LLM-MCTS框架如何解決傳統因子挖掘中效率與可解釋性的矛盾？

LLM-MCTS框架通過將因子挖掘過程分解為搜索控制、語義生成和數據評測三個層次，有效解決了傳統因子研究的效率與可解釋性矛盾。首先，MCTS作為控制層，負責管理搜索樹、分配搜索預算并決定路徑切換。它利用蒙特卡洛樹搜索算法，通過選擇、擴展、評測和回傳四個步驟，在巨大的公式空間中高效尋找潛在優質因子。MCTS使用基于預測強度、穩定性、覆蓋率、換手友好度、多樣性和過擬合懲罰的綜合獎勵分數（mcts_reward）來評估候選因子，并通過UCT算法平衡對已知高分分支的利用和對未充分探索分支的試探，避免搜索陷入局部最優。 其次，LLM作為生成與審查層，負責將金融邏輯轉化為候選公式。在每次擴展節點時，LLM讀取父節點公式、根節點邏輯、當前評測弱項、歷史搜索路徑及可用算子邊界，生成帶有明確金融假說、預期方向、適用場景及組件解釋的新公式。LLM還承擔邏輯審查職責，過濾掉不自洽、使用非法字段或偏離根節點大邏輯的候選，確保生成的因子具備經濟學解釋能力。 最后，數據評測層負責用真實歷史數據檢驗候選因子的有效性。候選因子必須通過邏輯審查和公式解析后，才能進入回測環節，計算RankIC、RankIR等指標。評測結果轉化為獎勵分數回傳給MCTS，指導下一輪搜索。這種閉環機制使得因子挖掘不再是純粹的黑箱生成或機械模板枚舉，而是一個由金融假說、搜索控制和實證反饋共同驅動的迭代過程，既提高了研究效率，又保證了因子的可解釋性和穩健性。