TradeGrad：用文本梯度迭代改写交易策略(arXiv)
A 股截面策略年化（样本外） 27.99% (claimed)最大回撤 12.19% (claimed)夏普比率 1.63 (claimed)
Why it matters
它针对 LLM 生成策略最常见的问题，也就是只在某段行情里有效、过拟合历史回测，并在 A 股和美股上同时报告了样本外结果。
Summary
新加坡国立大学团队把交易策略设计看作对可执行程序的黑盒优化，用 LLM 根据回测反馈和积累的优化经验生成「文本梯度」，再改写策略代码。论文还提出跨时期稳健目标 CPRO，优化时侧重历史上表现最差的那部分时段。
Key points
- 用全局优化记忆和对存档策略的采样来估计文本梯度
- 大幅重写和局部 diff 修改两种改写方式混合使用
- CPRO 按自然年窗口打分，取得分最低的 30% 窗口求均值作为目标
- 在沪深 300 和标普 500 上做截面和时序两类实验，样本外得分均为最高
- 代码已开源（transcend-0/TradeGrad）
Details
- arXiv
- 2610.03128
- Tags
- 量化交易研究论文策略优化开源
Comments
Comments coming soon.