EVOQUANT：让量化交易策略自我进化，验证引导实现自动化优化

量化交易策略优化长期依赖人工经验，专家需手动识别微弱信号、调整风控规则并反复验证迭代。虽然大语言模型能加速这一过程，但直接让其改写策略常导致幻觉编辑、策略漂移和回测过拟合。

来自arXiv的新研究提出EVOQUANT框架，实现了验证引导的自我进化式量化策略优化。该方法首先利用大语言模型深度诊断策略性能瓶颈，生成语义可控的候选修改方案；随后通过多阶段验证管道筛选最优策略，并将优化经验提炼为可复用知识，实现持续自我改进。

研究团队在A股市场四种策略和加密货币市场三种策略上进行了测试。实验结果显示，该方法显著提升了所有测试策略的夏普比率：平均测试夏普从-0.298提升至0.538，表现最佳的策略实现了199%的相对改进。在更严格条件下的消融研究和压力测试进一步验证了框架的有效性和鲁棒性。

这项研究将量化策略优化从高成本的人工试错转变为自动化、可验证的迭代范式，为大语言模型在金融策略研究中的应用开辟了新路径。