在金融領域，評估投資績效的關鍵在于平衡風險與回報。Sharpe比率是評估風險與回報的重要指標，但存在局限性，需開發更穩健的金融績效指標。本文提出AlphaSharpe框架，利用大語言模型（LLMs）優化金融指標，提升風險-收益評估。

通過對美國15年歷史股票數據進行實驗，AlphaSharpe投資組合在風險調整和回撤調整表現上優于傳統策略，Sharpe比率提高71.04%，Calmar比率提高116.31%。

論文地址：https://arxiv.org/pdf/2502.00029v2

摘要

本文提出AlphaSharpe框架，利用大語言模型（LLMs）優化金融指標，提升風險-收益評估。

1) LLMs生成和改進金融指標，融入領域知識；

2) 評分機制確保指標對未見數據的有效泛化；

3) 實證結果顯示未來風險收益的預測能力提升3倍，投資組合表現提升2倍。

實驗結果表明新指標優于傳統指標，適用于投資組合管理和金融決策，展示LLMs在金融分析中的潛力。

簡介

Sharpe比率是評估風險與回報的重要指標，但存在局限性，需開發更穩健的金融績效指標。大型語言模型（LLMs）可用于生成創新的金融指標，提升指標的穩健性和預測能力。本文提出AlphaSharpe框架，通過LLMs和迭代優化，演化出新的金融績效指標。

• 利用LLMs進行投資績效指標的迭代優化，發現可解釋的新指標。
• 結合金融文獻和數學原理，生成多樣化的指標變體。
• 結構化方法確保指標的外部穩健性與未來表現一致。
• 實驗表明AlphaSharpe指標在穩健性和預測能力上優于傳統指標。

AlphaSharpe為金融分析的進步奠定基礎，推動LLM驅動的方法在金融決策中的應用。

背景

財務指標在投資績效評估中至關重要，但傳統指標如夏普比率存在局限性，包括對異常值敏感、假設靜態風險收益關系、回顧性評估和適應性不足。概率夏普比率（PSR）通過統計推斷改進了傳統夏普比率，考慮了夏普比率估計的分布，降低了噪聲并提供了績效一致性的概率解釋。

機器學習（ML）在金融分析中引入了自適應和預測能力，深度神經網絡（DNN）和強化學習在動態資產配置策略中表現優越，但易過擬合且缺乏可解釋性。AlphaTensor和AlphaSharpe等強化學習的最新進展展示了迭代優化和金融指標設計的潛力，強調了大規模模型在創新中的應用。近期研究表明，LLM（大型語言模型）在數學發現和科學探索中具有自動化潛力，進一步推動了金融指標設計的創新。

方法

LLMs（如GPT、LLama）在金融指標發現中具有創新潛力。本文通過以下方法發現財務指標：

• Few-Shot生成：通過少量示例生成創意變體，結合領域專業知識與數據驅動洞察。
• 迭代優化：利用進化策略和反饋循環迭代優化生成的指標，提高穩健性和預測能力。
• 跨領域的靈感：從其他領域引入概念，激發金融指標創新。
• 突變優化：通過變異優化現有指標，增強穩健性和泛化能力。
• 自動代碼生成：自動生成新金融指標的高質量實現代碼。
• 批判性思維與見解：分析學術文獻，整合理論見解，確保指標設計的新穎性和嚴謹性。

AlphaSharpe方法利用LLMs迭代優化金融績效指標（如Sharpe比率），提升樣本外穩健性。

架構

工作流程為迭代四步過程：交叉、變異、評分和排名，旨在逐步提升財務指標的穩健性和預測能力。

• 交叉：結合表現優異的指標，創造混合指標，繼承各自優點。
• 變異：通過小幅修改生成有意義的變體，增強預測能力。

評分函數評估變異指標的穩健性、泛化能力和預測能力。指標質量通過穩健性、與未來夏普比率的相關性和歸一化折現累積收益（NDCG）進行評估。僅保留高質量多樣化的指標進行后續交叉，表現不佳的指標被淘汰。

LLM使用

LLMs在AlphaSharpe中作為創意引擎，生成和優化金融指標。通過廣泛的金融知識庫，LLMs提供傳統方法可能忽視的創新解決方案。模型模擬領域專家的思維過程，提出靈感來源于現有方法的指標，并引入新元素。

AlphaSharpe結合領域專業知識與計算創新，迭代演進金融指標，推動投資分析的邊界。工作流程中使用精心設計的提示，指導LLMs整合領域見解與上下文輸入，鼓勵創新思維，強調張量運算，避免資源密集型循環和冗余超參數。

