Alpha Auto Search · Literature Survey¶
Stage 1: Taxonomy · Stage 2: Bibliography¶
整理：2026-05 范围：自动化 alpha 因子搜索的完整学术地图 用途：(a) 这周 HKU 汇报的论文 grounding 增厚；(b) 长期作为研究 survey 基础
Stage 1 · 6 维 Taxonomy¶
每篇文献按以下 6 维打点。打完后整张表能 surface 出"哪类组合还没人做过"——即研究空白。
维度 D1 · 搜索单元 (Search Unit)¶
| 取值 | 含义 | 代表工作 |
|---|---|---|
formula |
公式型因子表达式（AST 树或线性组合） | gplearn / AutoAlpha / AlphaSAGE / Alpha Jungle |
program |
完整可执行程序（Python 函数） | FunSearch / AlphaEvolve |
nn-weights |
直接搜神经网络权重 / 嵌入 | FactorVAE / HIST / HireVAE |
portfolio |
直接搜投资组合权重 | AlphaPortfolio / FinRL |
research-flow |
完整研究流程（hypothesis → experiment） | AI Scientist v2 / ASI-ARCH |
architecture |
模型架构本身 | ASI-ARCH（这是 architecture discovery 的本意） |
维度 D2 · 生成器 (Generator)¶
| 取值 | 含义 |
|---|---|
GP |
Genetic Programming 或 Genetic Algorithm |
EA |
其他演化算法（CMA-ES、NES 等） |
RL |
Reinforcement Learning（PPO / REINFORCE / GFlowNet） |
LLM |
LLM-driven generation |
LLM+EA |
LLM 与演化结合（FunSearch / AlphaEvolve） |
LLM+MCTS |
LLM 与 Monte Carlo Tree Search 结合 |
MAS |
Multi-Agent System（多 LLM agent 分工） |
hybrid |
神经符号混合等 |
维度 D3 · 验证器 (Verifier)¶
| 取值 | 含义 |
|---|---|
single-scalar |
单一分数（IC / Sharpe） |
multi-eval |
多目标 Pareto 评估 |
walk-forward |
滚动窗口验证 |
formal |
形式化绝对可信验证（Lean 内核等） |
paper-shadow |
paper trading / shadow trading 验证 |
LLM-judge |
LLM 自身作为评分员（风险) |
composite |
多层 verifier 组合 |
维度 D4 · Knowledge Grounding¶
| 取值 | 含义 |
|---|---|
none |
无外部知识，纯数据驱动 |
operators |
仅人工算子先验（GP 算子集） |
literature-light |
LLM prompt 里塞少量论文 reference |
literature-structured |
结构化文献知识库 |
cognition-base |
ASI-ARCH 级别的完整 Cognition Base |
factor-zoo |
显式构建在 factor zoo / anomaly library 上 |
维度 D5 · 评估严格性 (Evaluation Rigor)¶
| 取值 | 含义 |
|---|---|
single-oos |
一次 OOS holdout |
walk-forward |
滚动窗口 |
block-bootstrap |
块自助 confidence interval |
deflated-sharpe |
Deflated Sharpe Ratio 多重检验校正 |
pbo |
Probability of Backtest Overfitting |
purged-kfold |
López de Prado 的 purged k-fold + embargo |
multiple-testing |
Harvey-Liu 系列 multiple testing 框架 |
composite-rigor |
上述多种组合 |
维度 D6 · 自进化层级 (Meta-level)¶
来自我们之前的讨论：
| 取值 | 含义 |
|---|---|
L0 |
固定框架，搜对象 |
L1 |
搜搜索策略（agent 协作拓扑） |
L2 |
搜评估器本身 |
L3 |
搜 DSL（算子集） |
L4 |
搜框架本身（self-improving） |
Stage 2 · 按 6 个 Tradition 系统建 Bibliography¶
Tradition 1 · Classical Symbolic Regression / GP for Finance¶
为什么必读：你的 baseline 笔记里完全没覆盖。任何讲 LLM-driven alpha 工作的 talk，如果不能讲清楚"为什么 LLM 比 GP 强"，会被 Q&A 打穿。
| Paper | Year | D1 | D2 | D3 | D4 | D5 | D6 | Key Insight | URL |
|---|---|---|---|---|---|---|---|---|---|
| gplearn (open-source package) | 2015+ | formula | GP | single-scalar | operators | single-oos | L0 | Python 标准 GP 包，是几乎所有后续 formula alpha 工作的 baseline | github |
