本文提出面向大语言模型进化因子挖掘的 LineageEvo 框架,以进化谱系作为个体搜索与群体选择之间的中间控制单元,通过谱系条件化先验引导 LLM 进行变异与交叉,并利用谱系分层父代选择机制平衡因子质量和搜索多样性。在 CSI 500 与 S&P 500 上,LineageEvo 在 IC、ICIR、年化收益、信息比率和最大回撤等指标上均取得最佳结果,同时提升谱系熵与表达式结构多样性,并在约75个有效评估因子内达到较强性能平台,显示出更高的搜索效率与泛化能力。
| 市场 | IC | ICIR | 年化收益率 AR | 信息比率 IR | 最大回撤 MDD |
|---|---|---|---|---|---|
| CSI 500 | 0.0512 | 0.2740 | 15.55% | 0.9856 | 19.39% |
| S&P 500 | 0.0134 | 0.0907 | 27.00% | 1.1693 | 17.05% |
| 指标 | 不使用 LSPS | 使用 LSPS |
|---|---|---|
| IC | 0.0381 | 0.0512 |
| ICIR | 0.2415 | 0.2740 |
| 谱系熵 | 0.405 | 2.154 |
| 平均两两 AST 距离 | 0.509 | 0.747 |
TsSkew 替换为基于 close 与 high 收益率的 TsCov,并保留 20 日滚动窗口,使验证 IC 从 0.0209 提升至 0.0369。TsCorr、TsIr、原始成交量项和不必要的 EMA 平滑;全局先验则指出百分比变化输入在不同谱系中普遍有助于强化协方差和相关性结构。标题:《Lineage-Aware Search Control for LLM-Based Evolutionary Factor Mining》,可译为《面向基于大语言模型进化因子挖掘的谱系感知搜索控制》。
作者:Xintong Liu、Chenkai Zhang、Yanzhao Ma、Peng Yang。
机构:中国深圳南方科技大学。
发布日期:所提供文本未明确标注发布日期,但参考文献和实验设计中出现了2026年资料,因此具体发表时间仍需结合论文首页或会议版本核实。,
研究主题:利用大语言模型和进化算法自动挖掘量化投资中的公式化Alpha因子,重点研究如何通过“谱系”(lineage)控制搜索方向、经验复用和因子多样性。,
这不是一份针对某家上市公司的证券研究报告,因此没有传统意义上的买入、持有或卖出评级,也没有目标价。报告的核心判断是:现有LLM-EA因子挖掘方法虽然能够让大语言模型生成、变异和重组因子,但其搜索仍主要围绕单个因子和总体种群展开,容易受到随机变异和适应度选择的影响,导致某些早期表现较好的分支获得过多资源,最终出现搜索集中和过早收敛。
作者提出的LineageEvo框架把谱系作为介于“个体”和“种群”之间的中间控制单元,并通过两个机制解决上述问题:
报告声称,LineageEvo在CSI 500和S&P 500上都取得最强的综合结果,并且在保持预测能力的同时扩大了结构多样性。CSI 500上的IC和ICIR分别较最强基线提高28.3%和9.9%,S&P 500上的提高幅度分别为12.6%和35.8%。
公式化Alpha因子挖掘,是指寻找由市场变量、数学运算和时间序列运算组成的表达式,将股票历史数据转化为对未来收益具有预测能力的信号。因子可以用于股票排序、组合构建和交易决策,但表达式空间极其庞大,金融数据又具有噪声、非平稳和市场 regime 变化等特点,因此“在样本外仍然有效且稳定”的因子并不容易发现。
早期方法主要依赖人工经验,后来逐渐出现遗传编程、强化学习和其他机器学习方法。传统方法扩大了搜索空间,但通常依赖预设语法、手工设计的变异算子或单一标量奖励,因此难以进行丰富的金融语义推理,也难以灵活复用历史搜索经验。,
大语言模型能够利用预训练阶段形成的金融概念、数学表达式和程序结构知识,生成具有经济含义的因子假设,并对已有公式进行语义化修改。Alpha-GPT、AlphaAgent、MCTS式搜索和图结构搜索等工作,体现了LLM在公式生成、因子解释和结构改写方面的潜力。
