> **来源：[研报客](https://pc.yanbaoke.cn)** # 金融工程组：基于 GFlowNet 和 AlphaEval 的分钟频因子挖掘筛选框架总结 ## 核心内容概述 本报告介绍了一种基于 GFlowNet 和 AlphaEval 的分钟频因子挖掘与筛选框架，旨在通过深度学习模型和多维度评估体系，挖掘具有低相关性、高多样性的 Alpha 因子，提升多因子选股模型的性能。该框架结合了 GFlowNet 的生成能力与 AlphaEval 的综合评估机制，实现了因子的高效挖掘和筛选，并与现有 AI 模型融合，实现了对宽基指数的增强效果。 ## 主要观点 1. **GFlowNet 优势**： - GFlowNet 是一种生成模型，不同于强化学习（RL）和遗传规划（GP），其核心在于模拟“水流”过程，能够有效探索公式空间并保证因子的多样性。 - 相较于 RL，GFlowNet 不易出现模式崩溃，且因子相关性低，适合构建多因子组合。 - 相较于 GP，GFlowNet 通过神经网络的泛化能力，提高了搜索效率，减少了局部最优解的问题。 2. **分钟频数据处理与计算框架**： - 面对内存瓶颈，引入了 MemMap 机制，实现按需访问，提升计算效率。 - 分钟频数据通过一系列算子处理，包括分钟算子、mask 算子、聚合算子，最终转化为日频因子。 - 分钟频因子挖掘共筛选出 32 个有效因子，其 IC 均值中位数为 3.19%，多头年化超额中位数为 4.21%。 3. **AlphaEval 筛选机制**： - AlphaEval 从五个维度对因子进行筛选：预测能力、时序稳定性、扰动鲁棒性、金融逻辑性、多样性。 - 多样性筛选采用 DPP（Determinantal Point Process）和时序相关性筛选，得到 800 个因子，并通过 LGBM 模型合成，表现最优。 - 其他角度筛选（如预测能力、秩稳定性、金融逻辑性）对收益端提升不明显，但秩稳定性（RRE）筛选能有效降低换手率。 4. **因子合成效果**： - 在沪深 300、中证 500 和中证 1000 等宽基指数上，通过 LGBM 合成因子，均实现了稳定的正超额收益。 - 合成后的多空净值曲线显示，引入分钟信号后，多空收益表现有所提升，但提升幅度有限。 ## 关键信息 ### 日频因子挖掘结果 - **原始日频 K 线**： - 筛选出 99 个因子。 - IC 均值中位数为 4.43%，最大值为 7.00%。 - 多头年化超额中位数为 5.23%。 - 因子间相关性中位数低于 15%，具有较好的多样性。 - **日频 K 线衍生特征**： - 筛选出 159 个因子。 - IC 均值中位数为 3.55%，最大值为 10.01%。 - 多头年化超额中位数为 0.71%。 - 因子长度和复杂度较低，平均长度为 7.70，具有一定可解释性。 - **分钟聚合特征**： - 筛选出 56 个因子。 - IC 均值中位数为 3.42%，最大值为 7.17%。 - 多头年化超额中位数为 4.26%。 - 因子长度和复杂度相对较高，平均长度为 6.59，部分因子具有一定的可解释性。 ### 分钟频因子挖掘与合成效果 - **分钟频因子**： - 筛选出 32 个因子。 - IC 均值中位数为 3.19%，最大值为 8.85%。 - 多头年化超额中位数为 4.21%。 - 因子平均长度为 11.22，相对可解释性较弱。 - **合成效果**： - 将日频因子（345 个）与分钟频因子（32 个）合并，共 377 个因子，利用 LGBM 模型合成后表现最优。 - 合成后多头超额收益率提升有限，但多空收益有所改善。 ### AlphaEval 筛选效果 - **多样性筛选**： - 从 1134 个因子中筛选出 800 个因子，通过 LGBM 合成后，多头年化超额收益率最高达 22.51%，多空年化收益率最高达 101.06%。 - 合成后多头 Sharpe 比率最高为 1.25，多空 Sharpe 比率最高为 7.28。 - **其他筛选维度**： - PPS（预测能力）筛选对收益提升不明显。 - RRE（秩稳定性）筛选有效降低换手率。 - 金融逻辑性筛选通过大模型打分，提升因子的可解释性。 ## 风险提示 1. 历史数据回测结果可能无法反映未来表现，模型存在时效性风险。 2. 策略基于历史数据构建，若交易成本上升或市场环境变化，可能导致收益下降甚至亏损。 ## 总结 本报告构建了一个基于 GFlowNet 和 AlphaEval 的因子挖掘与筛选框架，通过 GFlowNet 的生成能力挖掘低相关性、高多样性的因子，并通过 AlphaEval 多维度筛选进一步优化因子池。分钟频因子的挖掘虽较日频因子复杂度更高，但其对多空收益的提升具有潜力。最终，通过与现有 AI 模型融合，该框架在沪深 300、中证 500 和中证 1000 指数上均实现了稳定的正超额收益。然而，需注意模型的时效性和交易成本对收益的影响。