| AutoAlpha: Hierarchical Evolutionary Algorithm for Mining Alpha | 2020 | formula | EA(hierarchical) | single-scalar | operators | single-oos | L0 | 第一代显式优化 alpha mining 效率的 EA 工作 | arXiv 2002.08245 |
| gpquant (gplearn 改造) | 2022+ | formula | GP+ts-ops | single-scalar | operators | single-oos | L0 | 加入时间序列算子，是中文量化社区常用 baseline | github |
| Alpha Mining and Enhancing via Warm Start Genetic Programming | 2024 | formula | GP+warm-start | walk-forward | operators+literature-light | walk-forward | L0 | 用 LLM 给 GP 提供 warm start 起点，hybrid 思路 | arXiv 2412.00896 |
| Symbolic Regression for Financial Machine Learning | 2023 | formula | GP | multi-eval | operators | walk-forward | L0 | 较新的金融 SR survey 视角 | ResearchGate |
| AlphaForge | 2024 | formula | DL-generator | multi-eval | none | walk-forward | L0 | 不是 GP，是 DL-based 生成 + 动态组合 | arXiv 2406.18394 |
| AlphaPROBE | 2026 | formula | GNN-encoder + on-graph evolution | multi-eval | literature-light | walk-forward | L0/L1 | "原则性 retrieval" + on-graph biased evolution，是 LLM 时代的 GP 改造 | arXiv 2602.11917 |
| AlphaSAGE | 2025 | formula | GFlowNet+GNN | multi-eval | operators | walk-forward | L0 | GFlowNet 用在 alpha mining 是新方向——比 PPO 收敛更快、更稳，且 explore 多个 high-reward mode | arXiv 2509.25055 |
Tradition 1 关键洞察（用于汇报）：
GP 范式的根本瓶颈是搜索盲目性——没有 financial intuition，在大搜索空间里随机游走。LLM-driven 工作的本质改进是把 LLM 当 "informed prior"。但 GFlowNet（AlphaSAGE）路线证明：不一定非要 LLM——一个学到 reward landscape 的 generator 也能达到类似效果，且成本更可控。这是和韩教授可以聊的 generative AI 跨域案例。
Tradition 2 · Deep Learning Factor Models¶
为什么必读：这条线是"用 NN 直接生成 alpha"而不是"搜表达式"，是 formulaic 路线的 competitor。汇报 Q&A 可能被问"为什么不直接用 NN 端到端预测"。
| Paper | Year | D1 | D2 | D3 | D4 | D5 | D6 | Key Insight | URL |
|---|---|---|---|---|---|---|---|---|---|
| Deep Factor Model | 2018 | nn-weights | DL | single-scalar | none | single-oos | L0 | 早期把因子模型完全端到端化 | arXiv 1810.01278 |
| Deep Recurrent Factor Model | 2019 | nn-weights | DL+recurrence | single-scalar | none | single-oos | L0 | 引入 RNN，可解释性较好 | arXiv 1901.11493 |
| FactorVAE | 2022 (AAAI) | nn-weights | VAE | multi-eval | none | walk-forward | L0 | Probabilistic dynamic factor model，对未见过的股票 rebust——可作时间序列泛化讨论的 anchor | AAAI |
| HIST | 2022 | nn-weights | DL+graph | single-scalar | none | walk-forward | L0 | 从市场数据中提 hidden relations，是图神经因子方向代表 | (常见 baseline 引用) |
| HireVAE | 2023 | nn-weights | hierarchical VAE + regime | multi-eval | none | walk-forward | L0 | 加入 regime-switch，online adaptive | arXiv 2306.02848 |
| RVRAE | 2024 | nn-weights | variational recurrent AE | multi-eval | none | walk-forward | L0 | RNN-VAE 路线最新成果 | arXiv 2403.02500 |
| FactorGCL | 2025 | nn-weights | hypergraph + contrastive | multi-eval | none | walk-forward | L0 | 把 contrastive learning 用到 factor 表示——是 RQ1 可以引用的方法 | arXiv 2502.05218 |
Tradition 2 关键洞察：
