A mineração de alfa refere-se à descoberta sistemática de sinais orientados por dados capazes de prever retornos futuros em seções transversais, sendo uma tarefa central na pesquisa quantitativa. Nos últimos anos, os avanços dos grandes modelos de linguagem (LLM) geraram estruturas de mineração de alfa baseadas em LLM, que oferecem um caminho intermediário ideal entre a orientação humana e os métodos automáticos de mineração, combinando eficiência e profundidade semântica. Este artigo adota uma perspectiva de agente para realizar uma revisão estruturada dos sistemas emergentes de mineração de alfa baseados em LLM e analisa o papel funcional dos LLM como mineradores, avaliadores e assistentes interativos. Apesar dos progressos iniciais, ainda existem desafios chave que incluem avaliações simplificadas de desempenho, capacidades limitadas de compreensão numérica, falta de diversidade e originalidade, dinâmica fraca de exploração, vazamento de dados temporais, bem como riscos de caixa preta e desafios de conformidade. Com base nisso, delineamos direções futuras de desenvolvimento que incluem melhorar a consistência do raciocínio, expandir para novas modalidades de dados, reavaliar esquemas de avaliação e integrar LLM em sistemas quantitativos mais gerais. Nossa análise mostra que os LLM, como interfaces escaláveis, podem tanto ampliar o conhecimento especializado do domínio quanto aumentar a rigorosidade algorítmica, ou seja, ao transformar hipóteses qualitativas em fatores verificáveis para fortalecer o conhecimento do domínio, enquanto apoiam o backtesting rápido e o raciocínio semântico para melhorar a rigorosidade algorítmica. Nesse paradigma complementar, intuição, automação e raciocínio baseado em linguagem se fundem para remodelar conjuntamente o futuro da pesquisa quantitativa.

mineração de alfa; investimento quantitativo; grandes modelos de linguagem (LLM); agentes LLM; fintech