AI前沿跟蹤系列（一）：基于人機(jī)互動(dòng)和大預(yù)言模型的因子挖掘平臺(tái)

請(qǐng)務(wù)必閱讀正文之后的免責(zé)條款部分基于人機(jī)互動(dòng)和大預(yù)言模型的因子挖掘平臺(tái)——AI前沿跟蹤系列（一）核心觀點(diǎn)SaizhuoWang、HangYuan等人的論文中提出了一種利用大型語(yǔ)言模型進(jìn)行Alpha因子挖掘的新范式，也為投資機(jī)構(gòu)未來(lái)金融科技、數(shù)據(jù)平臺(tái)、因子系統(tǒng)等平臺(tái)未來(lái)搭建提供了一種思路?，F(xiàn)代金融體系信息傳播、獲取、響應(yīng)大有不同，因子效果持續(xù)性下降，Alpha因子需要?jiǎng)討B(tài)評(píng)估都對(duì)因子挖掘新范式提出了更高的要求。基于LLM的Alpha挖掘范式提出相關(guān)報(bào)告SaizhuoWang和HangYuan等提出了第三種alpha挖掘范式，即增強(qiáng)人工智能交互以提高alpha研究的效果和效率?；谶@種新的范式，構(gòu)建一個(gè)人機(jī)交互式alpha挖掘系統(tǒng)Alpha-GPT。該系統(tǒng)利用大型語(yǔ)言模型作為量化研究人員和alpha搜索之間的中介，具有解釋用戶交易想法、快速總結(jié)優(yōu)秀alpha以及自動(dòng)修改搜索配置等優(yōu)勢(shì)。通過(guò)LLM實(shí)現(xiàn)人機(jī)互動(dòng)增加Alpha挖掘額外知識(shí)AlphaBot是Alpha-GPT的關(guān)鍵層，它通過(guò)四個(gè)功能模塊自動(dòng)將量化研究人員的意圖/思想轉(zhuǎn)化為L(zhǎng)LM查詢的領(lǐng)域特定提示和指令，并將其轉(zhuǎn)化為算法Alpha挖掘?qū)幽芾斫獾呐渲?，增加Alpha挖掘的額外知識(shí)、信息、文獻(xiàn)和數(shù)據(jù)，以提高LLM的性能和準(zhǔn)確性。通過(guò)Alpha-GPT生成更加可解釋的因子表達(dá)式通過(guò)Alpha-GPT生成的Alpha表達(dá)式和相應(yīng)的自然語(yǔ)言解釋的示例表明，Alpha-GPT能夠提供適當(dāng)?shù)腁lpha解釋，減輕了人類研究人員自行解釋這些表達(dá)式的負(fù)風(fēng)險(xiǎn)提示本報(bào)告依據(jù)最新前沿論文進(jìn)行解讀評(píng)述，若有理解不當(dāng)請(qǐng)以原始論文表述為準(zhǔn)。且本報(bào)告為AI應(yīng)用方法和框架介紹，并不作為有效投資方法建議，僅供參考。請(qǐng)務(wù)必閱讀正文之后的免責(zé)條款部分正文目錄 4 43平臺(tái)架構(gòu)與技術(shù)挑戰(zhàn) 63.1AlphaBot層 63.2Alpha挖掘算法層 83.3用于加速Alpha計(jì)算的技術(shù) 9 9 10 11請(qǐng)務(wù)必閱讀正文之后的免責(zé)條款部分圖1：Alpha挖掘范式演化 4圖2：Alpha-GPT的工作流程 5圖3：Alpha-GPT用戶界面 5圖4：Alpha-GPT系統(tǒng)架構(gòu) 6圖5：Alpha-GPT因子挖掘不同階段回測(cè)曲線 10圖6：Alpha-GPT生成的可解釋Alpha因子示例 10表1：Alpha-GPT樣本外Top-20IC搜索加強(qiáng)前后對(duì)比 9尋找交易alpha旨在尋找一種具有預(yù)測(cè)超額回報(bào)或風(fēng)險(xiǎn)能力的金融信號(hào)或函數(shù)。