Resumen Técnico: EVOQUANT

Planteamiento del Problema

La optimización de estrategias cuantitativas es tradicionalmente un proceso manual y laborioso que requiere expertos en el dominio para identificar señales débiles, ajustar controles de riesgo e iterar la validación de las revisiones. Aunque los Modelos de Lenguaje de Gran Escala (LLMs) ofrecen el potencial de acelerar este ciclo, la aplicación directa de LLMs de propósito general a estrategias de trading introduce riesgos críticos: ediciones con alucinaciones, deriva de la estrategia (strategy drift) y un severo sobreajuste de backtesting (backtest overfitting). Los enfoques existentes suelen carecer de explicaciones causales transparentes para los cambios propuestos o no logran distinguir entre el refinamiento genuino de la señal y el sesgo de selección entre muchos grados de libertad. El desafío central no es simplemente generar estrategias, sino mejorarlas bajo un protocolo que registre, verifique y rechace rigurosamente las ediciones inseguras.

Metodología: Marco de Trabajo EVOQUANT

EVOQUANT (Optimización de Estrategias de Evolución Guiada por Verificador) replantea la mejora de estrategias cuantitativas como un problema de evolución de programas guiada por un verificador. El sistema opera como un proceso científico de ciclo cerrado compuesto por cuatro módulos:

1. Ingesta y Representación de la Estrategia

El sistema normaliza las estrategias proporcionadas por el usuario (código o texto de reglas) en un genoma de estrategia tipado. Esta representación intermedia ($g$) analiza la lógica bruta en un Árbol de Sintaxis Abstracta (AST) y etiqueta la semántica de trading (señales, condiciones de entrada/salida, reglas de riesgo, dimensionamiento de posición). El genoma se factoriza en capas editables e incluye metadatos de procedencia ($\xi$) para rastrear el historial de mutación y la familia de la estrategia. Esta estructura asegura que todas las ediciones posteriores sean localizadas, ejecutables y con deriva controlada.

2. Evaluación de Línea Base y Construcción de Evidencia

Antes de la optimización, el sistema construye un paquete de evidencia cronológico ($E_t$) mediante el backtesting del genoma incumbente a través de conjuntos de entrenamiento, validación y prueba. Este paquete incluye:

• Métricas Escalares: Retorno, ratio de Sharpe, drawdown máximo (MDD), conteo de operaciones y tasa de acierto.
• Perfiles de Comportamiento: Dispersión de operaciones, distribuciones de periodos de retención y concentración de retornos.
• Sensibilidad al Régimen: Rendimiento de la estrategia a través de diferentes regímenes de mercado.
• Diagnósticos de Riesgo: Degradación fuera de la muestra (OOS) ($\delta_{oos}$) y fenómenos de riesgo anormales (por ejemplo, activación excesiva de stop-loss).

3. Ciclo de Optimización Diagnóstico-Generativo

Este módulo central itera a través del diagnóstico, la generación y la verificación:

• Diagnóstico de Cuellos de Botella: Un agente basado en LLM analiza el paquete de evidencia para identificar modos de falla específicos (por ejemplo, desajuste de régimen, truncamiento de alfa). Genera un plan de búsqueda ($p_t$) que define el objetivo, el nivel de búsqueda (desde reparación local hasta migración de familia) y los operadores permitidos.
• Generación Controlada de Candidatos: Guiado por el plan de búsqueda y casos de memoria recuperados, el LLM genera un plan de edición ($\Delta_{t,i}$). Los candidatos deben satisfacer un contrato de edición tipado, asegurando que la deriva semántica ($d_G$) permanezca dentro de los límites y que los invariantes financieros se preserven. Las ediciones van desde el ajuste de parámetros hasta la reconstrucción estructural.
• Verificación y Promoción Consciente de OOS: Un verificador evalúa los candidatos en paralelo con el incumbente utilizando puertas estrictas (conteo mínimo de operaciones, límites de drawdown OOS, restricciones de deriva). Los candidatos que pasan las puertas son clasificados por una puntuación ($Q$) que equilibra la mejora de la validación frente al rendimiento OOS y las penalizaciones por expansión de drawdown o fallos en pruebas de estrés.
• Promoción Adaptativa: El sistema asigna los candidatos a ADOPT (reemplazar al incumbente), INCUBATE (almacenar para referencia futura) o REJECT (rechazar). Un módulo de memoria integrado destila patrones exitosos y razones de falla en una base de conocimiento reutilizable, permitiendo la auto-mejora continua y evitando la repetición de ediciones improductivas.

