通过文本梯度优化交易策略

量化交易策略设计旨在从历史数据中发现能够在未来市场中保持有效的交易程序，这可以视为一个黑盒程序优化问题。基于 LLM 的文本梯度通过提供明确的优化方向，为迭代式策略改进带来了有前景的方法。然而，直接应用文本梯度面临两项挑战：（1）优化过程具有短视性，未能充分利用以往评估中的经验；（2）汇总式回测反馈忽略了时间稳健性，可能偏向于仅在特定市场时期表现良好的策略。为应对这些挑战，我们提出 TradeGrad，一种由经验引导的文本梯度框架，用于实现稳健的交易策略优化。TradeGrad 利用积累的优化经验估计文本梯度，并采用多尺度修订机制，同时进行策略探索与细化。此外，该方法引入跨周期稳健目标（Cross-Period Robust Objective，CPRO），强调在历史不利时期的表现，以提升时间稳健性。在中国 A 股和美国股票市场上针对横截面和时间序列策略设计开展的实验表明，TradeGrad 在四种设置下均取得了最佳的样本内和样本外表现。值得注意的是，其中国横截面策略实现了 27.99% 的年化收益率、12.19% 的最大回撤和 1.63 的夏普比率，较沪深 300 基准高出约 68%。进一步分析验证了所提出组件的有效性，并表明在整个优化过程中，样本内和样本外表现均得到持续改善。代码可从 https://github.com/transcend-0/TradeGrad 获取。