MEME：中国金融市场演化模式建模，更优的盈利能力和稳定性

“MEME: Modeling the Evolutionary Modes of Financial Markets”

【 扫描文末二维码加入星球获取论文，源码 】

摘要

LLMs在量化金融有潜力，但现有方法多聚焦个股预测或投资组合分配，忽略市场变动底层原因。本文提出逻辑导向视角，将金融市场建模为投资叙事生态系统“思维模式”，并引入MEME模型。该模型通过多智能体提取模块转化数据，用高斯混合模型挖掘潜在共识，还实现时间评估和对齐机制追踪模式生命周期与盈利能力，确保投资组合构建基于可靠推理。2023-2025年对三个中国股票池的实验表明，MEME优于七个SOTA基线，消融、敏感性、生命周期案例和成本分析验证其识别和适应市场共识的能力。

简介

LLMs在量化金融领域应用渐广，其驱动的多智能体系统可处理非结构化数据辅助投资决策。当前LLM金融交易方法分两类，资产中心类侧重个股预测，市场中心类侧重资产配置，但均属面向对象范式，忽略市场变动背后逻辑。

本文提出从逻辑导向视角建模金融交易问题，认为市场是投资逻辑生态系统，但捕捉逻辑受数据噪声、逻辑噪声、信号稀疏及语义漂移等阻碍。

MEME通过多智能体提取模块处理数据，用高斯混合模型挖掘潜在共识，用时间评估和对齐机制处理逻辑噪声，引导投资组合构建。

实验结果显示，在沪深多个股票池实验，对比8个基线模型，MEME表现出更优盈利能力和稳定性，还进行消融、参数敏感性和时间外样本测试及案例研究验证框架有效性。

相关工作

以资产为中心的方法

本文方法与资产中心研究不同，从微观映射转向宏观推理。传统方法将资产视为独立单元，直接用特征映射价格变动；本文的MEME方法提取解释一组资产联动的潜在投资论点，过滤资产特定噪声以提高推理纯度。

本文框架差异：视角上，现有方法是面向对象，将股票池视为资产集合，本文是逻辑导向，视市场为潜在叙事的动态竞争；方法上，现有方法关注空间配置，本文关注时间演变，通过追踪投资逻辑的生命周期指导组合构建，而非依赖特定市场状态下的短暂相关性。

方法

MEME用于从多模态金融数据构建每日投资组合，采用逻辑导向，有别于传统方法。它将市场建模为投资叙事的演化生态系统，以N只股票T个交易日的原始日数据为输入，单只股票某天的数据含基本面、新闻、技术等多模态信息。其运作分三阶段：从多模态数据提取结构化投资论点；聚类论点并追踪其随时间的演变以识别潜在推理模式；评估各模式的历史盈利能力构建最终投资组合。

从噪声到结构

MEME初始阶段将非结构化、多模态金融数据转化为结构化的投资论点，以克服原始数据的结构混乱和高噪声问题。采用多智能体系统处理低信噪比，分两步实现：

信息过滤：各模态的过滤代理处理原始数据，提取相关信息。

论点生成：整合各模态过滤信息，生成器代理合成结构化投资论点，每个论点含方向立场、分析理由和支持证据，方向立场用 +1 或 -1 表示。

模式识别与对齐

先提取个体论点，识别并追踪其代表的潜在共识。因孤立论点信息少、用词多样且投资者关注点会变，先在语义空间对每日论点聚类以识别潜在推理模式，再跨日对齐模式以建模其时间演变。

模式识别：从争论到潜在共识

用高斯混合模型（GMM）对每日论点嵌入集建模论点间共享逻辑，因其能处理市场主题重叠问题，为每个论点分配各模式的隶属概率，比刚性分类更能捕捉市场共识。

为每日每个论点生成语义表示，将论点基本原理与证据拼接，用编码器 E 编码成 D 维向量。

对每日论点嵌入集合应用高斯混合模型（GMM），定义当日 K 个模式，每个模式为高斯分布，同时计算论点属于各模式的后验概率。

时间模式对齐：从快照到进化

为理解主题持久性，需跨时间连接识别模式，静态日分析因模式语义焦点会漂移而不足，可通过连接连续多天的相关模式解决。设 和 分别为第 t - 1 天和第 t 天的模式质心集，用线性分配算法求使匹配模式总语义漂移最小的排列 π ，以建立各模式的时间对应关系。

