聚焦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。以2018-2025年为因子检验区间,观察基于原始OHLCV挖掘单因子表现,其整体表现良好,IC均值的中位数达到4.54%,最大值达到 8.56%,多头超额表现尚可,中位数为 3.47%;基于相对特征挖掘的因子表现更优,IC 均值中位数达 6.17%,最大值也达到了 9.40%,两类因子相关性均较低、复杂度可控,具备良好可解释性与应用价值。对现有 AI 模型的提升与指增策略在前期工作《基于 Mamba2 模型的端到端选股框架》中,我们引入了新的 Mamba 模型进行深度学习建模,本报告在 GRU和 Mamba 的基础上,添加 GFlowNet 挖掘出的 150 个因子,可以发现几乎所有指标都有一定的提升。
聚焦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。以2018-2025年为因子检验区间,观察基于原始OHLCV挖掘单因子表现,其整体表现良好,IC均值的中位数达到4.54%,最大值达到 8.56%,多头超额表现尚可,中位数为 3.47%;基于相对特征挖掘的因子表现更优,IC 均值中位数达 6.17%,最大值也达到了 9.40%,两类因子相关性均较低、复杂度可控,具备良好可解释性与应用价值。对现有 AI 模型的提升与指增策略在前期工作《基于 Mamba2 模型的端到端选股框架》中,我们引入了新的 Mamba 模型进行深度学习建模,本报告在 GRU和 Mamba 的基础上,添加 GFlowNet 挖掘出的 150 个因子,可以发现几乎所有指标都有一定的提升。
聚焦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。以2018-2025年为因子检验区间,观察基于原始OHLCV挖掘单因子表现,其整体表现良好,IC均值的中位数达到4.54%,最大值达到 8.56%,多头超额表现尚可,中位数为 3.47%;基于相对特征挖掘的因子表现更优,IC 均值中位数达 6.17%,最大值也达到了 9.40%,两类因子相关性均较低、复杂度可控,具备良好可解释性与应用价值。对现有 AI 模型的提升与指增策略在前期工作《基于 Mamba2 模型的端到端选股框架》中,我们引入了新的 Mamba 模型进行深度学习建模,本报告在 GRU和 Mamba 的基础上,添加 GFlowNet 挖掘出的 150 个因子,可以发现几乎所有指标都有一定的提升。核心数据:以2018-2025年为因子检验区间,观察基于原始OHLCV挖掘单因子表现,其整体表现良好,IC均值的中位数达到4.54%,最大值达到 8.56%,多头超额表现尚可,中位数为 3.47%;基于相对特征挖掘的因子表现更优,IC 均值中位数达 6.17%,最大值也达到了 9.40%,两类因子相关性均较低、复杂度可控,具备良好可解释性与应用价值。
本报告由国金证券发布,发布于 2026 年。
覆盖 2026 年,全文共 21 页。
本报告为付费报告,可在资料宝站内下单后获取完整内容。
重点分析了Alpha掘金系列之二十二等议题。