QuantaAlpha: un Framework Evolutivo per l'Estrazione di Alpha Guidata da LLM

Abstract

I mercati finanziari sono rumorosi e non stazionari, rendendo l'estrazione di alpha altamente sensibile al rumore nei risultati dei backtest e ai bruschi cambiamenti di regime di mercato. Sebbene i recenti framework agentici migliorino l'automazione dell'estrazione di alpha, spesso mancano di una ricerca multi-round controllabile e di un riutilizzo affidabile dell'esperienza convalidata. Per affrontare queste sfide, proponiamo QuantaAlpha, un framework evolutivo per l'estrazione di alpha che tratta ogni esecuzione end-to-end come una traiettoria e migliora i fattori attraverso operazioni di mutazione e crossover a livello di traiettoria. QuantaAlpha localizza i passaggi subottimali in ogni traiettoria per una revisione mirata e ricombina segmenti complementari ad alto rendimento per riutilizzare pattern efficaci, consentendo un'esplorazione e un affinamento strutturati attraverso le iterazioni di estrazione. Durante la generazione dei fattori, QuantaAlpha impone una consistenza semantica tra l'ipotesi, l'espressione del fattore e il codice eseguibile, vincolando al contempo la complessità e la ridondanza del fattore generato per mitigare l'affollamento. Esperimenti estensivi sull'indice CSI 300 dimostrano guadagni consistenti rispetto a solidi modelli baseline e precedenti sistemi agentici. Utilizzando GPT-5.2, QuantaAlpha raggiunge un Coefficiente di Informazione (IC) di 0.1501, con un Tasso di Rendimento Annualizzato (ARR) del 27.75% e un Drawdown Massimo (MDD) del 7.98%. Inoltre, i fattori estratti sul CSI 300 si trasferiscono efficacemente al CSI 500 e all'indice S&P 500, fornendo un eccesso di rendimento cumulativo in quattro anni rispettivamente del 160% e del 137%, il che indica una forte robustezza di QuantaAlpha in presenza di cambiamenti nella distribuzione di mercato.

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.

QuantaAlpha: un Framework Evolutivo per l'Estrazione di Alpha Guidata da LLM

QuantaAlpha: An Evolutionary Framework for LLM-Driven Alpha Mining

Abstract

Support