主要观点：
　　本篇是学海拾珠系列第二百七十五篇，文章基于传统进化算法语义缺失、现有LLM方案缺乏迭代反馈的双重局限，从框架设计与实证逻辑出发，探索将LLM语义理解能力嵌入进化搜索过程是否能实现高质量Alpha因子的自动化发现。
　　研究背景与动机
　　运用现有大语言模型进行量化因子挖掘能够理解算子的经济含义并生成语义合理的因子表达式，从而改善候选质量。本文由此提出一种有语义引导的定向搜索，以LLM替代随机变异算子，并将回测反馈闭环注入每轮迭代因子生成过程，实现有语义引导、可持续进化的Alpha因子自动发现。
　　LLM引导下的搜索机制能够在有限轮次内高效定位高质量因子
　　该模型是有语义引导的定向搜索：LLM在生成新候选之前，已经读取了当前最优因子的内容和绩效，因此生成的候选在金融逻辑上更合理，无效输出比例下降，每一轮的搜索效率远高于盲目随机。从Alpha158的38个种子因子出发，经15轮迭代后样本内IC从0.010提升至0.040，ICIR翻倍至0.24，证明该搜索机制能够在有限轮次内高效定位高质量因子。
　　在因子生成阶段引入LLM进化搜索能显著提升稀疏组合实盘绩效
　　在稀疏投资组合优化任务中，部署的两个大模型在美国50股、恒生45股、沪深300三个市场的累积财富均优于全部对比方，同时夏普比率同样领先所有基准。
　　文献来源
　　核心内容摘选自Yihong Wu, Chengcan Lou, Jiayuan Zhan等于2026年发布在ICASSP上的文章《EvoAlpha: An LLM-EnhancedEvolutionary Framework for Formulaic Alpha Mining》。
　　风险提示
　　文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。