QuantaAlpha: Uma Estrutura Evolucionária para Mineração de Alfa Baseada em LLM

QuantaAlpha: An Evolutionary Framework for LLM-Driven Alpha Mining

February 6, 2026

Autores: 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

Resumo

Os mercados financeiros são ruidosos e não estacionários, tornando a mineração de alfa altamente sensível ao ruído nos resultados de backtesting e a mudanças abruptas de regime de mercado. Embora estruturas agentes recentes aprimorem a automação da mineração de alfa, elas frequentemente carecem de busca multirodada controlável e reutilização confiável de experiências validadas. Para enfrentar esses desafios, propomos o QuantaAlpha, uma estrutura evolutiva de mineração de alfa que trata cada execução de mineração de ponta a ponta como uma trajetória e aprimora fatores por meio de operações de mutação e cruzamento em nível de trajetória. O QuantaAlpha localiza etapas subótimas em cada trajetória para revisão direcionada e recombina segmentos complementares de alta recompensa para reutilizar padrões eficazes, permitindo exploração e refinamento estruturados ao longo das iterações de mineração. Durante a geração de fatores, o QuantaAlpha impõe consistência semântica entre a hipótese, a expressão do fator e o código executável, enquanto restringe a complexidade e redundância do fator gerado para mitigar o crowding. Experimentos extensivos no Índice de Ações da China 300 (CSI 300) demonstram ganhos consistentes sobre modelos de linha de base robustos e sistemas agentes anteriores. Ao utilizar o GPT-5.2, o QuantaAlpha atinge um Coeficiente de Informação (IC) de 0,1501, com uma Taxa Anualizada de Retorno (TAR) de 27,75% e um Drawdown Máximo (MDD) de 7,98%. Além disso, fatores minerados no CSI 300 transferem-se efetivamente para o Índice de Ações da China 500 (CSI 500) e para o Índice Standard & Poor's 500 (S&P 500), proporcionando retorno excedente acumulado de 160% e 137% ao longo de quatro anos, respectivamente, o que indica forte robustez do QuantaAlpha sob mudanças na distribuição de mercado.

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.