傳統(tǒng)的alpha挖掘方法有兩種范式：第一種是手動(dòng)建模，通過(guò)將量化研究人員對(duì)金融市場(chǎng)的理念和直覺(jué)轉(zhuǎn)化為公式化的alpha，并通過(guò)回測(cè)實(shí)驗(yàn)證明其有效性和顯著性，從而改進(jìn)alpha的性能；第二種是通過(guò)搜索算法如遺傳編程等尋找alpha，但由于搜索空間巨大，計(jì)算密集度很然而，這兩種方法都存在一些共同的缺點(diǎn)，比如難以找到精確簡(jiǎn)明的公式化表達(dá)、理解和解釋大量的alpha以及設(shè)計(jì)和修改算法參數(shù)和搜索配置等。為了解決這些問(wèn)題，（SaizhuoWang和HangYuan等，2023）提出了第三種alpha挖掘范式，即增強(qiáng)人工智能交互以提高alpha研究的效果和效率?；谶@種新的范式，構(gòu)建一個(gè)人機(jī)交互式alpha挖掘系統(tǒng)Alpha-GPT。該系統(tǒng)利用大型語(yǔ)言模型作為量化研究人員和alpha搜索之間的中介，具有解釋用戶交易想法、快速總結(jié)優(yōu)秀alpha以及自動(dòng)修改搜索配置等優(yōu)勢(shì)。2Alpha-GPT用戶接口框架Alpha-GPT的研究人員在論文中介紹了基于大語(yǔ)言模型的人機(jī)互動(dòng)因子挖掘平臺(tái)的用戶接口（UI）。它由三個(gè)主要組件組成：會(huì)話管理器、對(duì)話框和Alpha挖掘儀表板。對(duì)話框：用戶將他們的交易想法和思路輸入到對(duì)話框中。作為回應(yīng)，生成的種子alpha、alpha搜索進(jìn)展、alpha挖掘的最終報(bào)告以及生成的alpha的表現(xiàn)都被組織成系統(tǒng)消息，提供全面的反饋。用戶可以分析結(jié)果并為alpha挖掘提供進(jìn)一步的指導(dǎo)，這個(gè)對(duì)話會(huì)一直持續(xù)到找到有效的alpha為止。挖掘會(huì)話管理器：Alpha-GPT采用基于會(huì)話的用戶界面，通過(guò)會(huì)話管理器存儲(chǔ)過(guò)去的交互歷史記錄。這些會(huì)話還用于組織用戶生成的數(shù)據(jù)，以進(jìn)一步提升系統(tǒng)的性能。Alpha挖掘儀表板：在右半部分，儀表板用于顯示和分析alpha挖掘的結(jié)果。它為用戶提供了會(huì)話的更詳細(xì)描述。實(shí)驗(yàn)監(jiān)控顯示了alpha挖掘?qū)嶒?yàn)的進(jìn)展和當(dāng)前系統(tǒng)負(fù)載，以及會(huì)話過(guò)程中生成的所有歷史alpha。如果選擇了特定的alpha，它的表現(xiàn)將在分析面板上進(jìn)1SaizhuoWang,HangYuan,LInvestment,2023Jul.請(qǐng)務(wù)必閱讀正文之后的免責(zé)條款部分行繪制和可視化?？捎玫睦L圖功能包括遺傳編程的世代間適應(yīng)度曲線，單個(gè)alpha的回測(cè)曲線，以及IC分布和信號(hào)衰減等其他附加分析。此外，Alpha儀表板還包括一鍵存儲(chǔ)和部署功能，可以進(jìn)一步應(yīng)用和下游分析。請(qǐng)務(wù)必閱讀正文之后的免責(zé)條款部分圖4展示了作者提出的交互式Alpha挖掘范式的系統(tǒng)框架，通過(guò)從Alpha-GPT的架構(gòu)設(shè)計(jì)中提煉和抽象得出，各個(gè)模塊還是充滿細(xì)節(jié)和技術(shù)挑戰(zhàn)。3.1AlphaBot層AlphaBot是Alpha-GPT的關(guān)鍵層，它在人工智能與人類交互中扮演了調(diào)解者的角色。