📰 研报摘要
查看全文 ➔本次分享聚焦于一种基于 GFlowNet 的量化因子挖掘框架，旨在解决传统强化学习在因子挖掘中易出现的“模式崩溃”问题，通过遍历搜索空间提升因子的多样性与低相关性。该框架将因子生成过程建模为图网络中的水流过程，以 IC 绝对值为基础，并引入多头信息比率系数及 Beta 风格相关性惩罚项作为奖励函数。在数据处理上，框架涵盖日频 K 线、衍生特征及分钟频聚合特征，并构建了基于内存映射（mmap）和共享页缓存的分钟级快速计算框架以提升效率。在因子筛选方面，研究对比了 DPP 算法和收益率相关性筛选，结论认为在因子数量约 1000 个时，直接利用 LGBM 或线性回归进行合成的效果优于预筛选。策略回测显示，该框架在沪深 300 指数上的表现最优，2021 年后具有较显著的超额收益。