20260708-国金证券-Alpha掘金系列之二十四_基于GFlowNet和AlphaEval的分钟频因子挖掘筛选框架_23页_6mb

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。