得分函數

AlphaSharpe通過強大的評分機制評估和優化金融指標，旨在衡量指標對未來表現的泛化能力。工作流程包括：

1) 在歷史資產收益數據上應用指標計算分數；

2) 通過以下方法評估分數與未來Sharpe比率的對齊程度：

Spearman’s Rho：衡量歷史數據排名與未來Sharpe比率之間的單調關系。

Kendall’s Tau：評估指標分數與未來Sharpe比率之間的序數關聯強度。

NDCG：評估資產排名質量，強調正確排名頂尖資產的重要性。

這些方法通過依賴數據的排名而非原始值，降低對異常值和非線性的敏感性。

實驗

采用時間序列交叉驗證對15年歷史數據（3,246只美國股票和ETF）進行評估，確保指標在不同市場條件下的穩健性。通過與未來夏普比率的相關性迭代優化指標，最終在極端市場壓力下（如2020年COVID-19市場崩潰）進行盲測。

開發的AlphaSharpe Ratio（α S）及其變體（α S1至α S4）克服傳統夏普比率在小樣本、極值和非正態分布下的局限性。α S1強調復利效應，α S2整合下行風險，α S3考慮高階矩（偏度和峰度），α S4引入市場狀態因子動態調整。

這些指標適用于對數變換收益的策略評估，提供更可靠的風險調整績效評估。實驗結果顯示，AlphaSharpe指標在相關性排名和投資組合構建上優于傳統金融指標。

排名的相關性

AlphaSharpe在排名相關性上顯著優于傳統指標，Spearman和Kendall相關性均提高超過3倍。

• Spearman’s Rho: α S4的相關性為0.409，顯著高于Sharpe Ratio和PSR。
• Kendall’s Tau: α S4的相關性為0.278，顯示出超過3倍的改進。
• NDCG@25% Score: α S2得分為0.636，比Sharpe Ratio和PSR提高62%，優先排序表現更佳。

實證結果表明，AlphaSharpe在資產排名的準確性和可靠性上具有卓越能力，能更好地預測未來表現。

構建投資組合

AlphaSharpe（α S）在投資組合構建中表現優越，測試期內相較于傳統夏普比率（Sharpe Ratio）和PSR分別提升了+89.11%和+95.73%。使用α S2構建的投資組合實現了高達+93.97%和+101.99%的夏普比率提升，增強了風險調整后的收益。α S2在不同資產選擇閾值（10%至25%）下表現一致，適應性強，適合多樣化投資策略。

影響

AlphaSharpe指標克服傳統夏普比率的局限，適用于小數據集，考慮分布特征（偏度和峰度），適應市場變化。

• 提升投資組合構建：更精確的資產選擇和配置，適應波動市場和非正態收益分布。
• 改進風險管理：更真實的風險調整評估，考慮下行風險和動態市場調整，幫助應對極端市場事件。
• 動態適應性：基于市場狀態的動態調整，適合主動應對市場變化的策略。
• 廣泛適用性：在排名、風險評估和投資組合優化中優于傳統指標，適合金融分析師、投資組合經理和量化研究者。

討論

α S1 通過使用對數收益和穩定常數，解決了夏普比率對異常值和正態性假設的敏感性，關注復利效應，與凱利準則相符。

α S2 引入下行風險調整，靈感來源于索提諾比率和尾部風險指標（如VaR和條件VaR）。

α S3 考慮偏度、峰度和最大回撤，借鑒了偏度調整夏普比率、卡爾瑪比率和斯特林比率，適應非正態收益分布和高波動期。

α S4 結合市場條件的動態調整，采用狀態依賴因素，類似于馬爾可夫框架的 regime-switching 模型。

投資組合優化

傳統投資組合分配方法（如風險平價和等風險貢獻組合）存在穩定性差、極端回報敏感性高和風險調整回報效率低的問題。新開發的AlphaSharpe組合通過整合逆協方差風險調整回報、穩定性加權、熵正則化和波動率標準化，顯著提升了投資組合表現。比較結果顯示，AlphaSharpe組合在夏普比率和卡爾瑪比率上均優于傳統優化技術，表現顯著更佳。

AlphaSharpe組合

AlphaSharpe投資組合優化方法通過調整權重實現穩定性、波動性和多樣性，優化風險收益比。

1）計算均值超額收益向量和協方差矩陣，使用逆協方差調整的風險收益向量。

2）引入穩定性因子，應用波動性歸一化和softmax歸一化，得出初始資產配置。

3）采用熵正則化確保多樣性，懲罰主導資產。

4）最終計算投資組合權重，確保風險平衡，防止過度集中。

AlphaSharpe投資組合在風險調整和回撤調整表現上優于傳統策略，Sharpe比率提高71.04%，Calmar比率提高116.31%。

總結

AlphaSharpe是一個新框架，利用大語言模型（LLMs）迭代演化金融指標，克服傳統風險調整指標的局限性。通過LLMs生成創新且可解釋的指標，結合金融文獻和數學原理，提升了指標的設計、優化和精確度。

AlphaSharpe顯著提高了排名準確性和投資組合表現，能夠應對波動性、偏度和市場環境變化。對金融機構而言，采用這些指標可增強決策能力、建立信任并提供競爭優勢。AlphaSharpe展示了LLMs在風險回報評估中的潛力，未來可關注提升可解釋性和擴展應用范圍。

本文轉載自??靈度智能??，作者： 靈度智能