QuantaAlpha : Un Cadre Évolutif pour l'Extraction d'Alpha Pilotée par les LLM

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

Les marchés financiers sont bruyants et non stationnaires, ce qui rend l'extraction d'alpha très sensible au bruit dans les résultats des backtests et aux changements soudains de régime de marché. Si les cadres agentiels récents améliorent l'automatisation de l'extraction d'alpha, ils manquent souvent de recherche multi-tours contrôlable et de réutilisation fiable de l'expérience validée. Pour relever ces défis, nous proposons QuantaAlpha, un cadre évolutif d'extraction d'alpha qui traite chaque exécution de bout en bout comme une trajectoire et améliore les facteurs via des opérations de mutation et de croisement au niveau trajectoire. QuantaAlpha localise les étapes sous-optimales dans chaque trajectoire pour une révision ciblée et recombinent les segments complémentaires à haut rendement pour réutiliser les modèles efficaces, permettant une exploration et un affinement structurés sur les itérations d'extraction. Durant la génération de facteurs, QuantaAlpha impose une cohérence sémantique entre l'hypothèse, l'expression du facteur et le code exécutable, tout en limitant la complexité et la redondance du facteur généré pour atténuer l'effet de crowding. Des expériences approfondies sur l'indice CSI 300 démontrent des gains constants par rapport aux modèles de référence solides et aux systèmes agentiels antérieurs. En utilisant GPT-5.2, QuantaAlpha atteint un coefficient d'information (IC) de 0,1501, avec un taux de rendement annualisé (ARR) de 27,75 % et un drawdown maximum (MDD) de 7,98 %. De plus, les facteurs extraits sur le CSI 300 se transfèrent efficacement vers l'indice CSI 500 et l'indice S&P 500, délivrant un rendement excédentaire cumulé sur quatre ans de 160 % et 137 % respectivement, ce qui indique une robustesse élevée de QuantaAlpha face aux changements de distribution de marché.

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.