FaVOR：通过实证验证进行因子挖掘的大语言模型智能体框架

传统金融依靠专家通过基于经济原理的原则流程来手工制作因素。最近基于LLM的多代理系统已经自动化了这个过程，比例因子挖掘远远超出了手动工作。然而，这些自动化方法直接优化回报，很少检查生成的因素是否仍然表达激发它的经济假设。我们将数学形式与经济意义之间的这种不一致视为回报导向型自动化的结构性故障模式。由此产生的因素模糊了真实信号和虚假相关性之间的界限，并在政权转变过程中崩溃。我们提出了 FaVOR（通过可观察推理进行因子验证），这是一个围绕假设级证据而不是返回结果重组因子挖掘的代理框架。 FaVOR 取代了标准的假设到公式的飞跃，它强制执行一个三阶段的一致性循环，将数学形式与经济原理联系起来。 (1)分解将广泛的经济假设分解为独立的可观察条件。 (2) 验证检查每个因素是否反映其预期条件。 (3) 集成将它们合并成一个复合体，其结构仍然是可解释的。在 2025 年的中证 500 指数和标准普尔 500 指数中，FaVOR 的表现优于现有基线，同时在各个制度下保持有效。 FaVOR 表明，基于假设的因素发现产生的信号可以通过构建、机制稳健且经济上可靠来解释。代码可在 https://github.com/damilab/FaVOR 获取。