具體而言，該層包括四個(gè)功能模塊：1)知識(shí)編譯器自動(dòng)將量化研究人員的意圖/思想轉(zhuǎn)化為L(zhǎng)LM查詢的領(lǐng)域特定提示和指令；2)LLM為主流大型語(yǔ)言模型（如GPT-4）提供API或本地部署選項(xiàng)；3)思想解編器將LLM的自然語(yǔ)言輸出轉(zhuǎn)化為算法Alpha挖掘?qū)幽芾斫獾呐渲茫?)知識(shí)庫(kù)整合了關(guān)于Alpha挖掘的額外知識(shí)、信息、文獻(xiàn)和數(shù)據(jù)，以提高LLM的性能和準(zhǔn)確性。在像Alpha挖掘這樣的領(lǐng)域?qū)偃蝿?wù)中，許多用戶請(qǐng)求中會(huì)包含只能在金融領(lǐng)域中找到的術(shù)語(yǔ)。在沒(méi)有進(jìn)一步的上下文的情況下，傳統(tǒng)的LLM無(wú)法理解輸入背后的含義。這就需要知識(shí)編譯器模塊的介入。利用LLM的上下文學(xué)習(xí)能力，該模塊通過(guò)提供額外的上下文和澄清提示中的關(guān)鍵詞來(lái)增強(qiáng)原始用戶請(qǐng)求。例如，“youareaquantresearcherdevelopingformulaicalphas”這樣的具體短語(yǔ)有助于將可能的回答范圍縮小到更適合因子挖掘的答案。請(qǐng)務(wù)必閱讀正文之后的免責(zé)條款部分由于Alpha表達(dá)式必須以一定的格式才能有效，提示中還有一個(gè)部分列出了表達(dá)式的每個(gè)可能組成部分以及如何利用它的解釋（例如，“high_1D”：股票的最高日內(nèi)價(jià)格）。這個(gè)補(bǔ)充幫助LLM將用戶意圖與可以實(shí)現(xiàn)該目標(biāo)的特定功能相關(guān)聯(lián)，并確保輸出結(jié)果有效。由于這些術(shù)語(yǔ)適用于更廣泛的金融領(lǐng)域，提示的這一部分也在思想解編器中用于防止產(chǎn)生幻覺(jué)。這樣的模塊是為了允許用戶以自然語(yǔ)言進(jìn)行請(qǐng)求而不涉及不確定性。對(duì)其預(yù)建的大型語(yǔ)言模型的訪問(wèn)。這些產(chǎn)品按一定數(shù)量的標(biāo)記收取名義金額，并包括GPT、Claude和Bard等。在線請(qǐng)求的一個(gè)優(yōu)點(diǎn)是實(shí)時(shí)響應(yīng)和即時(shí)訪問(wèn)?？傊珹lphaBot層是Alpha-GPT中的關(guān)鍵層，起到了人工智能與人類交互的調(diào)解者角色。其中的知識(shí)編譯器模塊用于加強(qiáng)用戶請(qǐng)求的語(yǔ)境理解和提示，而大型語(yǔ)言模型模塊用于提供LLM的API或本地部署選項(xiàng)。API的好處是它提供了易用性，并消除了對(duì)計(jì)算能力的需求。本地部署可以從頭開始開發(fā)LLM，這樣可以更加定制化地控制模型的功能?？梢詫?duì)特定數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，以使其適應(yīng)特定的目的。這包括通過(guò)學(xué)習(xí)相關(guān)文件進(jìn)行領(lǐng)域微調(diào)，并通過(guò)人工反饋進(jìn)行強(qiáng)化學(xué)習(xí)。然而，這需要大量的計(jì)算能力來(lái)訓(xùn)練和更新這些模型。在alphamining中，LLM的響應(yīng)與期望的輸出結(jié)構(gòu)之間存在明顯差距。