LLM-EA进一步把LLM放进进化循环中,使其承担变异、交叉、反思或启发式生成任务。相较于传统遗传算法的语法级随机修改,LLM能够尝试更有语义意义的结构变化,例如改变时间序列运算、替换价格变换方式,或把一个因子的局部结构迁移到另一个因子中。
但报告指出,这类方法有两个核心缺陷:
作者的创新点在于,谱系能够保存连续的“局部搜索历史”,比单个个体包含更长的上下文,又比整个种群更具针对性。,
LineageEvo用有向无环图记录因子之间的进化关系。变异产生的子代拥有一个主要继承边,指向其父代;交叉产生的子代则有一个主要继承边和一个次级交叉边。主要继承边决定子代属于哪个谱系,次级边记录另一个父代贡献的局部子树。,
这种设计体现了交叉操作的非对称性:
因此,谱系并不是简单按照表达式相似度聚类,而是按照主要结构继承关系定义的后代家族。作者认为,由于变异通常只改动叶节点或小子树,交叉也保留主父代的大部分结构,所以同一谱系中的相邻后代通常拥有更强的结构连续性和金融语义连续性。,
图1展示了LineageEvo的一次完整迭代流程,包括种群谱系、LSPS选择、先验记忆、先验融合、LLM生成和评估反馈六个环节。
具体流程如下:
图1的关键意义在于,LLM只负责语义变化,确定性的程序模块负责校验、评估、继承和状态转移。这种职责分离可以减少LLM直接控制搜索状态所带来的不确定性。
LSPS采用两阶段抽样,而不是直接在所有因子中按适应度抽样。第一阶段选择谱系,第二阶段在谱系内选择父代。
谱系选择综合考虑两个因素:
质量分数同时使用训练集和验证集表现,并惩罚训练与验证之间的强度差异以及方向反转。实验参数为 ((\alpha,\beta,\gamma)=(0.2,0.8,0.1)),其中验证集权重最高,说明作者更重视当前因子在未参与拟合的数据上的表现及其稳定性。,
LSPS中的参数 (\lambda) 控制“质量优先”和“探索平衡”之间的取舍,实验中使用的LSPS权重为0.8。另一个实现细节是,活跃池中任何单一谱系的因子占比不得超过40%,这进一步限制了分支垄断。,
交叉时,第一阶段选出的谱系和父代作为主谱系和主父代,第二个供体尽可能从其他谱系选择。这样既能保留主谱系的结构连续性,也能引入跨谱系结构,增强组合式探索。,
每个谱系分别维护变异先验和交叉先验,全局层面也维护对应的变异先验和交叉先验。变异先验描述某个谱系中哪些局部修改有效、哪些修改容易损害表现;交叉先验则描述哪些供体结构具有可迁移性、互补性或不兼容性。
先验并不是严格意义上的贝叶斯概率分布,而是由历史事件提炼出的结构化提示信息。它被放在下一次LLM生成之前,用作“软引导”,不会硬性禁止模型生成新结构。
先验更新采用事件触发方式。当子代相较于父代出现足够大的改善或恶化时,LLM重写器才会重新整理先验。CSI 500的改善触发条件为绝对IC至少提高0.003且相对提高30%中的较大者,恶化触发条件为0.012和60%中的较大者;S&P 500采用更敏感的阈值,改善条件为0.0015和20%,恶化条件为0.006和40%。,
这一机制有两个好处:
如果LLM重写先验失败,确定性管理器会保留旧状态,并检查JSON结构、冗余条目和低价值内容。,
实验覆盖中国A股CSI 500和美国S&P 500。两个市场使用相同的时间划分:
搜索可以使用训练集和验证集,测试集只在最终因子集合和方向确定后使用。,
每次运行从10个LLM生成的种子根节点开始,每代目标生成3个变异子代和2个交叉子代,直到获得200个有效评估因子。活跃池包含50个因子,精英档案包含20个高质量因子,所有LLM方法使用DeepSeek-v4-flash。
因子方向由验证集信息确定,测试集不参与因子方向、父代选择、先验更新或最终选择。这一安排旨在避免直接使用测试集进行模型选择。,
组合回测使用Qlib的TopK-Dropout策略,每日调仓,持有前50只股票,每日最多淘汰5只股票,并统一考虑风险参数和交易成本。买入成本为0.0015,卖出成本为0.0025,单笔最低成本为5,所有方法采用相同配置。,
表1比较传统因子挖掘、普通LLM因子挖掘和LLM-EA方法。每种方法从最终因子池中选取前20个因子,组合成因子集合后进行统一评估。
