يشير التنقيب عن ألفا إلى اكتشاف منهجي لإشارات مدفوعة بالبيانات يمكنها التنبؤ بالعوائد المستقبلية عبر الشرائح الزمنية، وهو مهمة جوهرية في البحوث الكمية. في السنوات الأخيرة، أدى التقدم في النماذج اللغوية الكبيرة (LLM) إلى ظهور أُطُر التنقيب عن ألفا المعتمدة على LLM، والتي توفر مسارًا وسطًا مثاليًا بين التوجيه البشري وطرق التنقيب الآلي، مما يجمع بين الكفاءة والعمق الدلالي. تنطلق هذه الورقة من منظور وكيل ذكي لتقديم مراجعة منظمة للأنظمة الناشئة المبنية على LLM لتنقيب ألفا، كما تحلل الأدوار الوظيفية لـ LLM كمنقب ومقيم ومساعد تفاعلي. بالرغم من التقدم المبكر، لا تزال هناك تحديات رئيسية مثل تقييم الأداء المبسط، وفهم محدود للقيم العددية، وقلة التنوع والإبداع، وضعف الديناميكيات الاستكشافية، وتسرب بيانات زمنية، بالإضافة إلى مخاطر الصندوق الأسود وتحديات التوافق. بناء عليه، نرسم اتجاهات التطوير المستقبلية التي تشمل تحسين اتساق الاستدلال، وتوسيع الوضعيات البياناتية الجديدة، وإعادة النظر في حلول التقييم، ودمج LLM في أنظمة كمية أكثر شمولاً. تبين تحليلاتنا أن LLM، كواجهة قابلة للتوسع، يمكن أن تضخم المعرفة التخصصية المجال وتعزز صرامة الخوارزميات؛ فهي تعزز المعرفة الخبرية بتحويل الفرضيات النوعية إلى عوامل يمكن التحقق منها، وتعزز صرامة الخوارزميات من خلال دعم الاختبار السريع والاستدلال الدلالي. في هذا النموذج التكميلي، تندمج الحدس، والأتمتة، والاستدلال المعتمد على اللغة لتشكل معًا مستقبل البحث الكمي.

تنقيب ألفا;استثمار كمي;نماذج لغوية كبيرة (LLM);وكلاء LLM;التقنية المالية