20260410-国金证券-Alpha掘金系列之二十二_基于GFlowNet的低相关性量价因子挖掘策略_21页_2mb

报告摘要

基于 GFlowNet 的低相关性量价因子挖掘策略总结

核心内容

本报告探讨了GFlowNet在自动化因子挖掘中的应用，特别是其在日频和分钟频量价数据上的表现，并将其与强化学习（RL）及遗传规划（GP）进行对比。GFlowNet是一种基于生成模型的新型方法，其核心是将生成过程建模为有向无环图（DAG）中的“水流”过程，通过训练目标实现流量守恒，从而生成与奖励成正比的多样化因子集合。相较于RL和GP，GFlowNet在多样性、搜索效率和稳定性方面表现更优。

主要观点

GFlowNet的优势：
- 相比RL，GFlowNet避免了模式崩溃，生成的因子具有低相关性，多样性显著。
- 相比GP，GFlowNet通过结构化学习实现了更高效的探索，避免了随机搜索的低效问题。
- 生成的因子具有良好的可解释性和应用价值，适合构建多因子组合（Alpha Pool）。
因子挖掘方法：
- 日频数据：输入两套特征（原始OHLCV和无量纲相对特征），奖励为市值中性化后的abs(IC)。
- 分钟频数据：将40个日内指标降为日频特征，再进行因子挖掘，得到的因子表现优于日频挖掘。
因子表现：
- 基于原始OHLCV挖掘的因子，IC均值中位数为 $4.54%$，最大值为 $8.56%$。
- 基于相对特征挖掘的因子表现更优，IC均值中位数为 $6.17%$，最大值为 $9.40%$。
- 基于分钟频构造特征的因子表现最好，IC均值中位数为 $5.83%$，多头超额收益中位数为 $7.43%$。
因子合成效果：
- 等权合成因子表现出良好的收益，RankIC在11.64%至12.25%之间。
- 多头超额收益和信息比率均有所提升，且具有中小市值和价值风格的暴露。
模型融合：
- 将GFlowNet挖掘的因子融入现有的Mamba2与GRU选股框架，提升了整体模型表现。
- 合并后的模型在多个指标上都有显著提升，包括RankIC、ICIR、多头超额收益率等。

关键信息

训练目标：采用Trajectory Balance（TB）目标，保证流量守恒，实现因子生成的概率与奖励成正比。
状态表示：包括Transformer编码的动作历史序列和3个手工特征（当前深度、已用算子比例、已用节点比例）。
动作空间：分为算子（51种）、窗口（5种）、特征（可变数量），并有语法合法性与复杂度限制。
表达式组织：使用ExprNode树结构，通过简化方法减少重复表达式。
奖励设定：采用市值中性化后的abs(IC)作为奖励，避免因子暴露于小市值风格。
因子评估周期：10日，筛选时要求因子与已选因子的Spearman相关性低于0.4。
合成策略：等权合成因子，提升整体收益表现，但存在风格暴露问题。

结构清晰

一、GFlowNet 原理介绍

GFlowNet定义：一种将对象生成过程建模为DAG中“水流”过程的生成模型。
训练目标：确保流量守恒，使得生成对象 $x$ 的概率 $P(x)$ 与奖励 $R(x)$ 成正比。
数学原理：流匹配（Flow Matching）和Detailed Balance（DB）目标。
策略提取：通过前向策略 $P_F$，生成因子的概率等于 $\frac{R(x)}{Z}$。

二、基于日频数据的因子挖掘与RL比较

训练过程：使用TB目标，通过采样轨迹、计算奖励与TB损失，反向传播更新模型。
因子表现：
- 原始OHLCV：IC均值中位数 $4.54%$，多头超额收益中位数 $3.47%$。
- 相对特征：IC均值中位数 $6.17%$，多头超额收益中位数 $4.75%$。
相关性与复杂度：因子间相关性低，复杂度可控，具有良好的可解释性。

三、基于分钟频数据的因子挖掘

处理方法：将分钟数据降维为40个日内特征，再进行因子挖掘。
因子表现：
- IC均值中位数 $5.83%$，多头超额收益中位数 $7.43%$。
- 与日频因子相比，表现更优，且相关性和复杂度均较低。
风险暴露：合成因子仍具有中小市值和价值风格暴露，但基于相对特征的因子小市值暴露较低。

四、对现有AI模型的提升与指增策略

模型融合：在GRU和Mamba基础上，添加GFlowNet挖掘的150个因子。
提升效果：几乎所有指标均有提升，包括RankIC、ICIR、多头超额收益率等。
指增效果：
- 沪深300增强策略年化收益率 $11.39%$，信息比率 $1.87$。
- 中证500增强策略年化收益率 $14.40%$，信息比率 $2.07$。
- 中证1000增强策略年化收益率 $21.39%$，信息比率 $2.99$。