GFlowNet相比傳統強化學習與遺傳規劃在因子挖掘中的具體優勢體現在哪些方面？

GFlowNet由深度學習先驅Yoshua Bengio團隊提出，其核心思想是將對象的生成過程建模為圖網絡中的“水流”過程。與強化學習旨在尋找單一最優解不同，GFlowNet旨在挖掘“一群優秀的多元化公式”，這極其契合多因子選股模型對低相關性、高多樣性Alpha池子的需求。

相較于強化學習，GFlowNet在探索機制上具有顯著優勢。強化學習容易陷入模式崩潰，一旦找到幾個極高收益的因子，策略就會收斂，反復生成相似公式，導致因子高度同質化、特征重疊嚴重。而GFlowNet天生具備極強的多樣性保證，能夠廣泛探索整個公式空間，挖掘出的因子結構多樣、相關性低，非常適合直接構建多因子組合。在batch內相關性水平上，強化學習的新生成因子對之間相關性中位數急速上升，而GFlowNet則保持穩定。

相較于遺傳規劃，GFlowNet在底層驅動力和搜索效率上更具優勢。遺傳規劃基于隨機變異和交叉，缺乏對公式空間規律的理解，往往在局部試錯，效率極低且易陷入局部最優。GFlowNet則利用神經網絡的泛化能力，能夠“學習”到哪些公式子結構更容易產生高收益。它通過觀察走過的軌跡構建全局概率圖，具有明確的方向感和泛化性。此外，神經網絡權重記錄了所有見過的結構化信息，能夠更聰明地在有希望的子空間進行探索，而遺傳規劃在優秀公式被淘汰后需長時間才能再次演化。

在模型結構上，GFlowNet的訓練目標是使網絡中的流量分布滿足守恒定律，即中間狀態的流入流量等于流出流量，終止狀態的流入流量等于獎勵。實際訓練中采用Trajectory Balance目標，通過前向策略采樣軌跡，計算獎勵并更新網絡。狀態表示結合Transformer編碼動作歷史序列與手工特征，獎勵函數綜合IC、多頭IR及Barra相關性懲罰，從而確保挖掘出的因子既具備預測能力，又保持低相關性。