CosmosAlpha：利用 Pareto 引导探索的多关系图搜索，用于 LLM 驱动的 Alpha 挖掘

从噪声金融数据中发现具有预测能力的 Alpha 因子，是量化金融领域一个基础但极具挑战性的问题。LLM 驱动的公式化 Alpha 挖掘通过将可解释的符号表达式与由量化反馈引导的迭代生成和优化相结合，提供了一种颇具吸引力的范式。然而，现有以生成为中心的搜索策略和基于树的搜索策略主要通过生成谱系组织因子，未能充分利用不同搜索分支之间的结构关系和统计关系。因此，信息仍局限于父子轨迹之中，可能使探索受限于冗余区域。此外，有效的因子发现必须考虑多个彼此不同的目标，而单一搜索准则无法充分刻画这些目标。我们提出 CosmosAlpha，一种基于图的 LLM 因子挖掘框架，将已发现的因子表示为多关系图，对生成谱系、表达式结构相似性和横截面暴露相关性进行编码。Graph Flow 机制在图中传播搜索效用，使每个因子都能利用邻近因子的关系证据进行评估，而非孤立地进行评估。Pareto 引导的选择机制综合考虑质量、繁殖能力和多样性，并在多目标搜索框架中显式建模它们之间的权衡。在 CSI 300 和 CSI 500 上，CosmosAlpha-Graph 在七项预测和投资组合指标上取得了最佳平均排名，并在所有报告的指标上均优于受控对比方法 CosmosAlpha-MCTS，表明在 LLM 驱动的因子挖掘中，关系图搜索具有稳定优势。源代码可在 https://github.com/wzhmtldswz/CosmosAlpha 获取。