DL factor models 优势是端到端学非线性表征；劣势是可解释性差、不容易和经济学先验对齐、容量上限存疑。在你汇报里可以用一句话定位："formulaic alpha 牺牲一些容量换可解释性和 ground 到经济机制的能力，DL factor 反过来。两条路线在 RQ3（Cognition Base）的框架下其实可以融合——把 DL 表征作为 Cognition Base 的一种 element。"
Tradition 3 · LLM-Driven Alpha Mining（我们已覆盖部分）¶
已在 baseline 笔记里展开过，这里只补充未覆盖的部分 + 一篇关键 survey。
| Paper | Year | D1 | D2 | D3 | D4 | D5 | D6 | Key Insight | URL |
|---|---|---|---|---|---|---|---|---|---|
| AlphaAgent | 2025 | formula | LLM | multi-eval+正则 | literature-light | walk-forward | L0 | 三 agent 闭环 + 三种 regularization 对抗 alpha decay | arXiv 2502.16789 |
| Navigating the Alpha Jungle (LLM-MCTS) | 2025 | formula | LLM+MCTS | multi-eval | literature-light | walk-forward | L0/L1 | AlphaProof 风格搬到 alpha mining——LLM prior + MCTS exploration | arXiv 2505.11122 |
| QuantaAlpha | 2026 | formula | LLM+EA | multi-eval | literature-light | walk-forward | L0 | 开源框架完整度较高，可作起步 | github |
| FactorMAD | 2025 | formula | MAS (debate) | LLM-judge | literature-light | walk-forward | L0/L1 | 多 agent debate 提升可解释性——但 LLM-judge 风险大 | ACM |
| Alpha-GPT | 2025 (EMNLP demo) | formula | LLM | single-scalar | literature-light | single-oos | L0 | 偏交互式人机协作，产品形态参考 | aclanthology |
| QuantFactor REINFORCE | 2024 | formula | RL (REINFORCE) | multi-eval+variance-bound | none | walk-forward | L0 | 明确指出 PPO 在 alpha mining 里有问题，建议改 REINFORCE | arXiv 2409.05144 |
| Synergistic Formulaic Alpha (RL) | 2024 | formula | RL | multi-eval | none | walk-forward | L0/L1 | 强调寻找 synergistic 组合而非单 best factor | arXiv 2401.02710 |
| A Survey on LLM-based Alpha Mining（关键！） | 2025 (FITEE) | meta | meta | meta | meta | meta | meta | 2025 出的领域综述，必读，是 talk 里可以直接引的"已有 survey"——你的工作可以 positioning 在它的 framework 之外 | Springer |
Tradition 3 关键洞察：
LLM-driven 这条线 2025 年集中爆发，呈现两个分支——一是 LLM 作为 generator（AlphaAgent / Alpha-GPT / QuantaAlpha），二是 LLM 作为 prior + 搜索算法（Alpha Jungle 的 LLM-MCTS / AlphaPROBE 的 retrieval）。后者的 search efficiency 更高，且能融合非 LLM 的搜索算法（MCTS / GFlowNet）的统计性质。FactorMAD 那种纯 LLM-judge 的工作要警惕——是我们 baseline 笔记里 "LLM-as-Judge 闭环" 失败模式的典型例子。
Tradition 4 · AI for Science Transfer（我们的 baseline 笔记主战场）¶
已在 alpha_search_baselines.md 完整覆盖：
- FunSearch (Nature 2023)
- AlphaProof / AlphaGeometry 2 (Nature 2025)
- AlphaEvolve (arXiv 2506.13131, 2025)
- AI Scientist v2 (arXiv 2504.08066, 2025)
- ASI-ARCH (arXiv 2507.18074, 2025) — "AlphaGo Moment for Model Architecture Discovery"
- OpenSeeker / OpenSeeker-v2 (2025-2026)
- AutoMR (Meta Reasoning Skeleton, OpenReview 2025)
- Meta-Rewarding Language Models (arXiv 2407.19594, 2024)
Tradition 5 · 回测方法论严格化（李教授一定会问）¶
这是整个 survey 里最影响汇报抗压性的部分。
| Paper | Year | 核心贡献 | 对你工作的影响 | URL |
|---|---|---|---|---|
| The Probability of Backtest Overfitting (Bailey, Borwein, López de Prado, Zhu) | 2013 | PBO via combinatorially symmetric cross-validation (CSCV)，估计回测过拟合的概率 | 你的 LightGBM val→test 反转应该报告 PBO；扩展 walk-forward 到 100 fold 后可做严格 CSCV | SSRN / PDF |