模式评价与组合构建

MEME 最后阶段评估各模式历史有效性，量化历史盈利能力，以该得分加权新信号生成未来投资组合股票排名。

交易日 t 收盘时评估 t - 1 日所有模式表现，给出股票一日远期超额回报公式。

计算论点实现得分、各模式每日聚合得分，用指数移动平均更新长期表现得分，确保表现连续性。

构建每日投资组合 Wt，计算新论点与既定模式的对齐概率，以此加权模式长期表现得出新论点预测得分。

汇总论点得分得到每只股票的综合信号，根据信号向量排名采用 top - K 策略构建次日开盘投资组合。

实验

实验设置

数据集：2023 Q4 - 2025 Q4 对 SSE 50、CSI 300、CSI 500 三个 A 股股票样本进行实验，期间涵盖多种市场风格转变。

性能指标：采用基于相关性（IC、ICIR 等）和基于投资组合（AR、MDD 等）两类指标评估 MEME 性能。

基线：将 MEME 与传统机器学习、深度学习、单资产和市场为中心的代理方法等多种基线对比。

实现细节：以 DeepSeek V3.1 为骨干大模型，Qwen3 Embedding - 8B 用于模式识别，设置相关参数，采用指数增强策略回测。

实验结果：2023 Q4 - 2025 Q3 实验表明，MEME 股票收益预测能力强，不同市场条件下稳定性更好。

结果

绘制沪深300完整回测曲线，图2显示MEME在多数回测期表现领先，在2024年初流动性危机和2025年4月贸易摩擦时低回撤，2025年中期牛市获良好回报，展现出较强稳健性。

数据泄漏问题的实验研究

为验证 MEME 有无数据泄露，对三个数据集用 2025 年 Q4 新数据做时间外样本测试，表 2 结果显示 MEME 性能优于所有基线，表明其有效性源于方法设计而非大语言模型训练语料污染。

消融分析

进行消融研究评估MEME各核心组件贡献。先以LLM直接处理原始数据作基线，性能最低，凸显结构化分析必要。引入SAG在小股票池有提升，在大股票池效果不佳。加入MOT（含确定性聚类）性能大幅提升，体现组织论点成推理模式的重要性。用PM替代确定性聚类进一步提升性能，证实对论点与思维模式模糊关系建模的好处。添加TA形成完整模型带来显著增益，验证对思维模式生命周期建模对生成预测信号的必要性。

参数灵敏度分析

研究了 MEME 对关键超参数（模式数量 K 和平滑因子 λ ）的敏感性，分析基于 CSI 300 进行。MEME 对两参数变化表现出鲁棒性，在较广取值范围内性能稳定。K 过小时性能下降，因会使不同概念的参数归为同一模式；λ 过大也损害性能，因其更看重模式长期历史表现，降低模型对思维模式预测能力近期变化的响应。

消耗时间分析

对比MEME与SOTA LLM基线日平均运行时间，MEME通过结构化参数提取过滤噪声、模式识别与对齐跨资产和交易日信息，降低LLM显式反思开销，实现更低计算成本。

案例分析

对 CSI 300 数据集进行案例研究，追踪各思维模式长期绩效得分 Perf，依不同市场制度下的持续有效性将模式分为四类，附录给出详细分类方法。

图 4 对四类模式进行时间分析，x 轴为交易日，y 轴为每日各类别绩效份额，各时段堆叠图高度和为 1。

可视化显示多数模式无效，有效模式组成随市场条件演变，熊市有效模式在 2024 年初危机中表现好，牛市有效模式在 2024 年末市场反弹中占主导，案例展示了 MEME 识别和追踪投资叙事有效性的能力，附录给出有效模式详细示例。

总结

本文介绍基于大语言模型的金融交易框架 MEME，其采用策略中心视角，挖掘、跟踪和评估不同投资逻辑的生命周期，相比竞品提升了性能与稳定性，在不同市场环境下展现出良好的稳健性和泛化能力。

我们致力于人工智能、量化交易领域前沿研究，分享前沿论文、模型代码、策略实现。如有相关需求，请私信与我们联系。

请加微信“LingDuTech163”，或公众号后台私信“联系方式”。

关注【灵度智能】公众号，获取更多AI资讯。