يشير التنقيب عن ألفا إلى الاكتشاف النظامي لإشارات مدفوعة بالبيانات يمكنها التنبؤ بعوائد القطاع المستقبلي، وهو مهمة أساسية في البحث الكمي. في السنوات الأخيرة، أدت التطورات في النماذج اللغوية الكبيرة (LLM) إلى ظهور أُطُر تعتمد على LLM للتنقيب عن ألفا، والتي توفر مسارًا وسطًا مثاليًا بين التوجيه البشري وطرق التنقيب الآلية، مما يجمع بين الكفاءة والعمق الدلالي. تنطلق هذه الورقة من منظور الوكيل لمراجعة منظمة للأنظمة الناشئة القائمة على LLM للتنقيب عن ألفا، وتحليل دور LLM الوظيفي كمُنقِّب، ومُقيِّم، ومساعد تفاعلي. على الرغم من التقدم الأولي، لا تزال هناك تحديات رئيسية تشمل تقييم الأداء المبسط، وقدرات محدودة على فهم الأرقام، ونقص في التنوع والأصالة، وضعف في ديناميكيات الاستكشاف، وتسرب بيانات الوقت، بالإضافة إلى مخاطر الصندوق الأسود وتحديات الامتثال. بناءً على ذلك، نرسم اتجاهات التطوير المستقبلية التي تشمل تحسين اتساق الاستدلال، وتوسيع إلى أنماط بيانات جديدة، وإعادة النظر في خطط التقييم، ودمج LLM في أنظمة كمية أكثر عمومية. تُظهر تحليلاتنا أن LLM كواجهة قابلة للتوسع يمكنها تكبير المعرفة التخصصية للمجال وتعزيز الصرامة الخوارزمية، أي من خلال تحويل الفرضيات النوعية إلى عوامل قابلة للتحقق وتقوية المعرفة التخصصية للمجال، وفي نفس الوقت تحسين الصرامة الخوارزمية بدعم الاختبار السريع والاستدلال الدلالي. في هذا النمط التكميلي، يندمج الحدس، والأتمتة، والاستدلال القائم على اللغة لتشكيل مستقبل البحث الكمي من جديد.

التنقيب عن ألفا;الاستثمار الكمي;النماذج اللغوية الكبيرة (LLM);وكلاء LLM;التكنولوجيا المالية