LLM-MCTS驅(qū)動的可解釋因子迭代框架研究

因子研究范式的演進(jìn)與瓶頸

傳統(tǒng)因子挖掘主要依賴人工構(gòu)建、深度學(xué)習(xí)建模及自動公式搜索三種路徑。人工構(gòu)建雖具備較強(qiáng)的經(jīng)濟(jì)學(xué)解釋能力，但高度依賴研究員經(jīng)驗，搜索空間有限且效率較低。深度學(xué)習(xí)模型雖能處理高維非線性特征，但其“黑箱”特性限制了在實際投研中的廣泛應(yīng)用。自動公式搜索技術(shù)如遺傳規(guī)劃雖能擴(kuò)大搜索范圍，但面臨計算資源消耗大、表達(dá)式復(fù)雜且難以解釋的挑戰(zhàn)。近年來，大語言模型（LLM）展現(xiàn)出較強(qiáng)的金融邏輯推理能力，能夠生成具備金融含義的因子假設(shè)，但直接利用LLM生成因子缺乏系統(tǒng)性搜索機(jī)制和持續(xù)反饋閉環(huán)，難以解決系統(tǒng)性探索問題。

LLM-MCTS框架的核心邏輯

為解決上述問題，本研究構(gòu)建了LLM-MCTS（大語言模型結(jié)合蒙特卡洛樹搜索）可解釋因子迭代框架。該框架將因子生成問題建模為公式搜索樹，其中MCTS負(fù)責(zé)在搜索樹中進(jìn)行選擇、擴(kuò)展、評測和回傳，管理搜索預(yù)算并決定路徑切換；LLM則作為擴(kuò)展器，負(fù)責(zé)生成金融假說、可執(zhí)行表達(dá)式或Python函數(shù)，并對候選因子進(jìn)行邏輯審查和機(jī)制解釋。這種分工使得LLM不直接決定最終因子，而是提供帶有語義約束的候選動作，MCTS則基于真實數(shù)據(jù)評測結(jié)果（如RankIC、IR、覆蓋率、換手率等）計算獎勵分?jǐn)?shù)，通過UCT算法平衡利用與探索，避免搜索過早收斂。

日頻價量因子的迭代挖掘效果

在日頻Seed定向改造實驗中，以29個低頻價量原始因子為起點進(jìn)行迭代。結(jié)果顯示，候選池層面25/29個Seed至少搜索到過樣本外優(yōu)于原始Seed的候選。這表明LLM-MCTS并非僅在原因子附近做機(jī)械組合，而是能圍繞波動、反轉(zhuǎn)、成交確認(rèn)等邏輯提出增量結(jié)構(gòu)。在正式選擇口徑下，29個最終入選因子在樣本內(nèi)全部優(yōu)于原始Seed，其中19個在樣本外仍優(yōu)于原始Seed，驗證了框架在保留原始金融邏輯基礎(chǔ)上的改進(jìn)能力。

批量低頻因子挖掘與高頻應(yīng)用

在低頻Seed池批量挖掘中，以12個根節(jié)點機(jī)制為起點進(jìn)行批量搜索。樣本內(nèi)生成的173個因子優(yōu)于對應(yīng)原始Seed，其中143個同時實現(xiàn)樣本內(nèi)和樣本外優(yōu)于原始Seed，占比82.7%。雙優(yōu)候選去重后包含123個公式，且這些候選之間全局絕對相關(guān)性整體偏低，說明搜索結(jié)果未坍縮為少數(shù)同質(zhì)信號。此外，該框架亦適用于高頻分鐘因子挖掘，通過給定原始經(jīng)驗因子作為Seed，利用LLM-MCTS搜索框架可得到更高質(zhì)量的高頻因子，如“高量脈沖次數(shù)”因子在樣本內(nèi)外均表現(xiàn)突出，驗證了框架從日頻公式擴(kuò)展到分鐘級交易行為機(jī)制的有效性。