arXiv · cs.AI· Haolin Yang, Zhiqiang Qian, Chutian Chen, Jipeng Zhang, Tangjia Deng, Jian Xie, Shuaishuai Gong, Sirui Han, Yike Guo·· 8 小时前
EvoQuantLab：面向可审计量化研究的无需训练双循环因子发现框架
EvoQuantLab: Training-Free Dual-Loop Evolution for Auditable Quantitative Research
arXiv:2610.17130v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Haolin Yang, Zhiqiang Qian, Chutian Chen, Jipeng Zhang, Tangjia Deng, Jian Xie, Shuaishuai Gong, Sirui Han, Yike Guo
研究任务与主要进展
EvoQuantLab 提出无需训练的双循环量化因子发现框架：遗传编程内环演化受结构和多样性约束的类型化因子表达式，诊断外环跨周期审计证据并改进研究协议。论文摘要称，其多指标验证流程用于过滤虚假因子；在日频中证500和标普500任务中，年化收益分别为18.34%和21.30%，在小时级高换手加密货币数据中为37.91%，但材料仅提供摘要，未说明交易成本、基准细节和完整实验条件。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org