QuantaAlpha: Ein evolutionärer Rahmenwerk für LLM-gestütztes Alpha-Mining

QuantaAlpha: An Evolutionary Framework for LLM-Driven Alpha Mining

February 6, 2026

papers.authors: Jun Han, Shuo Zhang, Wei Li, Zhi Yang, Yifan Dong, Tu Hu, Jialuo Yuan, Xiaomin Yu, Yumo Zhu, Fangqi Lou, Xin Guo, Zhaowei Liu, Tianyi Jiang, Ruichuan An, Jingping Liu, Biao Wu, Rongze Chen, Kunyi Wang, Yifan Wang, Sen Hu, Xinbing Kong, Liwen Zhang, Ronghao Chen, Huacan Wang

cs.AI

papers.abstract

Finanzmärkte sind verrauscht und nicht-stationär, was die Alphagenerierung im Backtesting stark anfällig für Rauschen und plötzliche Marktregimewechsel macht. Obwohl neuere agentenbasierte Frameworks die Automatisierung der Alphagenerierung verbessern, fehlt es ihnen oft an kontrollierbarer Mehrrunden-Suche und zuverlässiger Wiederverwendung validierter Erfahrungen. Um diese Herausforderungen zu bewältigen, schlagen wir QuantaAlpha vor, ein evolutionäres Framework für die Alphagenerierung, das jeden End-to-End-Generierungsdurchlauf als Trajektorie behandelt und Faktoren durch trajektorienbasierte Mutations- und Crossover-Operationen verbessert. QuantaAlpha lokalisiert suboptimale Schritte in jeder Trajektorie für gezielte Revision und rekombiniert komplementäre Hochertragssegmente, um effektive Muster wiederzuverwenden. Dies ermöglicht strukturierte Exploration und Verfeinerung über Iterationen hinweg. Während der Faktorgenerierung erzwingt QuantaAlpha semantische Konsistenz über Hypothese, Faktorausdruck und ausführbaren Code hinweg und begrenzt gleichzeitig Komplexität und Redundanz der generierten Faktoren, um Überlagerung zu mindern. Umfangreiche Experimente mit dem China Securities Index 300 (CSI 300) zeigen konsistenten Gewinn gegenüber starken Baseline-Modellen und früheren agentenbasierten Systemen. Bei Verwendung von GPT-5.2 erreicht QuantaAlpha einen Informationskoeffizienten (IC) von 0,1501, mit einer annualisierten Rendite (ARR) von 27,75 % und einem maximalen Drawdown (MDD) von 7,98 %. Darüber hinaus übertragen sich auf dem CSI 300 generierte Faktoren effektiv auf den China Securities Index 500 (CSI 500) und den Standard & Poor's 500 Index (S&P 500) und erzielen über vier Jahre kumulative Überrenditen von 160 % bzw. 137 %, was auf eine hohe Robustheit von QuantaAlpha bei Marktverteilungsverschiebungen hindeutet.

English

Financial markets are noisy and non-stationary, making alpha mining highly sensitive to noise in backtesting results and sudden market regime shifts. While recent agentic frameworks improve alpha mining automation, they often lack controllable multi-round search and reliable reuse of validated experience. To address these challenges, we propose QuantaAlpha, an evolutionary alpha mining framework that treats each end-to-end mining run as a trajectory and improves factors through trajectory-level mutation and crossover operations. QuantaAlpha localizes suboptimal steps in each trajectory for targeted revision and recombines complementary high-reward segments to reuse effective patterns, enabling structured exploration and refinement across mining iterations. During factor generation, QuantaAlpha enforces semantic consistency across the hypothesis, factor expression, and executable code, while constraining the complexity and redundancy of the generated factor to mitigate crowding. Extensive experiments on the China Securities Index 300 (CSI 300) demonstrate consistent gains over strong baseline models and prior agentic systems. When utilizing GPT-5.2, QuantaAlpha achieves an Information Coefficient (IC) of 0.1501, with an Annualized Rate of Return (ARR) of 27.75% and a Maximum Drawdown (MDD) of 7.98%. Moreover, factors mined on CSI 300 transfer effectively to the China Securities Index 500 (CSI 500) and the Standard & Poor's 500 Index (S&P 500), delivering 160% and 137% cumulative excess return over four years, respectively, which indicates strong robustness of QuantaAlpha under market distribution shifts.