EVOQUANT：基于自演化验证器引导的量化交易策略优化框架

核心贡献：解决 LLM 在量化策略优化中的可信性瓶颈

EVOQUANT 并非简单调用 LLM 重写策略代码，而是构建「诊断—生成—验证—蒸馏」四阶段闭环：LLM 深度分析策略性能瓶颈（如特定市场周期下的最大回撤源），生成语义受控的候选修改（例如仅调整止盈逻辑而不变更仓位模型），再经多阶段验证管道（含模拟交易一致性检验、风险指标鲁棒性评估、跨周期泛化性测试）筛选最优版本，最终将成功优化模式以结构化知识形式蒸馏为可复用的优化规则库，支撑持续自演化。

实证效果：跨资产类别稳健增益

• 测试覆盖 A 股市场（中证500择时、沪深300动量、行业轮动、高频价量）与 加密货币市场（BTC/USDT 均值回归、ETH/USDT 波动率套利、稳定币息差套利）共 7 类代表性策略；
• 关键指标：平均测试期 Sharpe ratio 从 -0.298 提升至 0.538（Δ = +0.836），最优策略相对提升达 199%；
• 消融实验验证各模块必要性：移除验证器模块导致 Sharpe 下降 42.7%，禁用知识蒸馏使后续迭代优化效率衰减 68%。

方法论定位：强化学习与 LLM 协同的新范式

该工作发表于 arXiv:2607.12455v1，将 LLM 视为策略空间的智能探索器（explorer），而验证器（verifier）承担策略演化的 critic 与 reward shaping 角色，本质是 LLM-Augmented RL for Algorithmic Trading —— 区别于端到端微调或提示工程，强调可解释、可审计、可累积的策略进化路径。