摘要
传统的遗传规划（GP）和深度学习方法面临解释性差、过拟合以及搜索空间狭窄等瓶颈。我们团队研究并剖析了一种全新的框架——CogAlpha（Cognitive Alpha Mining）。该框架将大语言模型（LLM）的认知推理能力与进化算法相结合，通过七层代理层级结构和代码级进化机制，实现从浅层模式识别到深层逻辑推理的跨越，挖掘出兼具高预测性与金融解释性的 Alpha 因子。
1. 引言与背景：Alpha 挖掘的认知进化
Alpha 挖掘旨在从复杂的市场数据中提取能够预测资产收益的信号。这一领域经历了从基于专家经验的手工构建，到机器学习（ML）驱动的自动化挖掘，再到近期利用大语言模型（LLM）进行生成式探索的演变过程。
然而，现有范式存在显著局限性。深度学习模型往往沦为“黑箱”，难以追踪决策逻辑，且在市场体制转换（Regime Shift）时表现脆弱。基于遗传规划（GP）的符号方法虽然提供了显式公式，但生成的表达式往往过于冗余、缺乏经济学依据，导致泛化能力较差。即便是早期的 LLM 方法，也多局限于简单的公式堆叠或模式复制，缺乏真正的逻辑推理和结构创新。
CogAlpha 正是针对这些痛点提出。它不仅仅挖掘数据，更试图模拟人类专家的认知过程。通过将 LLM 视为具备适应性的认知代理（Cognitive Agents），CogAlpha 能够在代码层面即时生成、变异和重组 Alpha 因子，并利用多阶段提示工程和金融反馈闭环，大幅扩展搜索空间、提升因子的逻辑深度。
2. 核心方法论：CogAlpha 框架详解
CogAlpha 的核心在于“认知（Cognitive）”与“Alpha”的深度融合。为了克服传统方法搜索空间狭窄的问题，该框架设计了一套精密的多代理协作系统，包含七层代理层级（Seven-Level Agent Hierarchy）、多代理质量检查器（Multi-Agent Quality Checker）以及思维进化模块（Thinking Evolution）。
2.1 七层代理层级结构（Seven-Level Agent Hierarchy）
为了全面覆盖市场数据的潜在特征，CogAlpha 将 Alpha 挖掘任务分解为从宏观结构到微观形态的七个抽象层级。这种分层设计确保了因子来源的多样性，避免不同代理陷入单一逻辑的同质化竞争。整个层级结构共包含 21 个特定任务代理。
Level I：市场结构与周期层
市场结构与周期层（Market Structure & Cycle Layer）着眼于宏观视角，利用日频 OHLCV 数据推断长期趋势、市场阶段和周期性状态转换。核心代理包括探索市场节奏的 AgentMarketCycle，以及检测波动率状态转换的 AgentVolatilityRegime。
Level II：极端风险与脆弱性层
极端风险与脆弱性层（Extreme Risk & Fragility Layer）专注于尾部风险建模。AgentTailRisk 量化下行敏感性，AgentCrashPredictor 则通过捕捉流动性枯竭、波动率压缩等前兆信号，识别潜在的市场崩盘风险。
Level III：量价动力学层
量价动力学层（Price-Volume Dynamics Layer）深入市场微观结构，分析价格与交易活动之间的交互。AgentLiquidity 衡量市场深度与摩擦，AgentOrderImbalance 捕捉单边买卖压力，AgentPriceVolumeCoherence 通过分析量价同步性揭示市场动能的一致性或背离，AgentVolumeStructure 则进一步刻画成交量结构。
Level IV：价格—波动行为层
价格—波动行为层（Price-Volatility Behavior Layer）覆盖传统技术分析的核心区域，但 CogAlpha 对其进行了更深层的量化。除了分析趋势持续性的 AgentDailyTrend 和均值回归的 AgentReversal，还包括研究区间波动的 AgentRangeVol、滞后响应的 AgentLagResponse，以及非对称价格动态的 AgentVolAsymmetry。
Level V：多尺度复杂性层
