LLM 清理金融网络噪音，量化回测夏普比率升至 0.82

iblanco_finance · x · 2026-08-05

一篇 arXiv 论文提出了一种两阶段框架：先基于 10-K 文件构建公司关系网络，再用大语言模型（LLM）过滤掉仅有文本相似度但缺乏实际经济关联的“伪边”。

在 2011-2019 年的标普 500 成分股回测中，使用 LLM 清理网络后，配对均值回归交易策略的夏普比率从 0.74 提升至 0.82，最大回撤从 -10.5% 降至 -7.9%。博主指出，这种提升幅度对于因子优化来说非常健康，LLM 在量化中的正确用法是“清洗输入数据”而非凭空生成交易信号。