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.docxVIP

2026年07月08日

Alpha掘金系列之二十四

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

GFlowNet原理回顾与日频数据挖掘

GFlowNet是由深度学习先驱YoshuaBengio团队于2023年在计算机顶刊JMLR上发表的新型生成模型，其核心思想是将对象的生成过程建模为图网络中的水流过程。相比于强化学习，GFlowNet并非寻找一个特别的神奇公式，而是旨在挖掘一群优秀的多元化公式，这一特性极其契合多因子选股模型对低相关性、高多样性Alpha池子的根本诉求。相比于遗传规划，GFlowNet具备更强的学习能力，大大提升了在大空间搜索规律的效率。

在数学原理上，GFlowNet的训练目标是通过流匹配条件使网络中的流量分布满足守恒定律，实际训练中采用更稳定的TrajectoryBalance目标。状态表示方面，动作历史序列通过Transformerencoding编码，辅以当前深度、已用算子比例、已用节点比例三个手工特征。奖励函数综合了IC、多头IR和Barra时序相关性惩罚项。

在日频数据挖掘中，基于原始日频K线共筛选出符合条件的因子99个，IC均值中位数达4.43%，多头年化超额中位数为5.23%；基于日频K线衍生特征挖掘出因子15