| Deflating the Sharpe Ratio (López de Prado) | 2014 | 提出 Deflated Sharpe Ratio (DSR)，校正多重检验下的 Sharpe 选择偏差 | 必须在 walk-forward report 里加 DSR；当前 12 fold 不够，扩展到 100+ fold 才能严肃讲 | SSRN |
| The Deflated Sharpe Ratio: Correcting for Selection Bias... (Bailey, López de Prado) | 2014 | DSR 的完整论文，含 non-Normality 校正 | 同上 | SSRN |
| "...and the Cross-Section of Expected Returns" (Harvey, Liu, Zhu) | 2016 (RFS) | 奠基性多重检验框架——指出金融经过几十年 data mining，t-stat > 2.0 已不够，应该 > 3.0 | 直接的 quote material——证明你理解 academic finance 对 false discovery 的严格态度 | SSRN / NBER |
| Lucky Factors (Harvey, Liu) | 2021 (JFE) | 用 bootstrap 框架做 multiple-testing 校正，识别哪些 factor 是 "lucky" | 你的 walk-forward 是另一种 framework，可以引这篇作为对照 | JFE / PDF |
| Replicating Anomalies (Hou, Xue, Zhang) | 2020 (RFS) | 用统一标准 retest 447 个学术声称的 anomaly，发现 65% 不能通过 t=1.96，82% 不能通过 t=2.78 | RQ3 的 Cognition Base 必须建在这种 replication-aware 的基础上——不能把 published anomaly 直接当真 | SSRN / NBER |
| Backtest overfitting in the ML era | 2024 | 把 PBO/DSR 等 OOS 测试方法在 ML 时代重新 benchmark | 最新的方法论 update，引用最方便 | ScienceDirect |
Tradition 5 关键洞察：
金融 ML 论文不引用这条线就是不严谨。你的 walk-forward + LightGBM/Optuna 负结果如果用 PBO + DSR 重新包装，立刻从"经验观察"升级为"标准方法学下的结论"。汇报第一幕 slide 12（Time-Slice Stability）可以补一句："我目前的 12 fold sample size 还不足以做严格的 Deflated Sharpe，下一步要扩到 100 fold + CSCV-based PBO"。这一句话就把整个负结果讲法升级了一个层次。
Tradition 6 · 时间序列 Foundation Models（李教授 RQ1 直接相关）¶
| Paper | Year | 核心思想 | 对 RQ1 的影响 | URL |
|---|---|---|---|---|
| PatchTST: A Time Series is Worth 64 Words | 2022 (ICLR 2023) | Univariate patching + channel-independence，简单 Transformer 直接打败复杂时序 Transformer | RQ1 baseline candidate——做 architectural prior 实验时必须对照 PatchTST | arXiv 2211.14730 |
| TimesNet | 2023 | Series segmentation by dominant frequencies | 频域归纳偏置作为 architectural prior 的一种 | (常引用) |
| TimeMixer | 2024 | MLP-based with series decomposition mixing | 表明不一定需要 attention，MLP + 好 prior 也能强 | datasciencewithmarco blog |
| iTransformer | 2024 | Inverted Transformer，attention 在 variable 维而不是时间维 | 另一种 architectural prior 提案 | (常引用) |
| Lag-Llama | 2024 | 第一个 probabilistic time series foundation model | 零样本 + 概率预测，crypto 适用性需要测 | arXiv 2310.08278 |
| Chronos | 2024 (Amazon) | 把时序当语言建模——连续值量化为 token，T5 encoder-decoder | RQ1 立刻可以 benchmark 的强 baseline；其量化 token 范式对 crypto 高频是否适用是个 open question | Medium summary |
| TimesFM | 2024 (Google) | Decoder-only Transformer，Google 内部时序数据预训练 | 大模型 + zero-shot 路线代表；和 Encoding Recurrence 形成强对照 | (Google paper) |
| Moirai | 2024 (Salesforce) | Any-variate attention + LOTSA 数据集（27B observations） | 多变量时序的 foundation model 范式 | (常引用) |
