基于GFlowNet生成流网络的低相关性量价因子挖掘策略
创建于 更新于
摘要
本研究提出基于GFlowNet的自动化因子挖掘框架，聚焦于从日频与分钟频量价数据中生成低相关性、高多样性的因子池，并通过TB（Trajectory Balance）目标训练实现“生成一组优秀公式”的目标。与PPO等强化学习相比，GFlowNet在批量内因子相关性保持更低、因子多样性更高，具备更好的解释性与稳健性。日频原始OHLCV特征及无量纲相对特征的单因子IC中位数分别为4.54%与6.17%，分钟频特征在日频框架上进一步提升，IC中位数达到5.83%、多头超额中位数达到7.43%，且相关性与复杂度仍受控。将GFlowNet挖掘出的150个因子并入GRU/Mamba等端到端选股框架，显著提升全A统计指标，体现出高效、稳健且可解释的自动化因子挖掘能力。研究同时强调小心市值中性化奖励设计以避免偏向小市值风格，并对时序数据下的风险与回测限制给出风险提示 [page::0][page::6][page::7][page::9][page::10][page::15]
