AlphaRLM: Aligning Language Models for Literature-Grounded Symbolic Factor Discovery
Aggiunta all'archivio di AIChronos il (numero del 10 ottobre 2026 ricostruito)· fonte del · Jie Huang, Yuecheng Hong, Yao Chen, Hao Zhong, Linfeng Xiao, Xudong Liu
AlphaRLM è un framework basato sul reinforcement learning che addestra LLM per costruire fattori simbolici eseguibili direttamente dalla letteratura finanziaria senza richiedere input predefiniti. Il metodo integra Literature-Guided Operator Assembly (LEGO) per fornire priori sematici derivati dal testo e allinea la politica di generazione tramite reward specifici come executable-validity e grouped-return-separation. Gli esperimenti condotti sui mercati CSI 300, CSI 1000 e S&P 500 dimostrano che AlphaRLM supera le baselines tradizionali nel generare segnali predittivi con rendimenti in eccesso annualizzati superiori.
- Sostituisce approcci basati su prompting o seed-factor evolution con una costruzione diretta dei fattori tramite policy learning.
- Utilizza Literature-Guided Operator Assembly (LEGO) per condizionare la generazione di operatori eseguibili sulle idee estratte dalla letteratura.
- Implementa reward che catturano strutture non monotone attraverso i quantili del rendimento, migliorando l'allineamento con il feedback di mercato.
- Il modello da 8B parametri mostra una forte performance cross-market, validando l'efficacia dell'approccio condizionato alla letteratura.
- Supera significativamente sia le tecniche tradizionali di factor mining che i baselines puramente basati su LLM.
Perché conta. Questa architettura è rilevante per gli sviluppatori perché dimostra come integrare il reinforcement learning e la condizionalità testuale possa generare agenti autonomi capaci di scoprire pattern finanziari complessi senza supervisione umana diretta, riducendo la dipendenza da input manuali.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.