LLM-MCTS 驱动的可解释因子迭代框架研究

摘要： 本报告提出了一种基于大语言模型（LLM）与蒙特卡洛树搜索（MCTS）相结合的量化因子迭代框架，旨在实现从“人工写因子”向“AI 挖因子”的范式升级，在保证金融可解释性的同时提升因子挖掘的效率与质量。

核心观点：
构建 LLM-MCTS 闭环框架，由 MCTS 负责搜索路径控制（选择、扩展、评测、回传），LLM 负责生成金融假说及可执行表达式，并通过真实数据回测结果引导迭代。该框架能有效覆盖日频 Seed 改造、低频池批量挖掘及高频行为挖掘，显著提升因子的样本外预测能力。

论据支撑：

1. 框架机制：利用 UCT 机制平衡“利用”与“探索”，通过 reward 函数（涵盖预测强度、稳定性、覆盖率、换手、多样性及过拟合惩罚）引导搜索，避免结果坍缩至同质信号。
2. 实证效果：在 29 个低频价量 Seed 的迭代中，样本内入选因子全部优于原因子，其中 19 个在样本外同样优于原因子。批量挖掘中，123 个唯一公式显示出较低的全局相关性（中位数 0.2148）。
3. 高频挖掘：识别出“高量脉冲次数”等强机制，样本外 RankIC 达 0.0744，证明了状态切换次数在微观结构中的预测价值。
4. 案例分析：通过将收盘价波动率升级为成交量加权真实波幅（std20）、将下跌天数重构为成交量加权负乖离（cntn20）等方式，提升了信号的信噪比。

局限性/风险：
主要包括模型失效风险（历史规律不代表未来）、自动化挖掘带来的过拟合风险、数据质量影响以及 LLM 生成代码的逻辑偏差和实盘交易成本风险。