| Encoding Recurrence into Transformers (Huang, Lu, Cai, Qin, Fang, Tian, Li Guodong) | 2023 (ICLR Oral, Top 5%) | REM + RSA 模块——把 RNN 拆解成 lightweight positional encoding，注入 Transformer | 李教授本人的工作，RQ1 的直接 anchor；论证 architectural prior > 模型容量 | OpenReview / github |
| Position: There are no Champions in Long-Term TSF | 2025 | 各种 SOTA 时序 Transformer 在不同 benchmark 上互有胜负，没有 dominant model | RQ1 的研究价值的反证——正因为没 champion，inductive bias 研究还有空间 | arXiv 2502.14045 |
Tradition 6 关键洞察：
时序 foundation model 这条线 2024 出现了爆发，但 2025 年的 position paper 明确说"没有 champion"——任何单一模型都不能在所有 benchmark 上 dominate。这意味着 architectural prior 的研究空间还很大——这正好是 Li Guodong 在 ICLR 2023 工作里强调的 thesis。你的 RQ1 是把这个 thesis 从一般 time series 扩展到 crypto 微结构这一具体领域。
Tradition 7 · Conformal Prediction for Time Series & LLM Agents（RQ2 直接相关）¶
| Paper | Year | 核心思想 | 对 RQ2 的影响 | URL |
|---|---|---|---|---|
| Conformal Time-Series Forecasting (Stankevičiūtė et al.) | 2021 (NeurIPS) | 第一篇将 CP 系统地用到时间序列预测 | 入门起点 | NeurIPS |
| Sequential Predictive Conformal Inference | 2022 | 解决 time series 非交换性问题 | 直接处理"金融数据不满足 CP 假设"的核心难题 | arXiv 2212.03463 |
| CP Algorithms for TSF: Methods and Benchmarking | 2026 | 系统比较时序 CP 方法 | RQ2 selection guide | arXiv 2601.18509 |
| Temporal Conformal Prediction (TCP) | 2025 | Distribution-free + ML quantile forecaster + Robbins-Monro 校准 | RQ2 最直接的 candidate——结合 quantile forecaster + online calibration | arXiv 2507.05470 |
| Online CP for Multi-step TSF | 2024 | 多步预测的 CP 自适应 | 适用于你 30m / 60m forward window | arXiv 2410.13115 |
| Prune 'n Predict: Optimizing LLM Decision-making with CP | 2025 (ICML) | LLM decision 上的 CP application | RQ2 的"LLM agent decision-time safety"直接相关 | ICML poster |
| Analyzing Uncertainty of LLM-as-a-Judge: Interval Evaluations with CP | 2025 (EMNLP) | LLM-as-judge 评分 CP 化 | 把 CP 用于 LLM-judge 的可信度估计 | arXiv 2509.18658 |
| TECP: Token-Entropy Conformal Prediction for LLMs | 2025 | Token-level CP | 细粒度的 LLM CP 方法 | MDPI Mathematics |
Tradition 7 关键洞察：
CP for time series 的核心挑战是非交换性（金融数据有时序依赖、分布漂移），近 2 年才有针对性的方法（TCP / Sequential CP）。CP for LLM agent 完全是 2025 年新兴方向。RQ2 (Open-World LLM Agent Safety) 处在两条线的交叉点——既是新方向，又有可借鉴的 methodology blocks。这是 RQ2 的研究 niche。
Tradition 8 · Factor Zoo & Anomaly Literature（RQ3 Cognition Base 内容来源）¶
| Paper | Year | 核心贡献 | URL |
|---|---|---|---|
| Replicating Anomalies (Hou, Xue, Zhang) | 2020 (RFS) | 447 anomaly retest，65% 失败 single-test，82% 失败 multiple-test 标准 | |
| Taming the Factor Zoo: A Test of New Factors (Feng, Giglio, Xiu) | 2020 (JF) | 双重选择 LASSO 框架评估新 factor 的边际贡献 | |
| Is There a Replication Crisis in Finance? (Jensen, Kelly, Pedersen — JKP) | 2023 (JF) | 用一致方法 retest 153 anomaly，给出 JKP factor library | (公开 dataset) |
| The Cross-Section of Expected Returns (Harvey-Liu-Zhu) | 2016 (RFS) | 见 Tradition 5 | NBER |
