AlphaSchema：面向基于LLM的Alpha挖掘的交易语义空间探索

自动化Alpha挖掘正日益采用大语言模型（LLM）智能体进行因子生成与迭代发现。然而，现有基于LLM的系统往往将因子构建和搜索决策都交给智能体本身，既没有显式的探索空间，也没有在该空间中导航的原则性机制。结果，探索在很大程度上仍是隐式的，难以系统地控制或优化。我们提出AlphaSchema，它为Alpha挖掘构建并探索一个结构化的交易语义空间。该空间中的每个点都是一个由Event、Context、Qualities、Direction和Output构成的schema计划，在实现之前即规定候选因子的语义。AlphaSchema将探索与实现解耦：LLM将选定的schema计划翻译为可执行因子，而评估得到的奖励被累积起来，用于学习语义空间上的代理模型。迭代选择机制利用该模型来平衡全局探索、代理引导的利用和局部变异。在中国股票市场的实验表明，AlphaSchema发现了具有强劲预测与组合表现的因子池。进一步分析显示，语义搜索过程在遍历多样化区域的同时，将评估越来越多地分配向高奖励区域；同一schema计划由不同LLM实现时展现出相当的预测质量，表明在我们的框架内，Alpha挖掘质量对LLM的选择在很大程度上是稳健的。