基于 GFlowNet 的低相关性量价因子挖掘策略分享纪要

会议纪要 数据与宏观 / 策略观点笔记
🔒
登录解锁完整投研深度报告与行情联动： 免费查阅完整机构研报原件、音频转写、五维画像模型与异动监控
立即登录 / 免费注册 ➔

📰 研报摘要

查看全文 ➔

摘要： 本次会议由国电金融工程研究组分享，重点介绍了一种基于 GFlowNet 的量价因子挖掘框架。该框架旨在通过多样化采样生成低相关性的因子，解决传统强化学习（RL）在因子挖掘中容易出现的“模式崩溃”及因子相关性过高的问题。

核心观点：

  1. GFlowNet 机制优势：不同于强化学习追求单一最优解，GFlowNet 的目标是学习对象的分布，使生成对象的概率与奖励成正比，因此天然具备更强的多样性，能够广泛探索公式空间并挖掘低相关性信息。
  2. 技术实现路径：将因子表达式的构建过程映射为有向无环图（DAG），通过神经网络学习前向策略，并采用基于轨迹（Trajectory-based）的训练方法优化流量分布。
  3. 实证效果：在全 A 股双周频数据上验证，挖掘出的因子在样本外（测试集）表现良好，且因子间相关性较低（均值与中位数在 20% 以下），能够为现有的 AI 模型（如 GRU 等）提供有效的增量信息。

局限性/风险：
目前的训练目标主要基于 IC 值，导致挖掘出的因子与部分 AI 模型的效果较为接近，增量提升有限。未来计划通过改进奖励函数（如将与现有模型的低相关性作为奖励）来进一步增强因子的有效性。