具體來(lái)說(shuō)，這些差距可以從以下幾個(gè)方面的挑戰(zhàn)來(lái)總結(jié)：將自然語(yǔ)言轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)：需要將LLM的響應(yīng)從自然語(yǔ)言轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)。對(duì)于每個(gè)LLM的響應(yīng)消息，需要從其原始輸出中提取一個(gè)表達(dá)式塊列表。每個(gè)表達(dá)式塊都遵循一定的組織方式，例如其簡(jiǎn)稱、表達(dá)式和一段自然語(yǔ)言描述。令牌大小限制：由于大多數(shù)最先進(jìn)的LLM都采用基于Transformer的架構(gòu)和自注意力機(jī)制，輸入序列長(zhǎng)度（令牌數(shù)）的限制通常是一個(gè)非常常見的問(wèn)題。這樣，LLM的輸入和輸出都有長(zhǎng)度的上限。這可能會(huì)導(dǎo)致兩個(gè)問(wèn)題：1）不能將完整的對(duì)話歷史記錄發(fā)送給LLM，因?yàn)樗鼤?huì)超出輸入令牌大小的限制。2）單個(gè)LLM的響應(yīng)大小受限，這意味著每個(gè)消息只能獲取有限數(shù)量的表達(dá)式。為了解決這些問(wèn)題，作者提出了一個(gè)迭代的LLM推理過(guò)程。使用基于正則表達(dá)式的解析器來(lái)解析LLM的輸出。對(duì)于每個(gè)LLM生成的alpha，對(duì)其進(jìn)行語(yǔ)法和語(yǔ)義上的正確性驗(yàn)證。作者采用抽象語(yǔ)法樹解析器進(jìn)行語(yǔ)法檢查，對(duì)于語(yǔ)義正確性，使用模擬數(shù)據(jù)和運(yùn)行時(shí)上下文來(lái)評(píng)估這個(gè)表達(dá)式是否會(huì)拋出任何異常。在實(shí)踐中，正確的alpha比例可能很低（每輪只有10個(gè)alpha中的4個(gè)是正確的這使得alpha生成過(guò)程低效。同時(shí)，由于對(duì)話歷史記錄被附加到LLM的輸入中，這些不正確的表達(dá)式也可能影響后續(xù)的生成過(guò)程。因此，采用迭代的修正過(guò)程，提示LLM重新生成不正確的alpha。此外，為了解決令牌大小限制的問(wèn)題，在每一輪中，動(dòng)態(tài)檢查是否超出了令牌大小限制，如果是，則會(huì)對(duì)輸入消息進(jìn)行截?cái)嗪椭匦陆M織，以減少令牌數(shù)。如上所述，在少樣本上下文學(xué)習(xí)中，需要一個(gè)支持有效檢索與交易想法相關(guān)的示例的外部存儲(chǔ)。在Alpha-GPT中，作者設(shè)計(jì)了一個(gè)協(xié)議來(lái)組織來(lái)自多個(gè)來(lái)源的內(nèi)容。這些來(lái)源包括現(xiàn)有的alpha表達(dá)式集合和金融文獻(xiàn)。當(dāng)用戶提出請(qǐng)求時(shí)，知識(shí)庫(kù)對(duì)該查詢進(jìn)行編碼，并找到可以作為示例并合并到提示中的類似文檔。請(qǐng)務(wù)必閱讀正文之后的免責(zé)條款部分3.2Alpha挖掘算法層該層在Alpha-GPT中提供搜索增強(qiáng)功能。具體而言，它通過(guò)接收AlphaBot的搜索命令和配置，利用種子Alpha來(lái)改進(jìn)它們，并將最合適的Alpha推送回AlphaBot。