LineageEvo在两个市场的五项指标中均取得最佳结果。
这些结果说明,LineageEvo的优势不只是提高单个因子的相关性。更高的IC意味着因子对未来横截面收益的排序能力更强,更高的ICIR意味着这种能力在时间上更稳定;同时AR和IR改善、MDD降低,说明预测优势能够部分转化为组合层面的收益和风险控制。
不过,表1的相对优势需要结合市场差异解释。CSI 500的IC绝对值高于S&P 500,但S&P 500的年化收益和IR更高,这表明因子预测相关性和投资组合回报之间并不是线性对应关系,组合构建、市场波动、交易成本和股票横截面特征都会影响最终投资结果。,
图2显示了测试期内不同方法的累计收益。红色的LineageEvo曲线在后半段明显走强,最终累计收益位于所有比较方法之上;CSI 500指数虚线的累计表现低于多数因子策略。
从曲线形态看,2023年至2024年期间各方法表现出现明显波动,部分策略的累计收益一度回落;进入2025年后,多数策略重新上行,LineageEvo在后期上升幅度和最终水平都较突出。图形还显示,LineageEvo并非从测试期一开始就始终领先,而是在后期逐步形成优势。这与报告所说的“总体预测能力强、后期成为最强方法之一”相一致。
该图支持作者关于“因子发现质量能够转化为组合绩效”的论点,但也暴露出一个需要注意的地方:累计收益曲线存在明显的时间阶段差异,因此仅凭最终收益排名不能证明方法在所有市场状态下都稳定有效。报告提供了AR、IR和MDD,但没有在正文中给出更长时间窗口、滚动窗口或统计显著性分析。
表2考察完整模型与不同先验组件组合之间的差异。实验包括:
报告正文明确给出,移除全部先验后,CSI 500的IC从0.0512下降到0.0384,ICIR从0.2740下降到0.1994。IC下降约25%,ICIR下降约27%,说明先验系统对因子质量和时间稳定性都有实质作用。
移除谱系先验也带来较大幅度的表现恶化,作者据此判断谱系级经验是最有价值的指导来源。全局先验能够提供跨谱系可迁移模式,但不能完全替代某一谱系内部积累的局部结构经验。
需要指出的是,所提供文本只保留了表2的标题和部分总体数值,没有显示每一个消融变体的完整IC、ICIR行列,因此无法从当前材料逐项核对“仅移除全局先验”“仅移除变异先验”和“仅移除交叉先验”的具体数值。报告的结论方向是清楚的,但完整表格数据应在论文排版版或补充材料中进一步查阅。
表3比较使用LSPS和不使用LSPS的结果。移除LSPS后,父代直接从整个活跃池中抽样;完整方法则先选择谱系,再选择父代。
加入LSPS后:
报告摘要进一步给出,LSPS使谱系熵从0.405升至2.154,使平均AST距离从0.509升至0.747。,
谱系熵越高,说明因子在不同谱系之间分布越均衡;平均AST距离越高,说明表达式树结构之间更不相似;有效结构数量则试图衡量具有不同规范化AST结构的非冗余结构规模。,
这一结果很重要,因为它显示LSPS并不是用多样性换取质量,而是在实验中同时改善了预测能力和结构覆盖度。其逻辑是:质量项让强谱系继续被开发,平衡项则防止强谱系占据全部预算,从而让其他谱系保留继续探索的机会。
但谱系熵的绝对值依赖于谱系数量和样本分布,因此跨实验或跨市场比较时,需要确认谱系总数、活跃池定义和计算状态完全一致。报告说明了指标公式,却没有在正文中详细报告所有运行的方差或置信区间。,
图3横轴是有效评估因子数量,纵轴是截至当前评估点、表现最好的五个因子的平均绝对验证IC。无效表达式、重复表达式和评估失败不会推进横轴计数。,
图中:
因此,LineageEvo不仅最终结果更好,而且在有限搜索预算下更快找到高质量因子集合。作者把这一现象归因于谱系先验能够跨代保留有效的结构变换经验。
该指标主要衡量“找到高IC因子的速度”,并不直接衡量组合分散性、交易成本或不同因子之间的相关性。因此,搜索效率优势不能单独等同于最终投资策略的全面优势,但它确实支持LineageEvo在相同有效评估预算下更有效地利用搜索资源。,
图4展示了CSI 500第30代的一次变异案例。事件1把父因子中的TsSkew替换为close收益和high收益之间的TsCov,同时保留20日窗口,验证IC从0.0209提高到0.0369。该事件触发谱系先验和全局先验更新。,
