EVOQUANT：自进化验证器引导的策略优化用于稳健量化交易

量化策略优化仍在很大程度上是人工的：需要领域专家识别弱信号、调优风险控制规则、并反复验证迭代修订。大语言模型可以加速该过程，但直接依赖它们重写交易策略常引入幻觉式编辑、策略漂移与回测过拟合。我们提出EVOQUANT：一个面向量化交易策略优化的自进化验证器引导框架。方法利用LLM深度诊断性能瓶颈、生成语义受控的候选编辑、经多阶段验证管线选择最佳策略，并把优化经验蒸馏为可复用知识以持续自改进。我们以七个代表性策略评估方法：四个来自A股市场、三个来自加密货币市场。实验结果显示该方法显著改善全部受测策略的夏普比率：平均测试夏普从-0.298提升到0.538，最佳策略取得199%的相对改进。消融研究与更严格条件下的压力测试进一步验证框架的有效性与鲁棒性。总体而言，本工作把量化策略优化从昂贵的人工试错转变为自动化、可验证的迭代范式，为LLM应用于金融策略研究提供新路径。