QuantaAlpha: Een Evolutionair Raamwerk voor LLM-Gedreven Alpha-Mining
QuantaAlpha: An Evolutionary Framework for LLM-Driven Alpha Mining
February 6, 2026
Auteurs: 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
Samenvatting
Financiële markten zijn luidruchtig en niet-stationair, waardoor alfa-mining zeer gevoelig is voor ruis in backtestresultaten en plotselinge verschuivingen in marktregimes. Hoewel recente agent-gebaseerde kaders de automatisering van alfa-mining verbeteren, ontbreekt het hen vaak aan controleerbare meerronde zoekopdrachten en betrouwbaar hergebruik van gevalideerde ervaring. Om deze uitdagingen aan te pakken, stellen we QuantaAlpha voor, een evolutionair alfa-miningframework dat elke end-to-end miningrun behandelt als een traject en factoren verbetert via mutatie- en crossoveroperaties op trajektniveau. QuantaAlpha lokaliseert suboptimale stappen in elk traject voor gerichte revisie en combineert complementaire segmenten met hoge beloning opnieuw om effectieve patronen te hergebruiken, wat gestructureerde verkenning en verfijning over miningiteraties mogelijk maakt. Tijdens factorgeneratie handhaaft QuantaAlpha semantische consistentie tussen de hypothese, factoruitdrukking en uitvoerbare code, terwijl de complexiteit en redundantie van de gegenereerde factor wordt beperkt om crowding tegen te gaan. Uitgebreide experimenten op de China Securities Index 300 (CSI 300) tonen consistente winsten aan ten opzichte van sterke basismodellen en eerdere agent-systemen. Bij gebruik van GPT-5.2 bereikt QuantaAlpha een Information Coefficient (IC) van 0,1501, met een geannualiseerd rendement (ARR) van 27,75% en een maximale daling (MDD) van 7,98%. Bovendien transfereren factoren die op de CSI 300 zijn gemined effectief naar de China Securities Index 500 (CSI 500) en de Standard & Poor's 500 Index (S&P 500), met een cumulatief excessief rendement over vier jaar van respectievelijk 160% en 137%, wat duidt op een sterke robuustheid van QuantaAlpha onder verschuivingen in marktdistributies.
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.