| Big Data Asset Pricing 4: Factor Zoo and Replication | 2022 | factor zoo 的 综述视角 | ResearchGate |
Tradition 8 关键洞察：
构建 Cognition Base 第一件事不是收集论文，是 retest 论文。Hou-Xue-Zhang 已经证明 80%+ 的学术 anomaly 不能 robust 通过严格 multiple-testing。Cognition Base 必须区分"published claim"和"replication-verified result"。JKP factor library 是相对最 trustworthy 的起点。
Stage 1 + Stage 2 综合输出：Research Gap Heatmap¶
把 Tradition 1-8 的所有论文按 6 维 taxonomy 打点后，能 surface 出几个明确的研究空白——
Gap 1 · GFlowNet × Cognition Base 组合¶
AlphaSAGE 用 GFlowNet 探索 multiple high-reward modes，但其 knowledge grounding 只到 operators。没有人尝试 GFlowNet + structured Cognition Base 的组合——这可能是 RQ3 的一个 concrete proposal。
Gap 2 · Time Series Foundation Model × Architectural Prior¶
Chronos / TimesFM / Moirai 全部走 generic foundation model 路线；Li Guodong 的 Encoding Recurrence 走 architectural prior 路线。两条路线没有显著交叉工作——RQ1 正是填这个空白：把 architectural prior 思想加到 foundation model 训练（不是 finetune）阶段。
Gap 3 · Conformal Prediction × Multi-Agent LLM¶
CP for LLM 主要在 single-turn / single-judge 场景。Multi-agent LLM workflow（如 ASI-ARCH / AI Scientist）的 cumulative uncertainty 怎么估计？——这是 RQ2 的 niche。
Gap 4 · Deflated Sharpe × LLM-driven Alpha Mining¶
整个 LLM-driven alpha mining 文献（Tradition 3）几乎没有引用 DSR / PBO / Lucky Factors。这是一个非常明显的研究空白——把严格 multiple-testing 框架引入 LLM-driven 评估，能立刻在方法论严谨性上拉开和现有工作的距离。这件事你的项目已经走在前面（你的 walk-forward 已经做 fold 设计），扩展到 DSR/PBO 是 18 个月内可以做到的。
Gap 5 · Factor Replication × Crypto¶
学术 factor replication 工作（Hou-Xue-Zhang / JKP）几乎全部在 US equity 上。Crypto perpetuals 的 factor replication 没人做过 systematic study——你的 526 symbol × 15s × 12 fold infrastructure 是这件事的天然 testbed。
推进 stage 3-5 的建议¶
Stage 3 · 分层精读——
Tier 1（10-15 篇精读）：
- Harvey-Liu-Zhu 2016 "...and the Cross-Section of Expected Returns"
- Bailey-López de Prado 2014 "Deflated Sharpe Ratio"
- Hou-Xue-Zhang 2020 "Replicating Anomalies"
- ASI-ARCH (arXiv 2507.18074)
- AlphaSAGE (arXiv 2509.25055)
- Alpha Jungle LLM-MCTS (arXiv 2505.11122)
- Encoding Recurrence into Transformers (ICLR 2023)
- Chronos paper
- AlphaEval (arXiv 2508.13174)
- A Survey on LLM-based Alpha Mining (FITEE 2025)
- Temporal Conformal Prediction (arXiv 2507.05470)
- FunSearch (Nature 2023)
- AlphaEvolve (arXiv 2506.13131)
- AI Scientist v2 (arXiv 2504.08066)
- QuantFactor REINFORCE (arXiv 2409.05144)
Tier 2（30-50 篇略读）：其余 Tradition 1-8 列出的论文。
Tier 3（其余）：通过 Tier 1 citation chasing 找到的 200-300 篇。
Stage 4 · 抽取——
每篇精读后用 standardized template：
Title | Year | Venue | Authors
D1-D6 taxonomy:
Search unit:
Generator:
Verifier:
Knowledge grounding:
Eval rigor:
Meta-level:
---
Key claim:
Empirical setting:
Failure modes acknowledged in paper:
Failure modes I notice (not in paper):
Connection to my work:
Open questions raised:
What would I do differently:
Stage 5 · 综合输出——
最终一份 30-50 页的 systematic review draft，组织为：
