过拟合。为此，我们提出了EVOQUANT，一种自我演化的验证引导框架，旨在优化量化交易策略。
我们的方法利用LLMs深入诊断性能瓶颈，生成语义控制的候选编辑，通过多阶段验证流程选择最佳策略，并将优化经验提炼为可重用知识以实现持续自我改进。我们使用七个具有代表性的策略对方法进行评估：四个来自A股市场，三个来自加密市场。实验结果表明，我们的方法显著提高了所有测试策略的Sharpe比率：平均测试Sharpe从-0.298提高到0.538，而表现最佳的策略实现了199%的相对提升。消融研究和在更严格条件下的压力测试进一步验证了该框架的有效性和稳健性。
总体而言，这项工作将量化策略优化从高成本的手动试错转变为自动化和可验证的迭代范式，为将大型语言模型应用于金融策略研究开辟了新路径。
博主点评： EVOQUANT通过引入自我演化和验证机制，成功将量化交易的复杂性转化为高效的自动化流程。该框架不仅提升了策略性能，还为金融领域的智能化转型提供了新思路，值得进一步探索和应用。