Alpha-R1: Alpha Screening with LLM Reasoning via Reinforcement Learning

📄 arXiv: 2512.23515v1 📥 PDF

作者: Zuoyou Jiang, Li Zhao, Rui Sun, Ruohan Sun, Zhongjian Li, Jing Li, Daxin Jiang, Zuo Bai, Cheng Hua

分类: q-fin.TR, cs.AI, cs.CE, cs.LG

发布日期: 2025-12-29

🔗 代码/项目: GITHUB

💡 一句话要点

提出Alpha-R1，利用强化学习训练LLM进行上下文感知的Alpha筛选，提升投资策略的鲁棒性。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 量化投资 因子筛选 大型语言模型 强化学习 上下文感知

📋 核心要点

  1. 传统量化投资方法依赖历史数据，难以应对市场环境变化带来的信号衰减和机制转变。
  2. Alpha-R1利用强化学习训练LLM，使其能够基于因子逻辑和实时新闻进行经济推理，从而进行上下文感知的alpha筛选。
  3. 实验结果表明，Alpha-R1在多个资产池中始终优于基准策略，并对alpha衰减具有更强的鲁棒性。

📝 摘要（中文）

非平稳市场中，信号衰减和机制转变对数据驱动的投资策略提出了持续的挑战。传统的时序和机器学习方法主要依赖历史相关性，难以在经济环境变化时泛化。大型语言模型(LLM)在处理非结构化信息方面表现出强大的能力，但其通过显式经济推理来支持量化因子筛选的潜力尚未得到充分探索。现有的基于因子的方法通常将alphas简化为数值时间序列，忽略了决定因子在经济上何时相关的语义原理。我们提出了Alpha-R1，一个通过强化学习训练的80亿参数推理模型，用于上下文感知的alpha筛选。Alpha-R1基于因子逻辑和实时新闻进行推理，以评估不断变化的市场条件下的alpha相关性，并根据上下文一致性选择性地激活或停用因子。跨多个资产池的经验结果表明，Alpha-R1始终优于基准策略，并表现出对alpha衰减的改进的鲁棒性。完整的实现和资源可在https://github.com/FinStep-AI/Alpha-R1获得。

🔬 方法详解

问题定义：论文旨在解决量化投资中因子筛选的鲁棒性问题。现有方法，如传统的时序模型和机器学习模型，依赖于历史数据之间的相关性，当市场环境发生变化时，这些相关性可能失效，导致投资策略的性能下降。此外，现有方法通常将alpha因子简化为数值时间序列，忽略了其背后的经济逻辑和上下文信息，无法根据市场环境的变化动态调整因子。

核心思路：论文的核心思路是利用大型语言模型（LLM）的推理能力，结合强化学习，训练一个能够理解经济逻辑和市场上下文的智能体，从而进行上下文感知的alpha筛选。通过让LLM学习在不同的市场条件下，哪些因子是相关的，哪些因子是不相关的，可以提高投资策略的鲁棒性和适应性。

技术框架：Alpha-R1的整体框架包括以下几个主要模块：1)因子逻辑和实时新闻输入模块：该模块负责收集和处理因子逻辑描述和实时新闻数据，将其转化为LLM可以理解的格式。2)LLM推理模块：该模块使用一个80亿参数的LLM，基于因子逻辑和实时新闻进行推理，评估当前市场条件下各个alpha因子的相关性。3)强化学习训练模块：该模块使用强化学习算法，训练LLM的推理能力，使其能够根据市场反馈动态调整因子选择策略。4)投资组合构建模块：该模块根据LLM的推理结果，选择合适的alpha因子，构建投资组合。

关键创新：Alpha-R1的关键创新在于将LLM的推理能力与强化学习相结合，用于上下文感知的alpha筛选。与现有方法相比，Alpha-R1能够理解因子背后的经济逻辑，并根据市场环境的变化动态调整因子选择策略，从而提高投资策略的鲁棒性和适应性。此外，Alpha-R1还利用实时新闻数据，捕捉市场情绪和突发事件，进一步提高因子筛选的准确性。

关键设计：Alpha-R1的关键设计包括：1)使用80亿参数的LLM，保证模型的推理能力。2)使用强化学习算法，训练LLM的推理能力，使其能够根据市场反馈动态调整因子选择策略。3)设计合适的奖励函数，引导LLM学习选择能够带来更高回报的alpha因子。4)使用实时新闻数据，捕捉市场情绪和突发事件，提高因子筛选的准确性。具体参数设置和网络结构细节未在摘要中详细说明，需要参考论文全文。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

Alpha-R1在多个资产池上的实验结果表明，其性能始终优于基准策略，并且对alpha衰减具有更强的鲁棒性。具体的性能数据和提升幅度需要在论文全文中查找。该结果表明，利用LLM进行上下文感知的alpha筛选是有效的，可以提高投资策略的稳定性和盈利能力。

🎯 应用场景

Alpha-R1可应用于量化投资领域，帮助投资者构建更鲁棒、适应性更强的投资策略。通过利用LLM的推理能力，Alpha-R1能够理解市场环境的变化，动态调整因子选择，从而提高投资组合的收益和风险调整后收益。该研究的成果还可以推广到其他需要进行复杂推理和决策的领域，如风险管理、信用评估等。

📄 摘要（原文）

Signal decay and regime shifts pose recurring challenges for data-driven investment strategies in non-stationary markets. Conventional time-series and machine learning approaches, which rely primarily on historical correlations, often struggle to generalize when the economic environment changes. While large language models (LLMs) offer strong capabilities for processing unstructured information, their potential to support quantitative factor screening through explicit economic reasoning remains underexplored. Existing factor-based methods typically reduce alphas to numerical time series, overlooking the semantic rationale that determines when a factor is economically relevant. We propose Alpha-R1, an 8B-parameter reasoning model trained via reinforcement learning for context-aware alpha screening. Alpha-R1 reasons over factor logic and real-time news to evaluate alpha relevance under changing market conditions, selectively activating or deactivating factors based on contextual consistency. Empirical results across multiple asset pools show that Alpha-R1 consistently outperforms benchmark strategies and exhibits improved robustness to alpha decay. The full implementation and resources are available at https://github.com/FinStep-AI/Alpha-R1.