LLM-MCTS框架如何解决传统因子挖掘中效率与可解释性的矛盾？

LLM-MCTS框架通过将因子挖掘过程分解为搜索控制、语义生成和数据评测三个层次，有效解决了传统因子研究的效率与可解释性矛盾。首先，MCTS作为控制层，负责管理搜索树、分配搜索预算并决定路径切换。它利用蒙特卡洛树搜索算法，通过选择、扩展、评测和回传四个步骤，在巨大的公式空间中高效寻找潜在优质因子。MCTS使用基于预测强度、稳定性、覆盖率、换手友好度、多样性和过拟合惩罚的综合奖励分数（mcts_reward）来评估候选因子，并通过UCT算法平衡对已知高分分支的利用和对未充分探索分支的试探，避免搜索陷入局部最优。 其次，LLM作为生成与审查层，负责将金融逻辑转化为候选公式。在每次扩展节点时，LLM读取父节点公式、根节点逻辑、当前评测弱项、历史搜索路径及可用算子边界，生成带有明确金融假说、预期方向、适用场景及组件解释的新公式。LLM还承担逻辑审查职责，过滤掉不自洽、使用非法字段或偏离根节点大逻辑的候选，确保生成的因子具备经济学解释能力。 最后，数据评测层负责用真实历史数据检验候选因子的有效性。候选因子必须通过逻辑审查和公式解析后，才能进入回测环节，计算RankIC、RankIR等指标。评测结果转化为奖励分数回传给MCTS，指导下一轮搜索。这种闭环机制使得因子挖掘不再是纯粹的黑箱生成或机械模板枚举，而是一个由金融假说、搜索控制和实证反馈共同驱动的迭代过程，既提高了研究效率，又保证了因子的可解释性和稳健性。