Hubble：大语言模型驱动的代理框架，用于安全和自动化的 Alpha 因子发现

由于金融数据中巨大的组合搜索空间和固有的低信噪比，在定量金融中发现预测性阿尔法因子仍然是一项艰巨的挑战。现有的自动化方法，特别是遗传编程，通常会产生复杂的、难以解释的公式，容易出现过度拟合。我们引入 Hubble，这是一个闭环因子挖掘框架，它利用大语言模型 (LLM) 作为智能搜索启发式方法，并受到特定于领域的运算符语言和基于抽象语法树 (AST) 的执行沙箱的约束。该框架通过严格的统计管道评估候选因素，包括横截面排名信息系数（RankIC）、年化信息比率和投资组合周转率。进化反馈机制将表现最佳的因素和结构化错误诊断返回给大语言模型，从而实现多轮迭代的迭代细化。在 752 个交易日对 30 只美国股票进行的实验中，系统在三轮中评估了来自 122 个独特候选者的 181 个语法上有效的因子，在 100% 计算稳定性下达到了 0.827 的最高综合得分。我们的结果表明，将大语言模型驱动的生成与确定性安全约束相结合，可以产生一种有效的、可解释的和可重复的自动因子发现方法。