它由四個(gè)模塊組成：算法式Alpha搜索模塊根據(jù)AlphaBot的命令生成Alpha候選項(xiàng)，評(píng)估和回測(cè)模塊從這些候選項(xiàng)中選擇合格的Alpha，Alpha選擇模塊根據(jù)特定的預(yù)測(cè)目標(biāo)（例如，對(duì)未來(lái)10天回報(bào)的貢獻(xiàn)）進(jìn)一步修剪這些Alpha，最終的Alpha由Alpha部署模塊“一鍵”部署，以確保在線交易期間的實(shí)時(shí)計(jì)算的平滑性和正確性。Alpha搜索增強(qiáng)。目前在行業(yè)中使用最廣泛的Alpha搜索算法是遺傳編程（GP它從一些Alpha種子開始，根據(jù)評(píng)分函數(shù)的適應(yīng)性，通過(guò)隨機(jī)交叉和突變子樹選擇樹形表達(dá)的Alpha候選項(xiàng)。然而，GP目前存在三個(gè)問(wèn)題：1）過(guò)擬合，對(duì)于量化交易來(lái)說(shuō)極其危險(xiǎn)。可以通過(guò)在GP迭代中加入樣本外評(píng)估、減少函數(shù)復(fù)雜度的擬合正則化和迭代的早停等策略來(lái)減輕這個(gè)問(wèn)題。這些方法有助于確保Alpha在訓(xùn)練數(shù)據(jù)之外具有良好的泛化能力，提高其可靠性。2）Alpha多樣性的喪失可能導(dǎo)致投資風(fēng)險(xiǎn)的聚集和累積，并增加回報(bào)的不確定性?？梢酝ㄟ^(guò)在GP的迭代過(guò)程中強(qiáng)制執(zhí)行更多的約束來(lái)實(shí)現(xiàn)Alpha多樣性，并有助于發(fā)現(xiàn)對(duì)不斷變化的市場(chǎng)條件具有韌性的穩(wěn)健Alpha因子。3）GP容易生成無(wú)效的Alpha。例如，log(0)和√-5，或者兩個(gè)具有不兼容單位的值的求和（例如，成交量+收盤價(jià)）?？梢酝ㄟ^(guò)整合數(shù)學(xué)規(guī)則、單位一致性規(guī)則和金融領(lǐng)域特定規(guī)則的規(guī)則庫(kù)來(lái)調(diào)節(jié)Alpha表達(dá)式的生成。評(píng)估和回測(cè)。評(píng)估Alpha最直接的方法是通過(guò)回測(cè)來(lái)揭示Alpha在投資策略中的具體表現(xiàn)。然而，這個(gè)過(guò)程引入了三個(gè)重要的挑戰(zhàn)：1）引入未來(lái)信息：回測(cè)時(shí)來(lái)自更遠(yuǎn)時(shí)間點(diǎn)的信息可能對(duì)結(jié)果的準(zhǔn)確性產(chǎn)生災(zāi)難性的影響。為了減輕這個(gè)問(wèn)題，使用時(shí)間戳為每個(gè)輸入數(shù)據(jù)分配一個(gè)時(shí)間標(biāo)簽。這種技術(shù)可以更準(zhǔn)確地復(fù)制市場(chǎng)條件并驗(yàn)證測(cè)試結(jié)果，從而增強(qiáng)Alpha評(píng)估的可靠性。2）交易成本的估計(jì)：常規(guī)的粗粒度回測(cè)無(wú)法準(zhǔn)確衡量交易成本，這對(duì)于短期Alpha至關(guān)重要。為了解決這個(gè)問(wèn)題，作者使用更詳細(xì)的數(shù)據(jù)（例如訂單簿級(jí)數(shù)據(jù)）進(jìn)行基于模擬的回測(cè)，并使用交易匹配規(guī)則模擬交易成本和市場(chǎng)價(jià)格對(duì)Alpha的影響，從而能夠在微觀結(jié)構(gòu)水平上對(duì)Alpha進(jìn)行建模。3）計(jì)算成本：Alpha挖掘所需的計(jì)算能力也是相當(dāng)大的，在計(jì)算加速層中解決了這個(gè)問(wèn)題。Alpha選擇。Alpha選擇模塊通過(guò)以下方式進(jìn)一步進(jìn)行選擇過(guò)程：1）去重和去相關(guān)性：新的Alpha需要與現(xiàn)有的Alpha不同，但是計(jì)算大量Alpha之間的成對(duì)相似性可能是耗時(shí)的。