- Introduction: 为什么 alpha auto search 是值得 systematic survey 的领域
- Taxonomy 6 维
- Tradition 1-8 各章
- Research Gap Heatmap (Gap 1-5)
- Discussion: 三个值得深入的研究方向（RQ1-RQ3 学术化版本）
- Conclusion + Future Work
参考链接索引¶
（按 tradition 顺序）
Tradition 1 (Classical GP): - https://github.com/trevorstephens/gplearn - https://ideas.repec.org/p/arx/papers/2002.08245.html (AutoAlpha) - https://github.com/UePG-21/gpquant - https://arxiv.org/html/2412.00896v1 (Warm Start GP) - https://arxiv.org/html/2406.18394v1 (AlphaForge) - https://arxiv.org/html/2602.11917v1 (AlphaPROBE) - https://arxiv.org/abs/2509.25055 (AlphaSAGE)
Tradition 2 (DL Factor Models): - https://arxiv.org/pdf/1810.01278 (Deep Factor) - https://cdn.aaai.org/ojs/20369/20369-13-24382-1-2-20220628.pdf (FactorVAE) - https://arxiv.org/pdf/2306.02848 (HireVAE) - https://arxiv.org/html/2403.02500v1 (RVRAE) - https://arxiv.org/html/2502.05218v1 (FactorGCL)
Tradition 3 (LLM-driven Alpha): - https://arxiv.org/abs/2502.16789 (AlphaAgent) - https://arxiv.org/abs/2505.11122 (Alpha Jungle) - https://github.com/QuantaAlpha/QuantaAlpha - https://link.springer.com/article/10.1631/FITEE.2500386 (Survey) - https://arxiv.org/html/2409.05144v1 (QuantFactor REINFORCE) - https://arxiv.org/html/2401.02710 (Synergistic Formulaic)
Tradition 4 (AI for Science): - 见 alpha_search_baselines.md
Tradition 5 (Backtest Rigor): - https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2326253 (PBO) - https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2465675 (Deflating Sharpe) - https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2460551 (DSR full) - https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2249314 (Cross-Section) - https://www.sciencedirect.com/science/article/abs/pii/S0304405X21001410 (Lucky Factors) - https://www.nber.org/system/files/working_papers/w23394/w23394.pdf (Replicating Anomalies)
Tradition 6 (Time Series FM): - https://arxiv.org/abs/2211.14730 (PatchTST) - https://openreview.net/forum?id=7YfHla7IxBJ (Encoding Recurrence) - https://arxiv.org/pdf/2310.08278 (Lag-Llama) - https://arxiv.org/html/2502.14045v1 (No Champions position)
Tradition 7 (Conformal Prediction): - https://proceedings.neurips.cc/paper/2021/file/312f1ba2a72318edaaa995a67835fad5-Paper.pdf (Stankevičiūtė) - https://arxiv.org/pdf/2212.03463 (Sequential CP) - https://arxiv.org/html/2507.05470v4 (TCP) - https://icml.cc/virtual/2025/poster/46415 (Prune n Predict)
Tradition 8 (Factor Zoo): - https://theinvestmentcapm.com/uploads/½/2/6/122679606/houxuezhang2019rfs.pdf - https://dachxiu.chicagobooth.edu/download/ZOO.pdf (Taming the Factor Zoo)
Evaluation Frameworks: - https://arxiv.org/abs/2508.13174 (AlphaEval) - https://github.com/LeoDingggg/AlphaEval
End of Stage 1 + Stage 2 deliverable.