多尺度复杂性层（Multi-Scale Complexity Layer）引入分形市场假说的相关概念。AgentFractal 测量时间序列的粗糙度和长记忆性，AgentDrawdown 则从回撤与恢复的几何形态中提取风险特征。
Level VI：稳定性与体制门控层
稳定性与体制门控层（Stability & Regime-Gating Layer）用于提升因子的鲁棒性。AgentRegimeGating 根据市场状态调节信号激活，AgentStability 则评估信号的时间一致性，优先选择跨阶段更稳健的 Alpha。
Level VII：几何与融合层
几何与融合层（Geometric & Fusion Layer）是最微观的层级，关注 K 线形态的几何特征与多因子融合。AgentBarShape 提取单根 K 线及局部形态，AgentComposite 组合多个信号，AgentCreative 探索非线性变换，AgentHerding 则探测市场羊群效应。
2.2 多样化引导策略（Diversified Guidance）
为了防止 LLM 在生成代码时陷入思维定势，CogAlpha 引入五种转述模式（Paraphrasing Modes）构建提示词，从不同角度激发模型推理。
1. Light（轻微）：保持原意，仅作最小的语言调整，作为基准。
2. Moderate（适度）：引入自然的措辞变化，丰富表达形式。
3. Creative（创造性）：增加解释深度和研究导向的细微差别，激发替代性推理。
4. Divergent（发散性）：探索相关但不同的分析视角，生成互补性假设。
5. Concrete（具体化）：将抽象描述转化为可实施的数学公式或统计操作，弥合概念与代码之间的鸿沟。
2.3 多代理质量检查器（Multi-Agent Quality Checker）
生成的 Alpha 代码必须经过严格的质量控制流程。这是一套闭环的多代理系统，确保存活下来的因子不仅代码无误，而且逻辑自洽。
Code Quality Agent 负责静态代码分析，检测语法错误、格式问题及潜在运行时 Bug；Code Repair Agent 针对检测到的错误尝试自动修复代码。
Judge Agent 是整个流程的核心“守门人”。它不只关注回测绩效，而是从逻辑一致性、技术正确性和经济学意义三个维度评估因子，剔除缺乏金融逻辑的“伪相关”因子。
Logic Improvement Agent 会对被 Judge Agent 驳回但仍具潜力的代码进行逻辑层面的优化和重构。通过质量检查的代码还将进行单元测试，重点排查未来信息泄露（Look-ahead Bias）——量化回测中最致命的错误之一。
2.4 思维进化（Thinking Evolution）
思维进化是 CogAlpha 区别于传统方法的关键。它在自然语言与代码空间中实现类似遗传算法的优化过程。所有经过筛选的合格 Alpha 都会进入进化池，通过 LLM 驱动的变异（Mutation）和交叉（Crossover）操作进行迭代。
Mutation Agent 对现有 Alpha 代码进行微调，引入变异性并探索局部最优解；Crossover Agent 则结合两个现有 Alpha 的逻辑，生成新的复合因子，融合不同信号源的优势。
这一过程通过多轮迭代（Generation）持续推进。每一代中表现优异的“精英”因子会被保留并传递至下一代，从而确保种群质量持续提升。
3. 实验设置与实证分析
为了验证 CogAlpha 的有效性，我们研究团队在中国 A 股市场进行了广泛的实证测试。
3.1 实验环境
数据集：CSI 300（沪深 300）成分股，覆盖 2011 至 2024 年。其中训练集为 2011—2019 年，验证集为 2020 年，测试集为 2021—2024 年。
预测目标：未来 10 日收益率（10-day return）。
基准模型：包括 LightGBM、Random Forest 等传统机器学习模型，LSTM、Transformer 等深度学习模型，Alpha-158/360 因子库，以及 GPT-4、Llama 3 等通用 LLM。