算法如KD-樹、局部敏感哈希（LSH）或近似最近鄰（ANN）可以快速確定每個(gè)潛在Alpha與池中其他Alpha的最大相關(guān)性。2）重要性評(píng)分：雖然一個(gè)Alpha的信息系數(shù)（IC）分?jǐn)?shù)和回測(cè)可能反映了其個(gè)體表現(xiàn)，但在實(shí)際情況下，多個(gè)Alpha在投資策略中組合在一起，這些指標(biāo)不能準(zhǔn)確反映它們?cè)诟蠹现械谋憩F(xiàn)。一組IC分?jǐn)?shù)較低的Alpha可能會(huì)優(yōu)于由最高分Alpha組成的子集。因此，重要性評(píng)分技術(shù)，如ShapleyAdditiveexplanations（SHAP）和LocalInterpretableModel-agnosticExplanations（LIME可以衡量這種貢獻(xiàn)，并全面理解Alpha之間的相互關(guān)系。Alpha部署。在這個(gè)模塊中，需要正確管理三個(gè)關(guān)鍵方面，以確保在線交易期間的平滑和正確的實(shí)時(shí)計(jì)算：1）依賴管理：這涉及維護(hù)和監(jiān)督所有Alpha數(shù)據(jù)之間的依賴關(guān)系，以確保順序計(jì)算和問(wèn)題的可追溯性。2）流-批一體化：實(shí)時(shí)交易和歷史回測(cè)之間的不一致是不可接受的。通過(guò)采用Kappa架構(gòu)，可以維護(hù)一個(gè)統(tǒng)一的實(shí)時(shí)處理層，從而以相同的方式處理所有數(shù)據(jù)，消除Alpha生成過(guò)程中批處理和流處理之間的不一致性。3）自動(dòng)Alpha請(qǐng)務(wù)必閱讀正文之后的免責(zé)條款部分驗(yàn)證：這用于驗(yàn)證所有系統(tǒng)維護(hù)的Alpha，監(jiān)控?cái)?shù)據(jù)質(zhì)量并識(shí)別差異。這種持續(xù)驗(yàn)證確保部署的Alpha的可靠性、及時(shí)性和準(zhǔn)確性。包括流算法（StreamingAlgorithms矢量化計(jì)算（VectorizedComputationSIMD和SIMT等并行計(jì)算技術(shù)，內(nèi)存優(yōu)化（MemoryOptimization數(shù)據(jù)分區(qū)（DataPartitioning多線程計(jì)算（Multithreading以及利用GPU加速計(jì)算（GPUAcceleration）等方法。這些技術(shù)可大幅提高Alpha計(jì)算的效率，特別適用于處理金融數(shù)據(jù)等大規(guī)模數(shù)據(jù)集的計(jì)算任作者對(duì)Alpha-GPT進(jìn)行了多方面的實(shí)驗(yàn)，旨在驗(yàn)證以下研究問(wèn)題：?RQ1：Alpha-GPT能否生成與輸入的交易想法一致的表達(dá)式？?RQ2：算法性Alpha挖掘?qū)訉?duì)LLM的種子Alpha的增強(qiáng)效果如何？?RQ3：用戶能否有效地與Alpha-GPT進(jìn)行交互指導(dǎo)挖掘過(guò)程？?RQ4：Alpha-GPT能否成功解釋Alpha表達(dá)式背后的交易想法？實(shí)驗(yàn)設(shè)置包括：數(shù)據(jù)和運(yùn)算符：使用股票市場(chǎng)的日間成交量-價(jià)格數(shù)據(jù)，包括基本的K線圖數(shù)據(jù)（開盤價(jià)、最高價(jià)、最低價(jià)、收盤價(jià)）、加權(quán)平均價(jià)格（VWAP）和行業(yè)數(shù)據(jù)。