[论文解读] Automate Strategy Finding with LLM in Quant Investment

Zhizhuo Kou, Holam Yu+8 more|arXiv (Cornell University)|Sep 10, 2024

Stock Market Forecasting MethodsDecision Sciences被引用 3

一句话总结

本文提出了一种基于大语言模型（LLM）的多智能体框架，用于量化投资中的自动化alpha因子发现与动态投资组合优化。通过利用LLM从多模态金融数据中挖掘多样化的alpha因子，并采用动态权重门控机制根据实时市场状况自适应地组合交易智能体，该框架在中国股市上相较于最先进基线模型展现出更优的性能与稳定性。

ABSTRACT

We present a novel three-stage framework leveraging Large Language Models (LLMs) within a risk-aware multi-agent system for automate strategy finding in quantitative finance. Our approach addresses the brittleness of traditional deep learning models in financial applications by: employing prompt-engineered LLMs to generate executable alpha factor candidates across diverse financial data, implementing multimodal agent-based evaluation that filters factors based on market status, predictive quality while maintaining category balance, and deploying dynamic weight optimization that adapts to market conditions. Experimental results demonstrate the robust performance of the strategy in Chinese & US market regimes compared to established benchmarks. Our work extends LLMs capabilities to quantitative trading, providing a scalable architecture for financial signal extraction and portfolio construction. The overall framework significantly outperforms all benchmarks with 53.17% cumulative return on SSE50 (Jan 2023 to Jan 2024), demonstrating superior risk-adjusted performance and downside protection on the market.

研究动机与目标

• 通过引入更具适应性与可解释性的框架，解决现有深度学习模型在量化交易中不稳定与高不确定性的问题。
• 通过利用LLM实现持续、数据驱动的多样化alpha因子发现，克服传统基于规则的alpha挖掘方法的僵化性。
• 通过多智能体架构实时评估并选择最优alpha因子，提升策略在不同市场条件下的鲁棒性。
• 通过上下文感知的门控机制，基于当前市场状态动态加权交易智能体，从而提升投资组合表现。
• 通过在中国股市数据上的广泛历史回测，验证该框架的有效性，其表现优于最先进模型与基准。

提出的方法

• 利用大语言模型（LLMs）从多模态数据源中提取并分类潜在的alpha因子，包括数值型市场数据、金融研究论文以及视觉图表。
• 通过集成学习构建具有不同风险偏好的多样化交易智能体池，实现在不同市场状态下的全面分析。
• 实施一种动态权重门控机制，根据当前市场状况实时分配最相关智能体的权重，确保策略组合具备上下文感知能力。
• 将LLM生成的alpha信号与多市场环境下的历史回测相结合，以验证并优化预测性能。
• 应用多智能体架构，评估每种alpha因子在不同市场情景下的相关性与有效性，从而增强策略的鲁棒性与适应性。
• 将加权的alpha策略聚合为一个综合投资公式，通过持续适应市场动态以最大化风险调整后收益。

Figure 1. Pipeline of Quant Trading Company

实验结果

研究问题

• RQ1 LLM能否有效从多模态金融数据（包括文本、数值与视觉输入）中挖掘并生成多样且可解释的alpha因子？
• RQ2 具有异质性风险偏好的多智能体系统在动态市场条件下如何提升量化交易策略的鲁棒性与适应性？
• RQ3 动态权重门控机制在基于实时市场状态选择并加权最相关智能体方面，能在多大程度上提升策略表现？
• RQ4 在真实股票市场数据上，该框架相较于最先进模型与传统人工驱动策略，在风险调整后收益与稳定性方面表现如何？
• RQ5 LLM与多智能体系统的结合能否实现更可扩展、更易维护的自动化alpha发现方法，用于量化投资？

主要发现

• 该框架在中国股市数据上，在多个金融指标（包括夏普比率、累计收益与最大回撤）上显著优于最先进基线模型。
• LLM生成的alpha与多智能体架构的结合，使策略更加稳定与自适应，降低了在不同市场状态下的表现波动性。
• 动态权重门控机制能有效识别并优先选择与实时市场状况最匹配的交易智能体，从而提升整体策略表现。
• 与人工交易员及被动市场指数相比，该框架展现出更优的性能，验证了其在量化投资中实际部署的潜力。
• 基于LLM的初始alpha因子生成过程支持随着新研究与数据的出现进行增量更新，确保长期相关性与适应性。
• 广泛的历史回测证实，多智能体评估系统通过在多样化市场情景下评估表现，显著增强了alpha因子选择的鲁棒性。

Figure 2. (A) An example of the seed alpha. (B) Its equivalent expression tree. (C) Step-by-step computation of this seed alpha on an example time series.