基于GFlowNet與AlphaEval的分鐘頻因子挖掘框架解析

GFlowNet在因子挖掘中的核心優勢與原理

生成流網絡（GFlowNet）作為一種新型生成模型，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。與強化學習不同，GFlowNet并非致力于尋找單一的“最優公式”，而是旨在挖掘“一群優秀的多元化公式”。這一特性高度契合多因子選股模型對低相關性、高多樣性Alpha池子的根本訴求。在探索機制上，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，發現不同流派的高收益因子，從而避免強化學習中常見的模式崩潰問題。相比之下，遺傳規劃缺乏對整個公式空間規律的理解，往往陷入局部最優，而GFlowNet利用深度學習模型的泛化能力，能夠“有腦子地學”，大大提升了在大空間搜索規律的效率。

在數學原理層面，GFlowNet的訓練目標是讓網絡中的流量分布滿足守恒定律。具體而言，對于任意中間狀態，流入的總流量必須等于流出的總流量；對于終止狀態，流入的總流量等于環境賦予的獎勵。實際訓練中采用更穩定的Trajectory Balance目標。狀態表示方面，動作歷史序列通過Transformer編碼，輔以當前深度、已用算子比例等手工特征。獎勵函數綜合了IC、多頭IR和Barra時序相關性懲罰項，以確保挖掘出的因子不僅預測能力強，且具備低相關性。

日頻數據挖掘的多層次特征構建

在日頻數據挖掘中，研究基于三組基礎特征分別進行挖掘：原始日頻K線、日頻K線衍生特征以及分鐘聚合日頻特征。原始日頻K線直接基于OHLCV/VWAP組合，挖掘出的因子IC均值中位數較高，且因子長度和復雜度控制在較小水平，具有一定的可解釋意義。日頻K線衍生特征則是人工結構化后的相對量價特征，雖然IC均值中位數略低，但最大值表現突出。分鐘聚合日頻特征雖來源于分鐘數據，但已預計算成日頻特征，其挖掘出的因子在多頭年化超額表現上較為穩健。

各因子集的相關性中位數均在15%以下，截面和時序相關性較低，這意味著后續進行因子合成時增益會比較明顯。因子復雜度方面，平均表達式長度較短，較長的因子占比不高，表明挖掘出的因子結構簡潔，避免了過度擬合的風險。通過引入多頭超額獎勵與Barra相關性懲罰，有效解決了單純以因子IC作為挖掘目標時可能出現的多頭超額較差及風險因子暴露較高的問題。

分鐘頻數據快速計算框架與增量價值

分鐘頻數據的計算面臨巨大的內存瓶頸，無法將所有分鐘特征全部讀入內存。為此，研究引入了MemMap機制，通過操作系統的虛擬內存按需訪問數據。普通讀取流程涉及磁盤到用戶態內存的反序列化，而MemMap機制將數據映射到進程虛擬內存，像numpy數組一樣按需訪問，實現了少反序列化、按需加載、共享page cache以及適合并行切片等優勢。

在計算框架上，一個完整公式被拆分為日內block和日頻tree兩段。日內block包含分鐘算子、mask算子和聚合算子，計算后進入LRU持久化block cache。隨著訓練后期重復結構增多，計算速度顯著提升。并行方式按年份和股票切片進行多進程計算，numba kernel負責單線程計算，loky負責多進程并行。基于分鐘頻特征挖掘出的因子，雖然平均長度相對較長，可解釋性稍弱，但其IC均值中位數和多頭年化超額表現良好。

將分鐘頻因子與日頻因子利用LGBM模型進行合成，結果顯示分鐘信號的引入在一定程度上提高了多空收益的表現。盡管當前分鐘頻有效因子挖掘數量相對較少，導致RankIC和多頭超額提升幅度有限，但分鐘數據提供的日內路徑信息確實為日頻信號帶來了增量價值。

AlphaEval多維度因子篩選與策略融合

AlphaEval框架從預測能力、時序穩定性、擾動魯棒性、金融邏輯性、多樣性五個角度對因子進行篩選。在多樣性篩選中，利用DPP（行列式點過程）方式最大化所選子集相關矩陣的log-determinant，從而篩選出低冗余、信息空間大的因子集。實驗表明，通過DPP篩選出的因子集，利用LGBM模型合成后，多頭超額和多空表現最佳。

在其他角度篩選中，PPS預測能力篩選和金融邏輯性篩選在收益端沒有帶來明顯提升，但RRE秩穩定性篩選可有效降低因子換手率，提升策略的穩定性。將篩選后的因子與現有AI模型融合后，在滬深300、中證500和中證1000三個寬基指數上均實現了穩定的正超額收益。其中，滬深300指數增強表現較為亮眼，中證1000指數增強表現尚可，中證500指數增強歷史超額收益顯著。這一結果表明，結合GFlowNet的多樣化挖掘能力與AlphaEval的多維度篩選機制，能夠有效構建穩健的多因子選股模型。