還包括19個(gè)基本運(yùn)算符，包括時(shí)間序列運(yùn)算、橫截面運(yùn)算、分組運(yùn)算和基本元素運(yùn)算。知識(shí)庫(kù)：對(duì)于每個(gè)Alpha，首先將其分解成子表達(dá)式并解釋它們。然后解釋這些子表達(dá)式的組合形成整個(gè)交易想法。文檔嵌入通過(guò)Faiss進(jìn)行索引。需要注意的是，僅在生成與交易想法相吻合的Alpha表達(dá)式時(shí)使用外部存儲(chǔ)器。LLM和適配器：為了進(jìn)行自然語(yǔ)言交互，使用OpenAI的聊天完成API，基于“gpt-3.5-turbo-16k-0613”模型基礎(chǔ)。對(duì)于知識(shí)檢索中使用的嵌入模型，使用OpenAI的“text-ada-embedding-002”API，嵌入維度為1536。LLM一次生成一批Alpha，并將被要求糾正具有語(yǔ)法或語(yǔ)義錯(cuò)誤的Alpha。Alpha搜索和評(píng)估：通過(guò)遺傳規(guī)劃模型搜索Alpha，其中適應(yīng)度評(píng)分由信息系數(shù)（IC）定義。評(píng)估這些Alpha在樣本外的指標(biāo)（如IC、年回報(bào)率、夏普比率等）上的表MomentumFlowofFundsAftersearch請(qǐng)務(wù)必閱讀正文之后的免責(zé)條款部分實(shí)驗(yàn)結(jié)果包括：想法-公式一致性：Alpha-GPT能夠生成與用戶給定的交易想法一致的公式Alpha。通過(guò)示例展示了基于給定交易想法生成的Alpha表達(dá)式，并展示了它們與K線圖中的模式的對(duì)應(yīng)關(guān)系，驗(yàn)證了生成的Alpha正確捕捉了交易想法。搜索增強(qiáng)：通過(guò)算法性Alpha挖掘?qū)拥乃阉髟鰪?qiáng)，顯著提高了Alpha-GPT的表現(xiàn)。通過(guò)對(duì)7個(gè)不同的交易想法進(jìn)行搜索增強(qiáng)前后的Alpha樣本外IC進(jìn)行比較，可以看出搜索增強(qiáng)對(duì)Alpha-GPT的性能提升非常重要。人工智能交互：通過(guò)人工智能交互生成的Alpha的回測(cè)曲線顯示在圖中?；販y(cè)是在2012年至2021年的美國(guó)股票數(shù)據(jù)上進(jìn)行的。經(jīng)過(guò)幾輪搜索增強(qiáng)和用戶交互后，生成的Alpha的回測(cè)表現(xiàn)顯著提高。Alpha解釋：通過(guò)Alpha-GPT生成的Alpha表達(dá)式和相應(yīng)的自然語(yǔ)言解釋的示例表明，Alpha-GPT能夠提供適當(dāng)?shù)腁lpha解釋，減輕了人類研究人員自行解釋這些表達(dá)式的研究所整理研究所整理在SaizhuoWang、HangYuan等人的論文中提出了一種利用大型語(yǔ)言模型進(jìn)行Alpha因子挖掘的新范式，也為投資機(jī)構(gòu)未來(lái)金融科技、數(shù)據(jù)平臺(tái)、因子系統(tǒng)等平臺(tái)未來(lái)搭建提供了一種思路。這一點(diǎn)我們認(rèn)為可能為機(jī)構(gòu)量化投資平臺(tái)的演進(jìn)打開一片新天地，主要基于以下幾點(diǎn)我們認(rèn)為量化因子平臺(tái)新范式重構(gòu)的必要性越來(lái)越強(qiáng)。信息獲取傳播響應(yīng)的需要。