随后,同一谱系的另一个兄弟分支读取这一先验,再执行相关变异。第二次变异保持了原有分母结构,并再次使用类似的TsCov替换,验证IC从0.0150提高到0.0323,先验置信度由中等提升至高,支持数从1增加到2。
图中虚线表示先验在兄弟分支之间传递,而不是新的DAG祖先关系。这一点解释了谱系先验与普通父子继承的区别:某个成功变异的经验可以被同一谱系中的其他分支使用,即使这些分支之间不存在直接的表达式祖先关系。
提示词中的具体经验包括:
事件2中谱系先验权重为0.45,全局先验权重为0.55,说明系统在该时点没有完全依赖局部经验,而是将跨谱系信息赋予略高权重。,
表5总结了种子生成、变异、交叉和先验重写四类主要提示词。种子提示词要求生成具有不同金融假设、可执行且避免未来数据的因子;变异提示词包含父因子、谱系先验、全局先验、质量趋势、停滞状态和变异强度;交叉提示词要求主父代保留表达式主干,只从次父代引入合适规模的局部子树。,
先验重写提示词要求LLM重写完整的结构化JSON,而不是输出自由形式的反思或局部补丁。谱系变异先验记录成功模式、失败模式、提示和偏差风险;谱系交叉先验还记录互补关系、可继承结构和交叉风险;全局先验则只保留被认为具有跨谱系迁移价值的模式。
候选因子必须经过确定性检查,包括:
只有通过检查并完成评估的因子才会进入DAG,也才会消耗有效评估预算。,
虽然测试集不参与最终方向确定、父代选择和先验更新,但搜索过程允许反复使用训练集和验证集。经过200个有效评估、多个先验更新和多轮父代选择后,验证集本身可能成为间接优化对象。因此,报告所称的样本外优势主要是相对于测试期而言,但仍需进一步确认是否使用了多次独立时间切分或滚动验证来降低验证集过拟合风险。,
文本将测试期写为2022年5月1日至2026年4月30日,但报告提供的首页没有明确发布日期,参考文献中又包含2026年工作。这一时间安排需要核对论文实际提交或发布版本,否则可能存在测试数据尚未完全可得、或者报告版本在未来数据基础上更新的疑问。, ,
报告提供了点估计结果和部分曲线,但当前文本没有给出不同随机种子、多次重复实验的均值、标准差、置信区间或显著性检验。因此,LineageEvo领先的幅度可能同时包含方法优势和随机搜索差异,尤其是LLM输出本身具有随机性。,
报告统一了回测管线、交易成本和部分评估设置,这有利于横向比较。但不同基线的原始目标、搜索预算、LLM提示词、最终因子选择规则和是否支持结构化先验可能并不完全相同。报告说明使用代表性基线并提供补充材料,但仅凭正文无法确认所有方法是否使用了相同的LLM调用次数、总计算成本和重复运行次数。,
虽然先验状态经过确定性格式检查,但“哪些变异是有益的”“哪些结构具有可迁移性”仍由LLM根据事件解释并写入先验。格式正确并不等于金融判断正确。错误经验一旦被写入谱系先验,可能在兄弟分支中扩散,形成局部偏差。报告通过改善/恶化阈值、偏差风险字段和失败模式记录来缓解该风险,但没有量化错误先验传播的概率。, ,
AST距离和有效结构数量能够衡量表达式层面的差异,但结构不同不一定意味着经济含义不同,也不一定意味着因子收益相关性低。两个表达式可能使用不同语法,却高度暴露于同一个市场风险因子。因此,LSPS改善结构多样性是积极信号,但还应补充因子收益相关矩阵、行业暴露、风格暴露和组合边际贡献分析。,
这份报告的核心贡献,是把谱系从进化过程中的被动记录提升为主动搜索控制单位。谱系一方面保存某一结构家族长期积累的成功和失败经验,另一方面成为搜索预算分配的对象,从而连接了个体层面的LLM语义变异和种群层面的进化选择。,
实证结果支持这一设计:
作者最终展现的是明确的正面判断:谱系是控制LLM进化式因子挖掘的有效中间组织单元,谱系条件化先验和LSPS具有互补作用。报告的主要不足不在于方法逻辑不完整,而在于当前材料缺少完整消融表、重复实验统计、显著性检验、跨时间稳健性测试以及对验证集反复使用所产生的过拟合风险的充分讨论。因此,LineageEvo的结果足以证明其在所设定实验环境中的方法价值,但距离确认其在真实量化投资生产环境中的普适有效性,还需要更严格的外部市场、滚动时间和成本敏感性验证。
2610.29663.pdf