EVOQUANT：用于鲁棒量化交易的自进化验证者引导策略优化

量化策略优化通常依赖人工，效率低下且易出错。大语言模型虽能加速该过程，但直接应用常导致幻觉编辑和过拟合。本文提出 EVOQUANT，一种用于量化交易的自进化验证者引导框架。该方法利用 LLM 深度诊断性能瓶颈，生成语义受控的候选 edits，通过多阶段验证流水线选择最优策略，并将优化经验蒸馏为可复用知识以实现持续自我改进。实验表明，该方法显著提升了多种策略的夏普比率，将量化策略优化从昂贵的人工试错转化为自动化、可验证的迭代范式。