4. Refinamiento Iterativo y Salida

El ciclo continúa hasta que se agota el presupuesto o se alcanza la convergencia. La salida final incluye el código de la estrategia optimizada, un informe exhaustivo de pre/post backtest y un rastro de auditoría completo de diagnósticos, planes de edición y decisiones de promoción.

Contribuciones Clave

1. Evolución de Estrategias Restringida por Evidencia: El artículo formula la optimización automatizada como una evolución de programas restringida donde las estrategias se representan como "genomas de trading" estructurados. Esto permite ediciones localizadas y ejecutables con procedencia preservada, yendo más allá de la búsqueda generativa sin restricciones.
2. Protocolo de Optimización Guiado por Verificador: Introduce un ciclo unificado y auditable donde los LLMs gestionan el diagnóstico de modos de falla y la síntesis jerárquica de candidatos, mientras que un verificador consciente de fuera de la muestra y un motor de promoción adaptativa imponen estándares rigurosos de seguridad y robustez.
3. Evaluación Transversal de Largo Alcance en Diversos Mercados: El marco es validado empíricamente en diversas clases de activos (acciones A-share y Bitcoin) y familias de estrategias, utilizando comparaciones antes-después, ablaciones de componentes, pruebas de estrés de costos de transacción y validación de avance (walk-forward).

Resultados Experimentales

El marco fue evaluado en siete estrategias representativas (cuatro de acciones A-share, tres de Crypto) utilizando datos de 2020 a 2025.

• Ganancias de Rendimiento: El ratio de Sharpe promedio de la prueba mejoró significativamente de −0.298 a 0.538. La mejor estrategia logró una mejora relativa del 199%.
• Robustez: Bajo supuestos de duplicación de costos de transacción y deslizamiento (slippage), la mejora media del Sharpe se mantuvo positiva (0.700). Las pruebas de avance con diferentes ventanas rodantes confirmaron que las ganancias de rendimiento no colapsaron, aunque las magnitudes variaron.
• Estudios de Ablación: Eliminar el motor de promoción adaptativa redujo la mejora del Sharpe de 0.982 a 0.128, demostrando que la selección adaptativa es un habilitador central. Los modelos de base de mutación aleatoria lograron menores ganancias (0.645) y fueron más propensos a la deriva de la estrategia, confirmando la necesidad de la búsqueda guiada por diagnóstico.
• Adaptabilidad al Mercado: El sistema logró mejorar estrategias tanto en mercados de renta variable de baja volatilidad como en mercados cripto de alta volatilidad, reduciendo los drawdowns en estrategias de Bitcoin mientras aumentaba los retornos en estrategias de acciones A-share.

Significado y Reivindicaciones

El artículo afirma transformar la optimización de estrategias cuantitativas de un proceso manual de ensayo y error costoso en un paradigma automatizado, verificable e iterativo.

• Fiabilidad sobre Generación: El trabajo enfatiza que el valor de los LLMs en finanzas no reside en generar código fluido, sino en fundamentar las ediciones en backtests cronológicos, verificaciones de cobertura de operaciones y promoción sensible al riesgo.
• Auditabilidad: Al registrar explícitamente los candidatos rechazados y las razones de falla, EVOQUANT aborda la naturaleza de "caja negra" de los agentes de trading de LLM, proporcionando un rastro de auditoría transparente para la evolución de la estrategia.
• Proceso Científico: El marco trata la optimización como un ciclo científico de hipótesis, validación y revisión, mitigando el data snooping y el sobreajuste de backtest mediante una rigurosa verificación fuera de la muestra.

Los autores posicionan este trabajo como un paso hacia la aplicación de los LLM a la investigación financiera, señalando explícitamente que el sistema es un prototipo de investigación evaluado en datos históricos y supuestos de ejecución simplificados, no una recomendación de trading en vivo.