摘要
遗传编程在量化金融领域被广泛用于寻找能够预测资产回报的规律性阿尔法因子。然而，遗传编程往往会产生过于复杂的表达式，这些表达式不仅难以理解，其计算成本也很高。本文提出了一种基于大型语言模型的剪枝框架，该框架能够对遗传编程生成的表达式树进行审查，利用大型语言模型作为语义审查器，根据结构复杂度和上下文推理来识别出冗余或不符合金融逻辑的分支。所提出的方法被构建为一个闭环的触发–评估–决策–执行流程。我们给出了数学公式、算法设计以及示例，展示了如何在保持预测性能的同时简化冗余的嵌套函数。使用DeepSeek-V4-Flash作为语义引擎，针对高频加密货币市场数据进行的实验表明，经过剪枝后的符号因子的表达式复杂性更低，且基于评分标准的可解释性更高。在所测试的条件下，经过大型语言模型剪枝后的配置具有更高的信息比率，其表达式树也比遗传编程的基准方案更为简洁。
