论文
TradeGrad：经验引导的文本梯度交易程序优化
Trading Strategy Optimization via Textual Gradient
摘要
量化交易策略设计旨在从历史数据发现未来市场仍有效的交易程序，可视为黑箱程序优化。基于LLM的文本梯度提供显式优化方向，适合迭代策略细化，但直接应用面临两项挑战：优化短视，未充分利用既往评估经验；聚合回测反馈忽略时序稳健性，可能偏好只在特定时期有效的策略。我们提出TradeGrad，一个经验引导的文本梯度框架。它利用积累的优化经验估计文本梯度，并通过多尺度修订探索和细化策略；跨时期稳健目标（CPRO）强调不利历史时期的表现，以促进时序稳健性。在中国A股和美国股票市场的横截面及时间序列策略设计实验中，TradeGrad在全部四种设置的样本内外表现均最好。其中国横截面策略年化收益27.99%、最大回撤12.19%、夏普比率1.63，比沪深300基准约高68%。进一步分析验证各组件，并显示优化过程中样本内外表现持续改善。代码见 https://github.com/transcend-0/TradeGrad.