评估指标：IC（信息系数）、RankIC、ICIR、RankICIR，以及衡量非线性依赖关系的互信息（MI）。
3.2 性能对比
实验结果表明，CogAlpha 在所有关键指标上均显著优于基准方法。与主流机器学习模型相比，CogAlpha 实现了 0.0591 的 IC 和 0.0814 的 RankIC，远超 LightGBM（IC：0.0269）和 Transformer（IC：-0.0090）等模型。这表明 CogAlpha 生成的因子不仅捕获了线性关系，还通过代码逻辑捕捉了复杂的市场非线性特征。
与通用 LLM 直接生成因子的方法相比，CogAlpha 的优势更加明显。例如，GPT-4.1 的 IC 仅为 0.0118，gpt-oss-120B 为 0.0300。这说明单纯依赖 LLM 的知识库不足以应对高噪声金融数据，必须结合进化搜索与严格的质量控制机制。
3.3 因子的可解释性与进化案例
CogAlpha 的一大优势在于生成可解释的代码。每个 Alpha 都附带详细注释，解释其背后的金融逻辑。一个流动性相关因子的进化轨迹，生动展示了 CogAlpha 的“认知”能力。
1. 初始版本（Generation 0）：模型基于经典微观结构理论生成了下列因子，用于衡量单位成交量所带来的价格上行阻力。逻辑简单，但在测试集上的表现较为有限，IC 为 0.0090。
2. 变异版本（Mutation）：进化过程中，Agent 尝试使用全天价格范围（High-Low）替代收盘价差，以捕捉更广泛的日内流动性行为。但效果并未改善，IC 降至 0.0073，因此在优胜劣汰中被淘汰。
3. 进化版本（Evolved）：经过多轮迭代，CogAlpha 产出了一个更优化的版本。它引入成交额（Dollar Volume）进行标准化，并应用 tanh 函数处理离群值：
df_copy['abs_move'] = (df_copy['day_close'] - df_copy['day_open']).abs()
df_copy['dollar_vol'] = df_copy['day_volume'] * df_copy['day_close']
df_copy['raw_impact'] = df_copy['abs_move'] / (df_copy['dollar_vol'] + eps)
# Apply tanh to bound the factor within (-1, 1)
df['factor'] = np.tanh(df_copy['raw_impact'])这一版本的 IC 跃升至 0.0141，RankIC 达到 0.0087。这个过程清晰展示了 CogAlpha 如何像人类研究员一样，从一个粗糙的“想法”出发，通过尝试不同的变量组合、归一化方法与非线性变换，最终打磨出一个更稳健的 Alpha 因子。
3.4 消融研究
为了验证各个组件的贡献，研究进行了消融实验。仅使用基础 Agent 时，RankICIR 为 0.2595；加入进化模块（+E）后提升至 0.3322；加入自适应生成（+A）后提升至 0.3583；加入多样化引导（+G）后达到 0.3599；完整 CogAlpha 在加入七层结构（+H）后，RankICIR 最终达到 0.4350。
这一递增表现说明，从进化算法到提示工程，再到层级结构，每一层设计都为最终的 Alpha 质量贡献了独特价值。
4. 结论与展望
CogAlpha 框架代表了量化金融领域从“暴力挖掘”迈向“认知创造”的重要一步。它不仅缓解了传统深度学习模型不可解释的问题，也突破了传统遗传算法容易产生冗余公式的限制。
通过七层代理结构确保因子多样性，利用多代理质量检查保证逻辑严密性，并借助思维进化机制实现代码级自我优化，CogAlpha 成功挖掘出具有高预测精度、强鲁棒性和清晰经济学解释的 Alpha 因子。
这项研究表明，将 LLM 的推理能力与进化计算相结合，是解决高维、低信噪比金融预测问题的一条有效路径。未来，随着 LLM 推理能力进一步增强，类似的认知型挖掘框架有望在更广泛的另类数据（Alternative Data）和跨资产类别策略中发挥关键作用。
arXiv：2511.18850