互聯(lián)網(wǎng)時(shí)代的今天，信息傳播速度，市場(chǎng)響應(yīng)節(jié)奏都遠(yuǎn)遠(yuǎn)快于過(guò)去。及時(shí)可靠的因子分析平臺(tái)的重構(gòu)迫在眉睫。低頻因子似乎并不需要一個(gè)快捷的平臺(tái)，然后輿情系統(tǒng)、實(shí)時(shí)價(jià)量分析都給量化平臺(tái)提出了新要求。因子穩(wěn)定性下降。越來(lái)越多的投資者運(yùn)用各種非線性技術(shù)進(jìn)行盈利模式挖掘。比如利用深度學(xué)習(xí)、GP模型等合成因子或生成因子表達(dá)式。然而，非線性模型最大的缺點(diǎn)在于穩(wěn)定性較差。同樣架構(gòu)的模型，可能在同一時(shí)點(diǎn)由于訓(xùn)練后參數(shù)的差異得到完全相反的研判請(qǐng)務(wù)必閱讀正文之后的免責(zé)條款部分觀點(diǎn)。而這種對(duì)立模式的博弈，往往使得市場(chǎng)容易在原本可能形成一致邏輯的點(diǎn)上形成短暫的矛盾，導(dǎo)致過(guò)去可能持續(xù)性更好的因子，有效性衰減較快。Alpha因子需動(dòng)態(tài)認(rèn)識(shí)。因子穩(wěn)定性下降，使得獲取長(zhǎng)期穩(wěn)定Alpha的因子難度提升。動(dòng)態(tài)地捕捉當(dāng)前最為有效的Alpha因子成為當(dāng)下因子量化投資的重要課題。很多機(jī)構(gòu)選擇周度、月度、季度地重新評(píng)價(jià)其因子庫(kù)中各個(gè)因子的有效性和收益貢獻(xiàn)，然而金融市場(chǎng)的動(dòng)態(tài)性決定了因子有效性的動(dòng)態(tài)變化，并沒(méi)有穩(wěn)定的周期性規(guī)律，因子動(dòng)量的持續(xù)性也難以測(cè)度。量化投資者更多是在“后驗(yàn)信息”的基礎(chǔ)上，不斷地更新和調(diào)整對(duì)于因子庫(kù)中因子有效性的跟蹤觀測(cè)。Alpha-GPT就提供了一種動(dòng)態(tài)形成因子跟蹤的范式。當(dāng)然，投資者也可使用類似BeyesianEstimation、ReinforcementLearning等方法對(duì)因子盈利模型進(jìn)行動(dòng)態(tài)評(píng)價(jià)?！畢⒖嘉墨I(xiàn)[1]SaizhuoWang,HangYuan,LeonZhou,LionelM.Ni,Heung-YeungShum,JianGuo,Alpha-GPT:Human-AIInteractiveAlphaMiningforQuantitativeInvestment,2023Jul.請(qǐng)務(wù)必閱讀正文之后的免責(zé)條款部分股票投資評(píng)級(jí)說(shuō)明以報(bào)告日后的6個(gè)月內(nèi)，證券相對(duì)于滬深300指數(shù)的漲跌幅為標(biāo)準(zhǔn)，定義如下：1.買入：相對(duì)于滬深300指數(shù)表現(xiàn)＋20％以上；2.增持：相對(duì)于滬深300指數(shù)表現(xiàn)＋1020%;3.中性：相對(duì)于滬深300指數(shù)表現(xiàn)－1010％之間波動(dòng)；4.減持：相對(duì)于滬深300指數(shù)表現(xiàn)－10％以下。行業(yè)的投資評(píng)級(jí)：以報(bào)告日后的6個(gè)月內(nèi)，行業(yè)指數(shù)相對(duì)于滬深300指數(shù)的漲跌幅為標(biāo)準(zhǔn)，定義如下：1.看好：行業(yè)指數(shù)相對(duì)于滬深300指數(shù)表現(xiàn)＋10%以上；2.中性：行業(yè)指